第8卷第5期 智能系统学报 Vol.8 No.5 2013年10月 CAAI Transactions on Intelligent Systems 0ct.2013 D0:10.3969/j.issn.1673-4785.201304035 网络出版地址：http://www.enki..net/kcms/detail/23.1538.TP.20130929.1120.008.html 一种频域特征的飞机目标提取方法 尹辉，谷峰 (中国人民解放军空军航空大学航空航天情报系，吉林长春130022) 摘要：针对军事遥感影像智能判读的目标定位与提取问题，将先验知识引入到目标提取过程中，提出一种基于频 域特征的飞机目标提取方法该方法通过绘制目标圆周剖面线将二维图像信号简化为一维信号，运用频谱能量的谐 波叠置原理对飞机形状进行频谱分析，确定目标轮廓的固有频率：然后设计多尺度的Gor滤波器组提取图像的纹 理特征图，并进行特征图融合形成目标显著图：最后利用数学形态学的方法对目标显著图进行处理，得到最终的目 标提取结果.实验结果表明，与基于无先验知识的视觉显著性日标检测方法相比，该方法抗干扰能力强，能够清楚、准 确、完整地提取目标区域，是一种有效的飞机目标提取方法. 关键词：频域特征；飞机；目标提取：频谱分析：Gaor滤波器组；显著图 中图分类号：TP753文献标志码：A文章编号：1673-4785(2013)05-0459-06 中文引用格式：尹辉，谷峰.一种频域特征的飞机目标提取方法[J].智能系统学报，2013,8(5)：459464. 英文引用格式：YIN Hui,GU Feng.A method of extracting aircraft target based on the frequency domain feature[J】.CAAI Trans- actions on Intelligent Systems,2013,8(5):459-464. A method of extracting aircraft target based on the frequency domain feature YIN Hui,GU Feng Department of Aviation and Spaceflight Intelligence,Aviation University of Air Force,Changchun 130022,China) Abstract:Focusing on the positioning and extraction of the intelligent interpretation in the military remote sensing image,prior knowledge is introduced into the target extraction process,so as to propose an aircraft target extraction method based on the frequency domain feature.In this method,by drafting the target circumference profile,the two-dimensional image signal is simplified into the one-dimensional signal,the harmonic superposition principle on the energy of frequency spectrum is applied to frequency spectrum analysis of aircraft shape,so as to determine the natural frequency of the target outline;then,by the design of multi-scale Gabor filter banks,the texture feature di- agram on the image is extracted,and by combination of feature diagrams,a target salient image is formed;finally, the method of mathematical morphology is used to process the target salient image,obtaining the final target extrac- tion result.The experimental results show that,in comparison with the visual saliency target detection method with- out prior knowledge,the method has powerful anti-disturbance ability,it may extract the target domain clearly,ac- curately and completely,and it is a kind of effective aircraft target extraction method. Keywords:frequency domain feature;aircraft;target extraction;frequency spectrum analysis;Gabor filter banks; salient image 在军事遥感影像智能解译领域中，飞机作为一 观的方法[基于特征的方法尝试寻找区分性的图 类重要的目标受到广泛的关注，并一直都被研究和 像特征，然后在合理的几何布局上验证这些特征是 探索，而这方面成型的资料较少，外军的研制情况均 否存在，这类方法简单，容易实现，但特征的选取需 是保密资料.公开的资料中目标检测方法可以分为 要加入一定的先验知识.基于模板的方法能够处理 基于特征的方法[]、基于模板的方法)和基于表 形状和视角较大范围的变化，但对模板要求较高，计 算复杂不适合实时检测.基于表观的方法通过扫描 收稿日期：2013-04-15.网络出版日期：2013-09-29 图像中有重叠的小矩形区域来寻找候选区域，然后 通信作者：尹辉.E-mail:image_.recognition@163.com 用一组具有选择性的检测算法来标定目标，这类方
第 ８ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ.８ №.５ ２０１３ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ. ２０１３ ＤＯＩ:１０.３９６９ / ｊ.ｉｓｓｎ.１６７３￣４７８５.２０１３０４０３５ 网络出版地址:ｈｔｔｐ: / / ｗｗｗ.ｃｎｋｉ.ｎｅｔ / ｋｃｍｓ/ ｄｅｔａｉｌ / ２３.１５３８.ＴＰ.２０１３０９２９.１１２０.００８.ｈｔｍｌ 一种频域特征的飞机目标提取方法 尹辉ꎬ谷峰 (中国人民解放军空军航空大学 航空航天情报系ꎬ吉林 长春 １３００２２) 摘 要:针对军事遥感影像智能判读的目标定位与提取问题ꎬ将先验知识引入到目标提取过程中ꎬ提出一种基于频 域特征的飞机目标提取方法.该方法通过绘制目标圆周剖面线将二维图像信号简化为一维信号ꎬ运用频谱能量的谐 波叠置原理对飞机形状进行频谱分析ꎬ确定目标轮廓的固有频率ꎻ然后设计多尺度的 Ｇａｂｏｒ 滤波器组提取图像的纹 理特征图ꎬ并进行特征图融合形成目标显著图ꎻ最后利用数学形态学的方法对目标显著图进行处理ꎬ得到最终的目 标提取结果.实验结果表明ꎬ与基于无先验知识的视觉显著性目标检测方法相比ꎬ该方法抗干扰能力强ꎬ能够清楚、准 确、完整地提取目标区域ꎬ是一种有效的飞机目标提取方法. 关键词:频域特征ꎻ飞机ꎻ目标提取ꎻ频谱分析ꎻＧａｂｏｒ 滤波器组ꎻ显著图 中图分类号:ＴＰ７５３ 文献标志码:Ａ 文章编号:１６７３￣４７８５(２０１３)０５￣０４５９￣０６ 中文引用格式:尹辉ꎬ谷峰.一种频域特征的飞机目标提取方法[Ｊ]. 智能系统学报ꎬ ２０１３ꎬ ８(５): ４５９￣４６４. 英文引用格式:ＹＩＮ Ｈｕｉꎬ ＧＵ Ｆｅｎｇ. Ａ ｍｅｔｈｏｄ ｏｆ ｅｘｔｒａｃｔｉｎｇ ａｉｒｃｒａｆｔ ｔａｒｇｅｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｆｅａｔｕｒｅ[Ｊ]. ＣＡＡＩ Ｔｒａｎｓ￣ ａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓꎬ ２０１３ꎬ ８(５): ４５９￣４６４. Ａ ｍｅｔｈｏｄ ｏｆ ｅｘｔｒａｃｔｉｎｇ ａｉｒｃｒａｆｔ ｔａｒｇｅｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｆｅａｔｕｒｅ ＹＩＮ Ｈｕｉꎬ ＧＵ Ｆｅｎｇ (Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ａｖｉａｔｉｏｎ ａｎｄ Ｓｐａｃｅｆｌｉｇｈｔ Ｉｎｔｅｌｌｉｇｅｎｃｅꎬ Ａｖｉａｔｉｏｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｉｒ Ｆｏｒｃｅꎬ Ｃｈａｎｇｃｈｕｎ １３００２２ꎬ Ｃｈｉｎａ) Ａｂｓｔｒａｃｔ:Ｆｏｃｕｓｉｎｇ ｏｎ ｔｈｅ ｐｏｓｉｔｉｏｎｉｎｇ ａｎｄ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｉｎ ｔｈｅ ｍｉｌｉｔａｒｙ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅꎬ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅ ｉｓ ｉｎｔｒｏｄｕｃｅｄ ｉｎｔｏ ｔｈｅ ｔａｒｇｅｔ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓꎬ ｓｏ ａｓ ｔｏ ｐｒｏｐｏｓｅ ａｎ ａｉｒｃｒａｆｔ ｔａｒｇｅｔ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｆｅａｔｕｒｅ. Ｉｎ ｔｈｉｓ ｍｅｔｈｏｄꎬ ｂｙ ｄｒａｆｔｉｎｇ ｔｈｅ ｔａｒｇｅｔ ｃｉｒｃｕｍｆｅｒｅｎｃｅ ｐｒｏｆｉｌｅꎬ ｔｈｅ ｔｗｏ￣ｄｉｍｅｎｓｉｏｎａｌ ｉｍａｇｅ ｓｉｇｎａｌ ｉｓ ｓｉｍｐｌｉｆｉｅｄ ｉｎｔｏ ｔｈｅ ｏｎｅ￣ｄｉｍｅｎｓｉｏｎａｌ ｓｉｇｎａｌꎬ ｔｈｅ ｈａｒｍｏｎｉｃ ｓｕｐｅｒｐｏｓｉｔｉｏｎ ｐｒｉｎｃｉｐｌｅ ｏｎ ｔｈｅ ｅｎｅｒｇｙ ｏｆ ｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍ ａｎａｌｙｓｉｓ ｏｆ ａｉｒｃｒａｆｔ ｓｈａｐｅꎬ ｓｏ ａｓ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｎａｔｕｒａｌ ｆｒｅｑｕｅｎｃｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｏｕｔｌｉｎｅꎻ ｔｈｅｎꎬ ｂｙ ｔｈｅ ｄｅｓｉｇｎ ｏｆ ｍｕｌｔｉ￣ｓｃａｌｅ Ｇａｂｏｒ ｆｉｌｔｅｒ ｂａｎｋｓꎬ ｔｈｅ ｔｅｘｔｕｒｅ ｆｅａｔｕｒｅ ｄｉ￣ ａｇｒａｍ ｏｎ ｔｈｅ ｉｍａｇｅ ｉｓ ｅｘｔｒａｃｔｅｄꎬ ａｎｄ ｂｙ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｆｅａｔｕｒｅ ｄｉａｇｒａｍｓꎬ ａ ｔａｒｇｅｔ ｓａｌｉｅｎｔ ｉｍａｇｅ ｉｓ ｆｏｒｍｅｄꎻ ｆｉｎａｌｌｙꎬ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｍａｔｈｅｍａｔｉｃａｌ ｍｏｒｐｈｏｌｏｇｙ ｉｓ ｕｓｅｄ ｔｏ ｐｒｏｃｅｓｓ ｔｈｅ ｔａｒｇｅｔ ｓａｌｉｅｎｔ ｉｍａｇｅꎬ ｏｂｔａｉｎｉｎｇ ｔｈｅ ｆｉｎａｌ ｔａｒｇｅｔ ｅｘｔｒａｃ￣ ｔｉｏｎ ｒｅｓｕｌｔ. Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔꎬ ｉｎ ｃｏｍｐａｒｉｓｏｎ ｗｉｔｈ ｔｈｅ ｖｉｓｕａｌ ｓａｌｉｅｎｃｙ ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ￣ ｏｕｔ ｐｒｉｏｒ ｋｎｏｗｌｅｄｇｅꎬ ｔｈｅ ｍｅｔｈｏｄ ｈａｓ ｐｏｗｅｒｆｕｌ ａｎｔｉ￣ｄｉｓｔｕｒｂａｎｃｅ ａｂｉｌｉｔｙꎬ ｉｔ ｍａｙ ｅｘｔｒａｃｔ ｔｈｅ ｔａｒｇｅｔ ｄｏｍａｉｎ ｃｌｅａｒｌｙꎬ ａｃ￣ ｃｕｒａｔｅｌｙ ａｎｄ ｃｏｍｐｌｅｔｅｌｙꎬ ａｎｄ ｉｔ ｉｓ ａ ｋｉｎｄ ｏｆ ｅｆｆｅｃｔｉｖｅ ａｉｒｃｒａｆｔ ｔａｒｇｅｔ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ. Ｋｅｙｗｏｒｄｓ:ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｆｅａｔｕｒｅꎻ ａｉｒｃｒａｆｔꎻ ｔａｒｇｅｔ ｅｘｔｒａｃｔｉｏｎꎻ ｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍ ａｎａｌｙｓｉｓꎻ Ｇａｂｏｒ ｆｉｌｔｅｒ ｂａｎｋｓꎻ ｓａｌｉｅｎｔ ｉｍａｇｅ 收稿日期:２０１３￣０４￣１５. 网络出版日期:２０１３￣０９￣２９. 通信作者:尹辉. Ｅ￣ｍａｉｌ:ｉｍａｇｅ＿ｒｅｃｏｇｎｉｔｉｏｎ＠ １６３.ｃｏｍ. 在军事遥感影像智能解译领域中ꎬ飞机作为一 类重要的目标受到广泛的关注ꎬ并一直都被研究和 探索ꎬ而这方面成型的资料较少ꎬ外军的研制情况均 是保密资料.公开的资料中目标检测方法可以分为 基于特征的方法[１￣２] 、基于模板的方法[３] 和基于表 观的方法[４] .基于特征的方法尝试寻找区分性的图 像特征ꎬ然后在合理的几何布局上验证这些特征是 否存在ꎬ这类方法简单ꎬ容易实现ꎬ但特征的选取需 要加入一定的先验知识.基于模板的方法能够处理 形状和视角较大范围的变化ꎬ但对模板要求较高ꎬ计 算复杂不适合实时检测.基于表观的方法通过扫描 图像中有重叠的小矩形区域来寻找候选区域ꎬ然后 用一组具有选择性的检测算法来标定目标ꎬ这类方
·460. 智能系统学报 第8卷 法依赖于样本的选取与分类器的性能.国内现有的 组不仅具有多尺度特性，而且还具有一般小波滤波 飞机检测方法主要有基于角点检测的自适应核聚类 器所不具备的良好方向特性，不仅如此，Gabor滤波 方法)、主动形状模型法[6以及圆周频率滤波法[)， 器对局部细节信息的捕捉能力也非常出色，已被广 基于角点检测的自适应核聚类法，采用方向导数检 泛应用于人脸检测[8】、遥感地物目标识别等领 测角点，将有效性函数引入核聚类中，可动态估计聚 域[901 类数目，并根据聚类结果实现飞机目标的定位.该方 高分辨率遥感图像中飞机目标检测往往比识别 法无需进行区域或轮廓的提取，但是当多个飞机距 更加棘手，用来检测飞机的特征主要有形状特征、灰 离很近、并排存在时，无法对角点实现正确的聚类 度特征、角点特征等.本文的创新在于通过分析飞机 主动形状模型则是采用统计分析的方法建立目标形 的形状得出频域特征，并将其作为Gabor滤波器的 状及其形变模型，在图像中迭代搜索，使先验形状上 中心频率，实现了飞机目标的检测这种方法的突出 的标记点逐步拟合到物体的实际边缘上，最终准确 优势在于综合考虑了飞机的形状、光谱、纹理特征， 分割出目标物体.但该模型对飞机分割初始点的位 降低了背景的干扰，增强了目标的视觉显著性，实现 置选取很敏感，迭代时间比较长，不利于工程上实时 了遥感图像飞机目标特征的简洁有效描述，通过绘 性的处理.基于圆周滤波法不需要进行图像分割或 制圆周剖面线的方法将对二维图像信号的研究简化 边缘提取，利用飞机形状和灰度变化特征，设计滤波 为一维信号研究 器的算法简单、计算量小；但是遥感图像背景复杂， 1 圆周半径的选择需要人为确定，且抗噪声能力差，单 飞机目标的频域特征提取 一半径无法检测出不同大小的飞机.总结现有目标 本文提出的飞机目标提取方法流程如图1所 检测的方法，发现通常基于滤波的方法效果更好，关 示，主要分为三大部分 键在于能否寻找到合适的滤波器.而Gabor滤波器 飞机目 圆周剖面 飞机形状 标切片 亮度曲线 固有频率 遥感 多尺度Gabor 频谱滤波 融合 阈值 特征图 二值 形态学 飞机目 图像 滤波器组 响应图 分制 图像后处理 标区域 图1本算法流程 Fig.1 The flowchart of the mothod proposed in this paper 1)频域特征的分析.为了提取频域特征，首先分 的，但同时也少量地增加了噪声的干扰，因此最后采 析飞机目标样本的形状特征，通过绘制经过飞机的 用了简单的形态学后处理去除噪声，以达到精细化 机身、机翼的圆周剖面曲线（通常来讲，飞机目标的 检测的目的， 亮度值要高于背景，这样曲线会形成波峰与波谷交 1.1飞机圆周剖面亮度响应曲线绘制 替出现的形状)，利用谐波叠置原理，分析曲线的频 圆周剖面线是以飞机目标的质心为圆心，以质 谱特性，得到飞机形状的固有频率，将此频率作为飞 心到机身远端距离的一半为半径.这样做的目的是 机的频域特征. 使算法具有抗旋转性，无论飞机目标的朝向如何变 2)滤波器的设计.设计多通道Gabor滤波器组 化，在提取地物剖面线之后，角度的旋转将转化为曲 的目的是提取频域特征，Gabor滤波器有很强的纹 线的平移量.如图2所示，当在飞机目标的切片上提 理区分能力，能很好地捕捉目标与背景之间的纹理 取圆周剖面亮度曲线时，x轴表示像元位置，y轴标 变化，更重要的是它有频率选择性，可实现频域特征 记曲线数，z轴为像元亮度值.剖面线揭示了图像剖 筛选.本文将飞机的频域特征f作为Gabor滤波器的 面方向上像元亮度值的变化模式，它能直观形象地 中心频率输入，对图像滤波使飞机目标与背景更容 反映目标的形态特征及其复杂程度.如果对飞机目 易区分，便于后续的目标边缘提取 标绘制若干条同心的圆周剖面线，则可以获取剖面 3)形态学后处理.算法流程中还进行了滤波响 线方向上稳定的形态特征.由于噪声和阴影的影响， 应特征图的融合，以达到进一步增强目标区域的目 剖面亮度响应曲线虽然表现为高低不一的波动，但
法依赖于样本的选取与分类器的性能.国内现有的 飞机检测方法主要有基于角点检测的自适应核聚类 方法[５] 、主动形状模型法[６]以及圆周频率滤波法[７] . 基于角点检测的自适应核聚类法ꎬ采用方向导数检 测角点ꎬ将有效性函数引入核聚类中ꎬ可动态估计聚 类数目ꎬ并根据聚类结果实现飞机目标的定位.该方 法无需进行区域或轮廓的提取ꎬ但是当多个飞机距 离很近、并排存在时ꎬ无法对角点实现正确的聚类. 主动形状模型则是采用统计分析的方法建立目标形 状及其形变模型ꎬ在图像中迭代搜索ꎬ使先验形状上 的标记点逐步拟合到物体的实际边缘上ꎬ最终准确 分割出目标物体.但该模型对飞机分割初始点的位 置选取很敏感ꎬ迭代时间比较长ꎬ不利于工程上实时 性的处理.基于圆周滤波法不需要进行图像分割或 边缘提取ꎬ利用飞机形状和灰度变化特征ꎬ设计滤波 器的算法简单、计算量小ꎻ但是遥感图像背景复杂ꎬ 圆周半径的选择需要人为确定ꎬ且抗噪声能力差ꎬ单 一半径无法检测出不同大小的飞机.总结现有目标 检测的方法ꎬ发现通常基于滤波的方法效果更好ꎬ关 键在于能否寻找到合适的滤波器.而 Ｇａｂｏｒ 滤波器 组不仅具有多尺度特性ꎬ而且还具有一般小波滤波 器所不具备的良好方向特性ꎬ不仅如此ꎬＧａｂｏｒ 滤波 器对局部细节信息的捕捉能力也非常出色ꎬ已被广 泛应用 于 人 脸 检 测[８] 、 遥 感 地 物 目 标 识 别 等 领 域[９￣１０] . 高分辨率遥感图像中飞机目标检测往往比识别 更加棘手ꎬ用来检测飞机的特征主要有形状特征、灰 度特征、角点特征等.本文的创新在于通过分析飞机 的形状得出频域特征ꎬ并将其作为 Ｇａｂｏｒ 滤波器的 中心频率ꎬ实现了飞机目标的检测.这种方法的突出 优势在于综合考虑了飞机的形状、光谱、纹理特征ꎬ 降低了背景的干扰ꎬ增强了目标的视觉显著性ꎬ实现 了遥感图像飞机目标特征的简洁有效描述ꎬ通过绘 制圆周剖面线的方法将对二维图像信号的研究简化 为一维信号研究. １ 飞机目标的频域特征提取 本文提出的飞机目标提取方法流程如图 １ 所 示ꎬ主要分为三大部分. 图 １ 本算法流程 Ｆｉｇ.１ Ｔｈｅ ｆｌｏｗｃｈａｒｔ ｏｆ ｔｈｅ ｍｏｔｈｏｄ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ １)频域特征的分析.为了提取频域特征ꎬ首先分 析飞机目标样本的形状特征ꎬ通过绘制经过飞机的 机身、机翼的圆周剖面曲线(通常来讲ꎬ飞机目标的 亮度值要高于背景ꎬ这样曲线会形成波峰与波谷交 替出现的形状)ꎬ利用谐波叠置原理ꎬ分析曲线的频 谱特性ꎬ得到飞机形状的固有频率ꎬ将此频率作为飞 机的频域特征. ２)滤波器的设计.设计多通道 Ｇａｂｏｒ 滤波器组 的目的是提取频域特征ꎬＧａｂｏｒ 滤波器有很强的纹 理区分能力ꎬ能很好地捕捉目标与背景之间的纹理 变化ꎬ更重要的是它有频率选择性ꎬ可实现频域特征 筛选.本文将飞机的频域特征 ｆ 作为 Ｇａｂｏｒ 滤波器的 中心频率输入ꎬ对图像滤波使飞机目标与背景更容 易区分ꎬ便于后续的目标边缘提取. ３)形态学后处理.算法流程中还进行了滤波响 应特征图的融合ꎬ以达到进一步增强目标区域的目 的ꎬ但同时也少量地增加了噪声的干扰ꎬ因此最后采 用了简单的形态学后处理去除噪声ꎬ以达到精细化 检测的目的. １.１ 飞机圆周剖面亮度响应曲线绘制 圆周剖面线是以飞机目标的质心为圆心ꎬ以质 心到机身远端距离的一半为半径.这样做的目的是 使算法具有抗旋转性ꎬ无论飞机目标的朝向如何变 化ꎬ在提取地物剖面线之后ꎬ角度的旋转将转化为曲 线的平移量.如图 ２ 所示ꎬ当在飞机目标的切片上提 取圆周剖面亮度曲线时ꎬｘ 轴表示像元位置ꎬｙ 轴标 记曲线数ꎬ ｚ 轴为像元亮度值.剖面线揭示了图像剖 面方向上像元亮度值的变化模式ꎬ它能直观形象地 反映目标的形态特征及其复杂程度.如果对飞机目 标绘制若干条同心的圆周剖面线ꎬ则可以获取剖面 线方向上稳定的形态特征.由于噪声和阴影的影响ꎬ 剖面亮度响应曲线虽然表现为高低不一的波动ꎬ但 ４６０ 智 能 系 统 学 报 第 ８ 卷
第5期 尹辉，等：一种频域特征的飞机目标提取方法 ·461. 是它们的波峰、波谷的出现均呈现相对一致的趋势， 中心对称的.当亮度响应序列点n为偶数时，谐波的 而这些波峰和波谷可以认为是飞机的特征点。 个数p=n/2:n为奇数时，p=(n-1)/2.因此，f的取 400 值范围为0~0.5,0.5对应的频率称为奈奎斯特频 200 率而不同谐波k所对应的频谱能量为 0L 120 Ex ai bi. 100 不同频率的频谱能量可以反映在该频率时剖面 80 线变化的响应特征.因此，问题研究的关键就是如何 y 60 找出影像剖面线波动所对应的主要频率，从而揭示 C 40 信号内部频率结构，给出序列中包含的各次谐波和 20050100150200250300350 波动贡献的完整描述.设空域中表征地物剖面的亮 度响应序列的总方差为S,把式(1)看作一个回归方 (a)目标圆周剖面亮度曲线 程，则有 (2) t= 由此可见，空域中的亮度响应序列的总方差可 以表示为频域中各次谐波能量的贡献之和，E/2是 k次谐波对应方差的贡献根据傅里叶变换对剖面线 亮度响应序列计算能量谱，能量谱图可以显示不同 频率波动的幅值大小，也就是谐波方差贡献的大小 因此，可以从频谱曲线中的峰值点判定剖面线的主 要频率或周期：峰值越高，频谱能量值越大，从而对 剖面线的整体影响也越大，其部分峰值如表1所示。 (b)目标图像及圆周剖面线 图2圆周剖面亮度曲线 表1频谱能量降序排序（前20个） Fig.2 Circular section intensity curve Table 1 Spectrum energy in descending order top 20 1.2飞机剖面亮度响应曲线频谱分析 频率 能量 频率 能量 如图2所示，图2(a)为目标圆周剖面亮度响应 0 2.592E+09 13 1.420E+06 曲线，其中c1~c6分别对应图2(b)中由里向外的圆 3 2.057E+07 20 1.345E+06 周.以最大的圆周剖面亮度响应曲线c6为例，首先 1.246E+07 1.018E+06 对圆周剖面亮度响应曲线进行傅里叶变换，为了获 21 取不同频率的剖面亮度响应曲线的波动分布规律， 10 8.624E+06 女 1.010E+06 这里借助剖面亮度响应曲线y,的谐波模型，将其频 9 6.274E+06 1 8.782E+05 谱能量表示成随频谱能量中心距离变化的k次谐波 5 6.118E+06 15 7.030E+05 能量的叠加： 16 4.331E+06 8 7.020E+05 y=a+(agcos(od)bsin(out)).(1) 白 3.733E+06 19 4.942E+05 t=1 通过一维傅里叶变换可以得到k次谐波的傅里 7 3.020E+06 18 4.592E+05 叶系数： 14 3.019E+06 11 3.942E+05 a= 23 y,c0s(t-1), n i=1 n 由此构造统计量： ,=22,im2 0.5E/2 -(t-1), F= F(2,n-2-1) (3) n =1 S-E/2 ao =y. n-2-1 第k项对应的空间频率为 作为检验第k次谐波显著性的度量指标这里，统计 k 量F服从分子自由度为2、分母自由度为n-2-1的 f= n△i F分布.当k次谐波的F值大于F时（α为某一显 令△t=1,则f=k/n.而经傅里叶变换后，能量谱是呈 著性水平)，则可认为波动是显著的，此时第k次谐
是它们的波峰、波谷的出现均呈现相对一致的趋势ꎬ 而这些波峰和波谷可以认为是飞机的特征点. (ａ) 目标圆周剖面亮度曲线 (ｂ)目标图像及圆周剖面线 图 ２ 圆周剖面亮度曲线 Ｆｉｇ.２ Ｃｉｒｃｕｌａｒ ｓｅｃｔｉｏｎ ｉｎｔｅｎｓｉｔｙ ｃｕｒｖｅ １.２ 飞机剖面亮度响应曲线频谱分析 如图 ２ 所示ꎬ图 ２(ａ)为目标圆周剖面亮度响应 曲线ꎬ其中 ｃ１ ~ ｃ６ 分别对应图 ２(ｂ)中由里向外的圆 周.以最大的圆周剖面亮度响应曲线 ｃ６ 为例ꎬ首先 对圆周剖面亮度响应曲线进行傅里叶变换ꎬ为了获 取不同频率的剖面亮度响应曲线的波动分布规律ꎬ 这里借助剖面亮度响应曲线 ｙｔ 的谐波模型ꎬ将其频 谱能量表示成随频谱能量中心距离变化的 ｋ 次谐波 能量的叠加: ｙｔ ＝ ａ０ ＋ ∑ ｐ ｋ ＝ １ ａｋ ｃｏｓ(ωｋ ｔ) ＋ ｂｋ ｓｉｎ(ωｋ ( ｔ) ) . (１) 通过一维傅里叶变换可以得到 ｋ 次谐波的傅里 叶系数: ａｋ ＝ ２ ｎ ∑ ｎ ｔ ＝ １ ｙｔ ｃｏｓ ２πｋ ｎ (ｔ － １)ꎬ ｂｋ ＝ ２ ｎ ∑ ｎ ｔ ＝ １ ｙｔ ｓｉｎ ２πｋ ｎ (ｔ － １)ꎬ ａ０ ＝ ｙｔ . 第 ｋ 项对应的空间频率为 ｆ ｋ ＝ ｋ ｎΔｔ . 令 Δｔ ＝ １ꎬ则 ｆ ｋ ＝ ｋ / ｎ.而经傅里叶变换后ꎬ能量谱是呈 中心对称的.当亮度响应序列点 ｎ 为偶数时ꎬ谐波的 个数 ｐ ＝ ｎ / ２ꎻｎ 为奇数时ꎬｐ ＝ (ｎ－１) / ２.因此ꎬｆ ｋ的取 值范围为 ０ ~ ０.５ꎬ０.５ 对应的频率称为奈奎斯特频 率.而不同谐波 ｋ 所对应的频谱能量为 Ｅｋ ＝ ａ ２ ｋ ＋ ｂ ２ ｋ . 不同频率的频谱能量可以反映在该频率时剖面 线变化的响应特征.因此ꎬ问题研究的关键就是如何 找出影像剖面线波动所对应的主要频率ꎬ从而揭示 信号内部频率结构ꎬ给出序列中包含的各次谐波和 波动贡献的完整描述.设空域中表征地物剖面的亮 度响应序列的总方差为 Ｓꎬ把式(１)看作一个回归方 程ꎬ则有 Ｓ ＝ １ ｎ ∑ ｎ ｔ ＝ １ (ｙｔ － ｙｔ) ２ ＝ ∑ ｐ ｋ ＝ １ １ ２ Ｅｋ . (２) 由此可见ꎬ空域中的亮度响应序列的总方差可 以表示为频域中各次谐波能量的贡献之和ꎬＥｋ / ２ 是 ｋ 次谐波对应方差的贡献.根据傅里叶变换对剖面线 亮度响应序列计算能量谱ꎬ能量谱图可以显示不同 频率波动的幅值大小ꎬ也就是谐波方差贡献的大小. 因此ꎬ可以从频谱曲线中的峰值点判定剖面线的主 要频率或周期:峰值越高ꎬ频谱能量值越大ꎬ从而对 剖面线的整体影响也越大ꎬ其部分峰值如表 １ 所示. 表 １ 频谱能量降序排序(前 ２０ 个) Ｔａｂｌｅ １ Ｓｐｅｃｔｒｕｍ ｅｎｅｒｇｙ ｉｎ ｄｅｓｃｅｎｄｉｎｇ ｏｒｄｅｒ (ｔｏｐ ２０ ) 频率 能量 频率 能量 ０ ２.５９２Ｅ＋０９ １３ １.４２０Ｅ＋０６ ３ ２.０５７Ｅ＋０７ ２０ １.３４５Ｅ＋０６ ４ １.２４６Ｅ＋０７ ２１ １.０１８Ｅ＋０６ １０ ８.６２４Ｅ＋０６ ６ １.０１０Ｅ＋０６ ９ ６.２７４Ｅ＋０６ １ ８.７８２Ｅ＋０５ ５ ６.１１８Ｅ＋０６ １５ ７.０３０Ｅ＋０５ １６ ４.３３１Ｅ＋０６ ８ ７.０２０Ｅ＋０５ １２ ３.７３３Ｅ＋０６ １９ ４.９４２Ｅ＋０５ ７ ３.０２０Ｅ＋０６ １８ ４.５９２Ｅ＋０５ １４ ３.０１９Ｅ＋０６ １１ ３.９４２Ｅ＋０５ 由此构造统计量: Ｆｋ ＝ ０.５Ｅｋ / ２ Ｓ － Ｅｋ / ２ ｎ － ２ － １ ~ Ｆ(２ꎬｎ － ２ － １) (３) 作为检验第 ｋ 次谐波显著性的度量指标.这里ꎬ统计 量 Ｆｋ服从分子自由度为 ２、分母自由度为 ｎ－２－１ 的 Ｆ 分布.当 ｋ 次谐波的 Ｆｋ值大于 Ｆα时( α 为某一显 著性水平)ꎬ则可认为波动是显著的ꎬ此时第 ｋ 次谐 第 ５ 期 尹辉ꎬ等:一种频域特征的飞机目标提取方法 ４６１
·462 智能系统学报 第8卷 波所对应的频率就是剖面亮度响应曲线主体轮廓特 表2飞机目标圆周剖面亮度曲线谐波分析结果 征的中心频率 Table 2 Circular section intensity curve of the harmonic analysis results 从表1和表2可以发现，利用不同谐波上频谱 谐波峰值点/频率/ 方差 累计 统计检 能量的大小来表征地物剖面线的特征，不但可以显 谱半径 (周/像元)贡献率/% 贡献率/%验值F 3 0.010 26.352 26.352 54.387 示出地物波形的频率成分组成，而且还可以反映不 个 0.023 3.870 30.222 6.119 同频率的成分在地物剖面线的波动中所占的比重， 10 0.033 11.049 41.271 18.881 12 0.039 4.783 46.054 7.636 从而很好地揭示各个频率成分对地物特征的影响程 14 0.046 3.868 49.922 6.117 度.如图3频谱能量分布图所示，除了直流中心（为 16 0.052 5.549 55.471 8.931 20 0.065 1.723 57.194 2.666 了显示方便，频率为1时对应直流分量)以外，当k= 3时，频率能量E达到最大值.另外，当谐波次数分 2 基于Gabor滤波器组的频域特征提取 别为3、7、10、12、14、16以及20附近时，能量谱曲线 Daugman将一维Gabor函数推广到二维空间. 均出现不同程度的峰值，并且距离频谱中心越来越 得到二维Gabor函数： 远，频谱峰值也越来越小然而，这些峰值是否一定 是剖面线隐含周期对应的频率，还需要进行显著性 g(x,y）= 1e2+w@.(4) 2m200, 检验因为即使不含任何谐波分量的信号，也会由于 式中：(uo,o)为滤波器的中心频率，中心频率越小， 采样引起的频谱能量波动而出现“伪峰”.由式(2)、 提取的纹理特征尺度越大：和σ分别为滤波器在x (3)可以求得上述剖面亮度响应序列的总方差、不 和y方向上的径长，它们共同确定了滤波器的径向角 同谐波k的方差贡献及其统计检验量F,具体计算 度a.Gabor滤波器的实部为偶对称滤波器，虚部为奇 结果如表2所示.因此通过设计中心频率为0.01周/ 对称滤波器.Gabor滤波器的性能主要由5个参数uo、 像元的多尺度Gabor滤波器组，就可以增强图像中 o、,g,和0确定，设计Gabor滤波器的主要任务就 飞机目标.Gabor滤波器相比其他滤波器具有频率选 是确定这些参数.Gabor滤波器组的非正交性意味着 择性，可实现频域特征筛选.实验中将飞机的频域特 经滤波后的图像中有冗余信息.为了尽可能地检测所 征f作为Gabor滤波器的中心频率输入. 有方向和所有频率的特性，滤波器组必须均匀覆盖矩 ×10 形的频谱平面.由于Gabor滤波器的对称性，这些滤波 器表现为围绕原点对称的高斯函数，它们的长宽比率 控制了方向选择性，因此它们的长宽比、相互间隔和 所有方向数，共同保证了对二维频谱的均匀覆盖.实 验过程中发现，滤波器方向间隔设为30°时，可以用最 少的滤波器均匀覆盖频率平面，因此这里的滤波器采 用6个方向，分别为0°、30°、60°、90°、120°、150°.选取 3个尺度Gabor滤波器，滤波器核的实部如图4(a)所 示，输入图像与Gabor滤波器核函数作卷积将在与其 10 152025303540 振荡方向垂直的边缘产生强烈的响应，滤波结果如图 频率！（周/像元） 图3剖面亮度曲线频谱能量分布 4(b)所示.也就是说Gabor核函数能检测输入图像中 Fig.3 Spectrum energy distribution of section intensity 一些具有相应方向的局部特征，这些局部特征构成了 curve 输入图像对亮度、姿态变化不太敏感的特征表示 (a)Gabori核 (b)目标经Gabor滤波响应 图4 Gabor核以及频率滤波响应 Fig.4 Gabor kernel and filter frequency response
波所对应的频率就是剖面亮度响应曲线主体轮廓特 征的中心频率. 从表 １ 和表 ２ 可以发现ꎬ利用不同谐波上频谱 能量的大小来表征地物剖面线的特征ꎬ不但可以显 示出地物波形的频率成分组成ꎬ而且还可以反映不 同频率的成分在地物剖面线的波动中所占的比重ꎬ 从而很好地揭示各个频率成分对地物特征的影响程 度.如图 ３ 频谱能量分布图所示ꎬ除了直流中心(为 了显示方便ꎬ频率为 １ 时对应直流分量)以外ꎬ当 ｋ ＝ ３ 时ꎬ频率能量 Ｅｋ达到最大值.另外ꎬ当谐波次数分 别为 ３、７、１０、１２、１４、１６ 以及 ２０ 附近时ꎬ能量谱曲线 均出现不同程度的峰值ꎬ并且距离频谱中心越来越 远ꎬ频谱峰值也越来越小.然而ꎬ这些峰值是否一定 是剖面线隐含周期对应的频率ꎬ还需要进行显著性 检验.因为即使不含任何谐波分量的信号ꎬ也会由于 采样引起的频谱能量波动而出现“伪峰”.由式(２)、 (３)可以求得上述剖面亮度响应序列的总方差、不 同谐波 ｋ 的方差贡献及其统计检验量 Ｆｋꎬ具体计算 结果如表 ２ 所示.因此通过设计中心频率为０.０１周/ 像元的多尺度 Ｇａｂｏｒ 滤波器组ꎬ就可以增强图像中 飞机目标.Ｇａｂｏｒ 滤波器相比其他滤波器具有频率选 择性ꎬ可实现频域特征筛选.实验中将飞机的频域特 征 ｆ 作为 Ｇａｂｏｒ 滤波器的中心频率输入. 图 ３ 剖面亮度曲线频谱能量分布 Ｆｉｇ.３ Ｓｐｅｃｔｒｕｍ ｅｎｅｒｇｙ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｅｃｔｉｏｎ ｉｎｔｅｎｓｉｔｙ ｃｕｒｖｅ 表 ２ 飞机目标圆周剖面亮度曲线谐波分析结果 Ｔａｂｌｅ ２ Ｃｉｒｃｕｌａｒ ｓｅｃｔｉｏｎ ｉｎｔｅｎｓｉｔｙ ｃｕｒｖｅ ｏｆ ｔｈｅ ｈａｒｍｏｎｉｃ ａｎａｌｙｓｉｓ ｒｅｓｕｌｔｓ 谐波峰值点/ 谱半径 频率/ (周/ 像元) 方差 贡献率/ ％ 累计 贡献率/ ％ 统计检 验值Ｆ ｋ ３ ７ １０ １２ １４ １６ ２０ ０.０１０ ０.０２３ ０.０３３ ０.０３９ ０.０４６ ０.０５２ ０.０６５ ２６.３５２ ３.８７０ １１.０４９ ４.７８３ ３.８６８ ５.５４９ １.７２３ ２６.３５２ ３０.２２２ ４１.２７１ ４６.０５４ ４９.９２２ ５５.４７１ ５７.１９４ ５４.３８７ ６.１１９ １８.８８１ ７.６３６ ６.１１７ ８.９３１ ２.６６６ ２ 基于 Ｇａｂｏｒ 滤波器组的频域特征提取 Ｄａｕｇｍａｎ 将一维 Ｇａｂｏｒ 函数推广到二维空间ꎬ 得到二维 Ｇａｂｏｒ 函数: ｇ(ｘꎬｙ) ＝ １ ２π ２σｘσｙ ｅ － １ ２ [( ｘ σｘ ) ２＋( ｙ σｙ ) ２] ＋ｊ(ｕ０ ｘ＋ｖ０ ｙ) . (４) 式中:(ｕ０ ꎬｖ０ )为滤波器的中心频率ꎬ中心频率越小ꎬ 提取的纹理特征尺度越大ꎻσｘ和 σｙ分别为滤波器在 ｘ 和 ｙ 方向上的径长ꎬ它们共同确定了滤波器的径向角 度 θ.Ｇａｂｏｒ 滤波器的实部为偶对称滤波器ꎬ虚部为奇 对称滤波器.Ｇａｂｏｒ 滤波器的性能主要由 ５ 个参数 ｕ０ 、 ｖ０ 、σｘ、σｙ 和 θ 确定ꎬ设计 Ｇａｂｏｒ 滤波器的主要任务就 是确定这些参数.Ｇａｂｏｒ 滤波器组的非正交性意味着 经滤波后的图像中有冗余信息.为了尽可能地检测所 有方向和所有频率的特性ꎬ滤波器组必须均匀覆盖矩 形的频谱平面.由于 Ｇａｂｏｒ 滤波器的对称性ꎬ这些滤波 器表现为围绕原点对称的高斯函数ꎬ它们的长宽比率 控制了方向选择性ꎬ因此它们的长宽比、相互间隔和 所有方向数ꎬ共同保证了对二维频谱的均匀覆盖.实 验过程中发现ꎬ滤波器方向间隔设为 ３０°时ꎬ可以用最 少的滤波器均匀覆盖频率平面ꎬ因此这里的滤波器采 用 ６ 个方向ꎬ分别为 ０°、３０°、６０°、９０°、１２０°、１５０°.选取 ３ 个尺度 Ｇａｂｏｒ 滤波器ꎬ滤波器核的实部如图 ４(ａ)所 示ꎬ输入图像与 Ｇａｂｏｒ 滤波器核函数作卷积将在与其 振荡方向垂直的边缘产生强烈的响应ꎬ滤波结果如图 ４(ｂ)所示.也就是说 Ｇａｂｏｒ 核函数能检测输入图像中 一些具有相应方向的局部特征ꎬ这些局部特征构成了 输入图像对亮度、姿态变化不太敏感的特征表示. 图 ４ Ｇａｂｏｒ 核以及频率滤波响应 Ｆｉｇ.４ Ｇａｂｏｒ ｋｅｒｎｅｌ ａｎｄ ｆｉｌｔｅｒ ｆｒｅｑｕｅｎｃｙ ｒｅｓｐｏｎｓｅ ４６２ 智 能 系 统 学 报 第 ８ 卷
第5期 尹辉，等：一种频域特征的飞机目标提取方法 ·463. 图像如图5(c)所示，可以发现图中飞机目标整体区 3 实验与分析 域明显，且噪声干扰小.因此为了更准确地将飞机目 实验选取一幅卫星遥感图像验证本文提出算法 标从背景中分割出来，将2幅特征图5(b)、5(c)进 的有效性，首先以中心频率为0.01周/像元、3个尺度 行融合.通过阈值分割方法将图像5()转变为二值 (大小为3、5、7)、6个方向(0°、30°、60°、90°、120°、 图像，然后将图5(b)和图5(c)对应位置的幅值相 l50°)的多尺度Gabor组对图像进行滤波，将Gabor 乘进行融合，与图5(b)相比，图5(d)中飞机目标区 滤波后的18幅特征图进行幅值叠加，如图5(b)所 域比较完整，噪声得到有效的抑制最后利用数学形 示.从图5(b)中可以看出，经过Gabor滤波后飞机 态学的方法进行去噪、平滑等相关后处理操作，提取 目标亮度较高，说明前面分析得到的飞机中心频率 结果如图5(f)所示，通过canny边缘提取得到飞机 是有效的，但同时该特征图中有很强的噪声，这是因 目标区域（如图5(g),同时将目标提取结果标注 为Gabor滤波器可以提取局部纹理信息，并且6个 在原图像5(h)上. 方向的滤波叠加后会增强部分噪声.Gabor滤波后的 小公 (a)原图像 6)3尺度、6方向滤波结果融合 (e)Gagbor核滤波结果 (d(6)与(c)滤波融合图 小本个 本小个 本个 本小小 (e)形态学腐蚀 ⑨腐蚀后提取的飞机区域 (g提取目标边缘轮第)本文方法提取的飞机目标区域 小小欢 次个个 次金 )视觉显著图 ()提取的目标区域 k)目标区域二值化 ①文献11提取的飞机目标区域 图5实验图像 Fig.5 Test images 实验采用文献[11]中的基于视觉显著性的目 虽然也定位到全部的飞机目标，但没有完整提取出 标检测方法作对比，结果如图5(i)~5(1)所示，其中 目标轮廓，存在飞机机翼部分丢失、错将草坪区域当 图5(i)为提取的目标显著图，图5()为基于视觉显 作目标被检测出来的问题这是因为基于视觉注意 著图的目标检测结果，图5(1)为对比实验提取的结 机制模型主要提取颜色、纹理、亮度特征，并进行无 果.将图5(d)与5(1)对比发现文献[11]中的方法 监督的分类，而飞机目标通常在颜色上不具有显著
３ 实验与分析 实验选取一幅卫星遥感图像验证本文提出算法 的有效性ꎬ首先以中心频率为０.０１周/ 像元、３ 个尺度 (大小为 ３、５、７)、６ 个方向(０°、３０°、６０°、９０°、１２０°、 １５０°)的多尺度 Ｇａｂｏｒ 组对图像进行滤波ꎬ将 Ｇａｂｏｒ 滤波后的 １８ 幅特征图进行幅值叠加ꎬ如图 ５( ｂ)所 示.从图 ５( ｂ) 中可以看出ꎬ经过 Ｇａｂｏｒ 滤波后飞机 目标亮度较高ꎬ说明前面分析得到的飞机中心频率 是有效的ꎬ但同时该特征图中有很强的噪声ꎬ这是因 为 Ｇａｂｏｒ 滤波器可以提取局部纹理信息ꎬ并且 ６ 个 方向的滤波叠加后会增强部分噪声.Ｇａｂｏｒ 滤波后的 图像如图 ５(ｃ)所示ꎬ可以发现图中飞机目标整体区 域明显ꎬ且噪声干扰小.因此为了更准确地将飞机目 标从背景中分割出来ꎬ将 ２ 幅特征图 ５( ｂ)、５( ｃ)进 行融合.通过阈值分割方法将图像 ５(ｂ)转变为二值 图像ꎬ然后将图 ５(ｂ)和图 ５(ｃ)对应位置的幅值相 乘进行融合ꎬ与图 ５(ｂ)相比ꎬ图 ５(ｄ)中飞机目标区 域比较完整ꎬ噪声得到有效的抑制.最后利用数学形 态学的方法进行去噪、平滑等相关后处理操作ꎬ提取 结果如图 ５(ｆ)所示ꎬ通过 ｃａｎｎｙ 边缘提取得到飞机 目标区域(如图 ５( ｇ))ꎬ同时将目标提取结果标注 在原图像 ５(ｈ)上. 图 ５ 实验图像 Ｆｉｇ.５ Ｔｅｓｔ ｉｍａｇｅｓ 实验采用文献[１１]中的基于视觉显著性的目 标检测方法作对比ꎬ结果如图 ５(ｉ) ~５(ｌ)所示ꎬ其中 图 ５(ｉ)为提取的目标显著图ꎬ图 ５(ｊ)为基于视觉显 著图的目标检测结果ꎬ图 ５(ｌ)为对比实验提取的结 果.将图 ５(ｄ)与 ５( ｌ)对比发现文献[１１]中的方法 虽然也定位到全部的飞机目标ꎬ但没有完整提取出 目标轮廓ꎬ存在飞机机翼部分丢失、错将草坪区域当 作目标被检测出来的问题.这是因为基于视觉注意 机制模型主要提取颜色、纹理、亮度特征ꎬ并进行无 监督的分类ꎬ而飞机目标通常在颜色上不具有显著 第 ５ 期 尹辉ꎬ等:一种频域特征的飞机目标提取方法 ４６３
·464. 智能系统学报 第8卷 性，这样草地、房屋等背景就会干扰目标的提取.而 [6]余珊，吴秀清.基于变分域的主动形状模型标记点，自动 本文的算法是在分析目标形状特征的基础上，提取 标定[J].计算机仿真，2008,25(3)：227-230. 了与目标形状相关的频域特征，并结合了目标的区 YU Shan,WU Xiuqing.Automatic marking for landmarks of 域纹理、光谱特征，且这些是区分飞机目标与背景最 active shape model based on variation domain[J].Computer 重要的特征；因此本文方法更具有针对性，效果更加 Simulation,2008,25(3):227-230. [7]蔡红萍，耿振伟，粟毅遥感图像飞机检测新方法一圆 显著，可以清楚、准确、完整地提取出飞机目标，便于 周频率滤波法[J].信号处理，2007,33(4)：539-543. 后续的识别工作。 CAI Hongping,GENG Zhenwei,SU Yi.A new method to 4 结束语 detect airplanes in remote sensing image-circle-frequency filter[J].Signal Processing,2007,33(4):539-543. 遥感影像中目标的智能解译是遥感和地球空间 [8]张国云，章兢.基于Gabor小波的多尺度PCA支持向量机 科学等领域研究的热点，也是亟待解决的一个技术 人脸识别方法[J].数据采集与处理，2009,24(4)：437- 难点，而对感兴趣目标的检测与提取是后续识别工 442. 作的基础.本文针对机场中飞机目标的提取问题，在 ZHANG Guoyun,ZHANG Jing.Multi-scale PCA support vector machine algorithm based on Gabor wavelet for face 引入目标形状先验知识的基础上，提出用圆周剖面 recognition[J].Journal of Data Acquisition Processing, 亮度曲线来描述飞机形状，以曲线的中心频率作为 2009,24(4):437-442. 飞机的频域特征，并结合多尺度Gabor滤波器的设 [9]BAU T C,SARKAR S,HEALEY G.Hyperspectral region 计来实现飞机目标的检测通过实验与基于视觉显 classification using a three-dimensional Gabor filterbank[J]. 著图的目标检测方法作比较，验证了该方法的可行 IEEE Transactions on Geoscience and Remote Sensing, 性和优越性.根据频谱信息研究遥感图像的特征提 2010,48(9):3457-3464. 取与图像分割是一种非常有价值的学术思路，可为 [10]万伟，冯学智，肖鹏峰，等.基于傅里叶描述子的高分辨 遥感图像的处理和应用开辟新的途径，对空域处理 率遥感图像地物形状特征表达[J].遥感学报，2011,15 方法是很好的补充，并为特定目标中心频率的确定 (1):73-87. 提供参考依据 WAN Wei,FENG Xuezhi,XIAO Pengfeng,et al.Shape feature representation of ground objects from high-resolu- 参考文献： tion remotely sensed imagery based on Fourier descriptors [J].Journal of Remote Sensing,2011,15(1):73-87. [1]MARTIN R,MARFIL R,NUNEZ P,et al.A novel approach [11]ACHANTA R,HEMAMI S,ESTRADA F,et al.Frequen- for salient image regions detection and description[].Pattern cy-tuned salient region detection[C]//IEEE International Recognition Letters,2009,30(16):1464-1467. Conference on Computer Vision and Pattern Recognition. [2]CHANG L,PALANCAR J H,SUCAR L E,et al.FPGA- Miami,USA,2009:1597-1604. based detection of SIFT interest keypoints[J].Joumal of E- 作者简介： lectronic Imaging,2013,10(2):371-392. 尹辉，男，1989年生，硕士研究生 [3]BUTAKOFF C,FRANGI A F.Multi-view face segmentation 主要研究方向为数字图像处理与模式 using fusion of statistical shape and appearance models[J]. 识别. Computer Vision and Image Understanding,2010,114(3): 311-321 [4]FELZENSZWALB P,MCALLEATE D,RAMANAN D.A discriminatively trained,multi scale,deformable part model C//IEEE Computer Society Conference on Computer Vi- 谷峰，男，1964年生，教授，硕士生 sion and Pattern Recognition.Anchorage,USA,2008:1-8. 导师，主要研究方向为数字图像处理、 [5]王鹏伟，吴秀清，余珊.基于角点特征和自适应核聚类算 模式识别、复杂系统仿真.发表学术论 法的目标识别[J]计算机工程，2007,33(6)：179-181 文50余篇，出版著作5部. WANG Pengwei,WU Xiuqing,YU Shan.Target identifica- tion based on corner character and self-adaptive kernel clus- tering algorithm[J].Computer Engineering,2007,33(6): 179-181
性ꎬ这样草地、房屋等背景就会干扰目标的提取.而 本文的算法是在分析目标形状特征的基础上ꎬ提取 了与目标形状相关的频域特征ꎬ并结合了目标的区 域纹理、光谱特征ꎬ且这些是区分飞机目标与背景最 重要的特征ꎻ因此本文方法更具有针对性ꎬ效果更加 显著ꎬ可以清楚、准确、完整地提取出飞机目标ꎬ便于 后续的识别工作. ４ 结束语 遥感影像中目标的智能解译是遥感和地球空间 科学等领域研究的热点ꎬ也是亟待解决的一个技术 难点ꎬ而对感兴趣目标的检测与提取是后续识别工 作的基础.本文针对机场中飞机目标的提取问题ꎬ在 引入目标形状先验知识的基础上ꎬ提出用圆周剖面 亮度曲线来描述飞机形状ꎬ以曲线的中心频率作为 飞机的频域特征ꎬ并结合多尺度 Ｇａｂｏｒ 滤波器的设 计来实现飞机目标的检测.通过实验与基于视觉显 著图的目标检测方法作比较ꎬ验证了该方法的可行 性和优越性.根据频谱信息研究遥感图像的特征提 取与图像分割是一种非常有价值的学术思路ꎬ可为 遥感图像的处理和应用开辟新的途径ꎬ对空域处理 方法是很好的补充ꎬ并为特定目标中心频率的确定 提供参考依据. 参考文献: [１]ＭＡＲＴＩＮ Ｒꎬ ＭＡＲＦＩＬ Ｒꎬ ＮＵＮＥＺ Ｐꎬ ｅｔ ａｌ. Ａ ｎｏｖｅｌ ａｐｐｒｏａｃｈ ｆｏｒ ｓａｌｉｅｎｔ ｉｍａｇｅ ｒｅｇｉｏｎｓ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｄｅｓｃｒｉｐｔｉｏｎ[Ｊ]. Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓꎬ ２００９ꎬ ３０(１６): １４６４￣１４６７. [２]ＣＨＡＮＧ Ｌꎬ ＰＡＬＡＮＣＡＲ Ｊ Ｈꎬ ＳＵＣＡＲ Ｌ Ｅꎬ ｅｔ ａｌ. ＦＰＧＡ￣ ｂａｓｅｄ ｄｅｔｅｃｔｉｏｎ ｏｆ ＳＩＦＴ ｉｎｔｅｒｅｓｔ ｋｅｙｐｏｉｎｔｓ[Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｅ￣ ｌｅｃｔｒｏｎｉｃ Ｉｍａｇｉｎｇꎬ ２０１３ꎬ １０(２): ３７１￣３９２. [３]ＢＵＴＡＫＯＦＦ Ｃꎬ ＦＲＡＮＧＩ Ａ Ｆ. Ｍｕｌｔｉ￣ｖｉｅｗ ｆａｃｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｆｕｓｉｏｎ ｏｆ ｓｔａｔｉｓｔｉｃａｌ ｓｈａｐｅ ａｎｄ ａｐｐｅａｒａｎｃｅ ｍｏｄｅｌｓ[ Ｊ]. Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇꎬ ２０１０ꎬ １１４(３): ３１１￣３２１. [４] ＦＥＬＺＥＮＳＺＷＡＬＢ Ｐꎬ ＭＣＡＬＬＥＡＴＥ Ｄꎬ ＲＡＭＡＮＡＮ Ｄ. Ａ ｄｉｓｃｒｉｍｉｎａｔｉｖｅｌｙ ｔｒａｉｎｅｄꎬ ｍｕｌｔｉ ｓｃａｌｅꎬ ｄｅｆｏｒｍａｂｌｅ ｐａｒｔ ｍｏｄｅｌ [Ｃ] / / ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉ￣ ｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ. Ａｎｃｈｏｒａｇｅꎬ ＵＳＡꎬ ２００８: １￣８. [５]王鹏伟ꎬ吴秀清ꎬ余珊.基于角点特征和自适应核聚类算 法的目标识别[Ｊ].计算机工程ꎬ ２００７ꎬ ３３(６): １７９￣１８１. ＷＡＮＧ Ｐｅｎｇｗｅｉꎬ ＷＵ Ｘｉｕｑｉｎｇꎬ ＹＵ Ｓｈａｎ. Ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａ￣ ｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｏｒｎｅｒ ｃｈａｒａｃｔｅｒ ａｎｄ ｓｅｌｆ￣ａｄａｐｔｉｖｅ ｋｅｒｎｅｌ ｃｌｕｓ￣ ｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ[Ｊ]. Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇꎬ ２００７ꎬ ３３(６): １７９￣１８１. [６]余珊ꎬ吴秀清.基于变分域的主动形状模型标记点ꎬ自动 标定[Ｊ].计算机仿真ꎬ ２００８ꎬ ２５(３): ２２７￣２３０. ＹＵ Ｓｈａｎꎬ ＷＵ Ｘｉｕｑｉｎｇ. Ａｕｔｏｍａｔｉｃ ｍａｒｋｉｎｇ ｆｏｒ ｌａｎｄｍａｒｋｓ ｏｆ ａｃｔｉｖｅ ｓｈａｐｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｖａｒｉａｔｉｏｎ ｄｏｍａｉｎ[Ｊ]. Ｃｏｍｐｕｔｅｒ Ｓｉｍｕｌａｔｉｏｎꎬ ２００８ꎬ ２５(３): ２２７￣２３０. [７]蔡红萍ꎬ耿振伟ꎬ粟毅.遥感图像飞机检测新方法———圆 周频率滤波法[Ｊ].信号处理ꎬ ２００７ꎬ ３３(４): ５３９￣５４３. ＣＡＩ Ｈｏｎｇｐｉｎｇꎬ ＧＥＮＧ Ｚｈｅｎｗｅｉꎬ ＳＵ Ｙｉ. Ａ ｎｅｗ ｍｅｔｈｏｄ ｔｏ ｄｅｔｅｃｔ ａｉｒｐｌａｎｅｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ—ｃｉｒｃｌｅ￣ｆｒｅｑｕｅｎｃｙ ｆｉｌｔｅｒ[Ｊ]. Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇꎬ ２００７ꎬ ３３(４): ５３９￣５４３. [８]张国云ꎬ章兢.基于 Ｇａｂｏｒ 小波的多尺度 ＰＣＡ 支持向量机 人脸识别方法[Ｊ].数据采集与处理ꎬ ２００９ꎬ ２４(４): ４３７￣ ４４２. ＺＨＡＮＧ Ｇｕｏｙｕｎꎬ ＺＨＡＮＧ Ｊｉｎｇ. Ｍｕｌｔｉ￣ｓｃａｌｅ ＰＣＡ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｇａｂｏｒ ｗａｖｅｌｅｔ ｆｏｒ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ[ Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ ＆ Ｐｒｏｃｅｓｓｉｎｇꎬ ２００９ꎬ ２４(４): ４３７￣４４２. [９]ＢＡＵ Ｔ Ｃꎬ ＳＡＲＫＡＲ Ｓꎬ ＨＥＡＬＥＹ Ｇ. Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｇｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ａ ｔｈｒｅｅ￣ｄｉｍｅｎｓｉｏｎａｌ Ｇａｂｏｒ ｆｉｌｔｅｒｂａｎｋ[Ｊ]. ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇꎬ ２０１０ꎬ ４８(９): ３４５７￣３４６４. [１０]万伟ꎬ冯学智ꎬ肖鹏峰ꎬ等.基于傅里叶描述子的高分辨 率遥感图像地物形状特征表达[Ｊ].遥感学报ꎬ ２０１１ꎬ １５ (１): ７３￣８７. ＷＡＮ Ｗｅｉꎬ ＦＥＮＧ Ｘｕｅｚｈｉꎬ ＸＩＡＯ Ｐｅｎｇｆｅｎｇꎬ ｅｔ ａｌ. Ｓｈａｐｅ ｆｅａｔｕｒｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｇｒｏｕｎｄ ｏｂｊｅｃｔｓ ｆｒｏｍ ｈｉｇｈ￣ｒｅｓｏｌｕ￣ ｔｉｏｎ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｒｙ ｂａｓｅｄ ｏｎ Ｆｏｕｒｉｅｒ ｄｅｓｃｒｉｐｔｏｒｓ [Ｊ]. Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇꎬ ２０１１ꎬ １５(１): ７３￣８７. [１１]ＡＣＨＡＮＴＡ Ｒꎬ ＨＥＭＡＭＩ Ｓꎬ ＥＳＴＲＡＤＡ Ｆꎬ ｅｔ ａｌ. Ｆｒｅｑｕｅｎ￣ ｃｙ￣ｔｕｎｅｄ ｓａｌｉｅｎｔ ｒｅｇｉｏｎ ｄｅｔｅｃｔｉｏｎ[Ｃ] / / ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ. Ｍｉａｍｉꎬ ＵＳＡꎬ ２００９: １５９７￣１６０４. 作者简介: 尹辉ꎬ男ꎬ１９８９ 年生ꎬ硕士研究生ꎬ 主要研究方向为数字图像处理与模式 识别. 谷峰ꎬ男ꎬ１９６４ 年生ꎬ教授ꎬ硕士生 导师ꎬ主要研究方向为数字图像处理、 模式识别、复杂系统仿真.发表学术论 文 ５０ 余篇ꎬ出版著作 ５ 部. ４６４ 智 能 系 统 学 报 第 ８ 卷
