第11卷第5期 智能系统学报 Vol.11 No.5 2016年10月 CAAI Transactions on Intelligent Systems 0ct.2016 D0I:10.11992/is.201511011 网络出版地址：htp:/nww.cnki.net/kcms/detail/23.1538.TP.20160824.0929.012.html 多特征的光学遥感图像多目标识别算法 姬晓飞，秦宁丽2，刘洋1 (1.沈阳航空航天大学自动化学院，辽宁沈阳110136：2.北京国电通网络技术有限公司，北京100070) 摘要：基于单一特征的光学遥感图像多目标分类识别存在准确性较差的问题，提出一种新的基于多特征决策级融 合的多目标分类识别算法。首先对光学遥感图像目标提取3种能够同时满足平移、旋转和尺度不变性的特征：可以 描述局部和全局分布特性的分层BoF-SIFT特征，描述目标边缘轮廓点信息的改进后的SC形状特征，对图像中较大 目标识别较好的H山不变矩特征：其次采用基于径向基核函数的一对一支持向量机算法分别获得3种特征的目标识 别概率，并设计了一种多特征决策级加权融合的策略实现对多目标的分类。经多次实验验证该算法对光学遥感图 像多目标具有较好的分类识别性能，达到了93.52%的正确识别率。 关键词：光学遥感图像；多特征的决策级融合；分层的BoF-SIFT特征：SC形状特征；Hu不变矩特征；支持向量机 中图分类号：TP751.1文献标志码：A文章编号：1673-4785(2016)05-0655-08 中文引用格式：姬晓飞，秦宁丽，刘洋.多特征的光学遥感图像多目标识别算法研究[J].智能系统学报，2016,11(5)：655-662. 英文引用格式：JI Xiaofei,QIN Ningli,LIU Yang.Research on multi-feature based multi--target recognition algorithm for optical re- mote sensing image[J].CAAI transactions on intelligent systems,2016,11(5):655-662. Research on multi-feature based multi-target recognition algorithm for optical remote sensing image JI Xiaofei',QIN Ningli2,LIU Yang' (1.School of Automation,Shenyang Aerospace University,Shenyang 110136,China;2.Beijing GuoDianTong Network Technology Co. Ltd,Beijing 100070,China) Abstract:A novel multi-feature decision level fusion recognition algorithm is proposed to solve the problem of poor levels of accuracy with single feature based multi-target classification of optical remote sensing images.Firstly,three kinds of features which can not only meet translation,rotation,and scale invariance are extracted.One is the hier- archical BoF-SIFT feature which can simultaneously describe local and global distributions.Another is the improved shape context feature which is used to describe the target edge contour point information.The other one is Hu mo- ment invariants which gives better levels of recognition performance for large targets.Secondly,the recognition probabilities of these features are obtained using a one versus one support vector machine based on a radial basis function.Thirdly a strategy for multi-feature decision level fusion is designed.A large number of experiments show that the algorithm for multi-target classification of optical remote sensing images performs better with the recognition rate of targets reaching 93.52%. Keywords:optical remote sensing image;multi-features decision level fusion;hierarchical BoF-SIFT feature; shape context feature;Hu moment invariants;support vector machine 随着遥感技术和模式识别技术的不断发展，遥 标分类识别，已经成为了遥感图像处理和分析领域 感图像目标分类识别，尤其是光学遥感图像中的目 备受关注的重要方向山。 光学遥感图像目标识别算法的准确性很大程度 收稿日期：2015-11-10.网络出版日期：2016-08-24. 基金项目：国家自然科学基金项目(61103123)：辽宁省高等学校优秀人 上取决于所提取特征的适应性。文献[2]提出了基 才支持计划项目(LJQ214018):辽宁省自然科学基金项目 (2015020101). 于自组织特征映射(self-organizing feature map, 通信作者：姬晓飞.E-mail:jixiaofei7804@126.com. SOFM)网络模型的纹理分类算法，该算法仅对飞机
第 １１ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．５ ２０１６ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１５１１０１１ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１６０８２４．０９２９．０１２．ｈｔｍｌ 多特征的光学遥感图像多目标识别算法 姬晓飞１ ，秦宁丽２ ，刘洋１ （１．沈阳航空航天大学 自动化学院，辽宁 沈阳 １１０１３６； ２．北京国电通网络技术有限公司，北京 １０００７０） 摘 要：基于单一特征的光学遥感图像多目标分类识别存在准确性较差的问题，提出一种新的基于多特征决策级融 合的多目标分类识别算法。 首先对光学遥感图像目标提取 ３ 种能够同时满足平移、旋转和尺度不变性的特征：可以 描述局部和全局分布特性的分层 ＢｏＦ⁃ＳＩＦＴ 特征，描述目标边缘轮廓点信息的改进后的 ＳＣ 形状特征，对图像中较大 目标识别较好的 Ｈｕ 不变矩特征；其次采用基于径向基核函数的一对一支持向量机算法分别获得 ３ 种特征的目标识 别概率，并设计了一种多特征决策级加权融合的策略实现对多目标的分类。 经多次实验验证该算法对光学遥感图 像多目标具有较好的分类识别性能，达到了 ９３．５２％的正确识别率。 关键词：光学遥感图像；多特征的决策级融合；分层的 ＢｏＦ⁃ＳＩＦＴ 特征；ＳＣ 形状特征；Ｈｕ 不变矩特征；支持向量机 中图分类号：ＴＰ７５１．１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１６）０５⁃０６５５⁃０８ 中文引用格式：姬晓飞，秦宁丽，刘洋．多特征的光学遥感图像多目标识别算法研究［Ｊ］． 智能系统学报， ２０１６， １１（５）： ６５５⁃６６２． 英文引用格式：ＪＩ Ｘｉａｏｆｅｉ， ＱＩＮ Ｎｉｎｇｌｉ， ＬＩＵ Ｙａｎｇ．Ｒｅｓｅａｒｃｈ ｏｎ ｍｕｌｔｉ⁃ｆｅａｔｕｒｅ ｂａｓｅｄ ｍｕｌｔｉ⁃ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｐｔｉｃａｌ ｒｅ⁃ ｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１６，１１（５）：６５５⁃６６２． Ｒｅｓｅａｒｃｈ ｏｎ ｍｕｌｔｉ⁃ｆｅａｔｕｒｅ ｂａｓｅｄ ｍｕｌｔｉ⁃ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ＪＩ Ｘｉａｏｆｅｉ １ ， ＱＩＮ Ｎｉｎｇｌｉ ２ ， ＬＩＵ Ｙａｎｇ １ （１．Ｓｃｈｏｏｌ ｏｆ Ａｕｔｏｍａｔｉｏｎ， Ｓｈｅｎｙａｎｇ Ａｅｒｏｓｐａｃｅ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０１３６， Ｃｈｉｎａ； ２．Ｂｅｉｊｉｎｇ ＧｕｏＤｉａｎＴｏｎｇ Ｎｅｔｗｏｒｋ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ． Ｌｔｄ， Ｂｅｉｊｉｎｇ １０００７０， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｎｏｖｅｌ ｍｕｌｔｉ⁃ｆｅａｔｕｒｅ ｄｅｃｉｓｉｏｎ ｌｅｖｅｌ ｆｕｓｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｐｏｏｒ ｌｅｖｅｌｓ ｏｆ ａｃｃｕｒａｃｙ ｗｉｔｈ ｓｉｎｇｌｅ ｆｅａｔｕｒｅ ｂａｓｅｄ ｍｕｌｔｉ⁃ｔａｒｇｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ． Ｆｉｒｓｔｌｙ， ｔｈｒｅｅ ｋｉｎｄｓ ｏｆ ｆｅａｔｕｒｅｓ ｗｈｉｃｈ ｃａｎ ｎｏｔ ｏｎｌｙ ｍｅｅｔ ｔｒａｎｓｌａｔｉｏｎ， ｒｏｔａｔｉｏｎ， ａｎｄ ｓｃａｌｅ ｉｎｖａｒｉａｎｃｅ ａｒｅ ｅｘｔｒａｃｔｅｄ． Ｏｎｅ ｉｓ ｔｈｅ ｈｉｅｒ⁃ ａｒｃｈｉｃａｌ ＢｏＦ⁃ＳＩＦＴ ｆｅａｔｕｒｅ ｗｈｉｃｈ ｃａｎ ｓｉｍｕｌｔａｎｅｏｕｓｌｙ ｄｅｓｃｒｉｂｅ ｌｏｃａｌ ａｎｄ ｇｌｏｂａｌ ｄｉｓｔｒｉｂｕｔｉｏｎｓ． Ａｎｏｔｈｅｒ ｉｓ ｔｈｅ ｉｍｐｒｏｖｅｄ ｓｈａｐｅ ｃｏｎｔｅｘｔ ｆｅａｔｕｒｅ ｗｈｉｃｈ ｉｓ ｕｓｅｄ ｔｏ ｄｅｓｃｒｉｂｅ ｔｈｅ ｔａｒｇｅｔ ｅｄｇｅ ｃｏｎｔｏｕｒ ｐｏｉｎｔ ｉｎｆｏｒｍａｔｉｏｎ． Ｔｈｅ ｏｔｈｅｒ ｏｎｅ ｉｓ Ｈｕ ｍｏ⁃ ｍｅｎｔ ｉｎｖａｒｉａｎｔｓ ｗｈｉｃｈ ｇｉｖｅｓ ｂｅｔｔｅｒ ｌｅｖｅｌｓ ｏｆ ｒｅｃｏｇｎｉｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ｌａｒｇｅ ｔａｒｇｅｔｓ． Ｓｅｃｏｎｄｌｙ， ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｉｅｓ ｏｆ ｔｈｅｓｅ ｆｅａｔｕｒｅｓ ａｒｅ ｏｂｔａｉｎｅｄ ｕｓｉｎｇ ａ ｏｎｅ ｖｅｒｓｕｓ ｏｎｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｂａｓｅｄ ｏｎ ａ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ． Ｔｈｉｒｄｌｙ ａ ｓｔｒａｔｅｇｙ ｆｏｒ ｍｕｌｔｉ⁃ｆｅａｔｕｒｅ ｄｅｃｉｓｉｏｎ ｌｅｖｅｌ ｆｕｓｉｏｎ ｉｓ ｄｅｓｉｇｎｅｄ． Ａ ｌａｒｇｅ ｎｕｍｂｅｒ ｏｆ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｍｕｌｔｉ⁃ｔａｒｇｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｐｅｒｆｏｒｍｓ ｂｅｔｔｅｒ ｗｉｔｈ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ ｏｆ ｔａｒｇｅｔｓ ｒｅａｃｈｉｎｇ ９３．５２％． Ｋｅｙｗｏｒｄｓ：ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ； ｍｕｌｔｉ⁃ｆｅａｔｕｒｅｓ ｄｅｃｉｓｉｏｎ ｌｅｖｅｌ ｆｕｓｉｏｎ； ｈｉｅｒａｒｃｈｉｃａｌ ＢｏＦ⁃ＳＩＦＴ ｆｅａｔｕｒｅ； ｓｈａｐｅ ｃｏｎｔｅｘｔ ｆｅａｔｕｒｅ； Ｈｕ ｍｏｍｅｎｔ ｉｎｖａｒｉａｎｔｓ； ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ 收稿日期：２０１５⁃１１⁃１０． 网络出版日期：２０１６⁃０８⁃２４． 基金项目：国家自然科学基金项目（６１１０３１２３）；辽宁省高等学校优秀人 才支持计划项目（ ＬＪＱ２１４０１８）；辽宁省自然科学基金项目 （２０１５０２０１０１）． 通信作者：姬晓飞． Ｅ⁃ｍａｉｌ：ｊｉｘｉａｏｆｅｉ７８０４＠ １２６．ｃｏｍ． 随着遥感技术和模式识别技术的不断发展，遥 感图像目标分类识别，尤其是光学遥感图像中的目 标分类识别，已经成为了遥感图像处理和分析领域 备受关注的重要方向［１］ 。 光学遥感图像目标识别算法的准确性很大程度 上取决于所提取特征的适应性。 文献［２］提出了基 于自 组 织 特 征 映 射 （ ｓｅｌｆ⁃ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍａｐ， ＳＯＦＭ）网络模型的纹理分类算法，该算法仅对飞机
·656 智能系统学报 第11卷 目标得到了较好的识别效果：文献[3]提出了一种 变性； 能同时检测多个半径不一的圆形目标的Hough改 进算法；文献[4]采用模板匹配方法对提取了边缘 分层的 SVM BoF-SIFT 分类器 特征的目标进行粗检测，然后利用形状模型完成细 特征 决策级融合 匹配进行飞机的识别，这一过程中采用PCA(princi- 训练集 改进的SC SVM 特征 分类器2 算法 pal component analysis)降维方法增强样本空间的可 H不店币 样本库 SVM 描述性，但耗时较长，通用性不强。以上研究表明： 特征 分类器3 类 单一特征的识别性能有限，将单一特征应用在多类 测试集 特征提取 目标分类识别上容易造成某一类目标的显著特征丢 失而降低识别的准确性。因此多特征融合是提高多 图1算法的整体框架 Fig.1 The framework of the algorithm 目标分类识别性能的一个有效方案。 在多特征融合领域包含特征级和决策级融合2 2)分类器的训练：利用3种特征，采用交叉验 个方面，特征级融合保留了目标的有效信息且分类 证的方法训练基于径向基核函数的一对一支持向量 精度较高，但该类方法不宜实现多种异构特征的融 机，得到多个一对一的支持向量机分类器： 合；决策级融合整体上降低了误判率，计算复杂度低 3)根据所设计的决策级概率融合策略，确定最 且易于实现异构特征的融合。文献[5]对高分辨率 优的概率融合权值： 遥感图像多个场景分别提取图像的视觉词袋局部特 4)将测试集特征分别送入已训练好的相对应 征、颜色直方图特征以及Gabor纹理特征，并对SVM 的支持向量机分类器得到单一特征的输出概率，在 (support vector machine)分类结果进行自适应加权 最优权值组合的基础上得到决策级融合结果。 综合获得了较高的识别率。该算法在决策级融合过 2多特征提取 程中较合理地解决了不同目标的显著特征差异性问 题，但所选择的数据库存在一定的偶然因素；文献 特征提取是目标分类识别中至关重要的一步 [6]采用多核学习的决策级融合算法实现对飞机、 本文选取了能够适应光学遥感图像平移、缩放和旋 油罐和舰船的分类。该方法融合了目标的形状核、 转差异性的分层的BoF-SIFT特征、改进的SC特征 点核以及外观核，得到了较理想的识别结果，然而耗 和Hu不变矩特征。 时较长，分析其所用数据库可知目标的旋转差异性 2.1分层的BoF-SIFT特征 小，特征适应性不强。尽管多特征决策级融合在解 鉴于遥感图像目标在尺度、缩放和旋转等方面 决分类问题上表现出了一定的优势，但计算复杂度 均具有较大的差异性，且在外界环境中受到光照强 较高是该类方法发展的最大瓶颈。 度、背景复杂及阴影的干扰，对目标的准确分类识别 综上所述，本文提出了一种新的多特征决策级 带来了极大的难度。由于SIFT(scale invariant fea- 融合的多类目标识别算法，在特征提取阶段提出了 ture transform)特征在多种特征描述算子中拥有较 一种对目标的全局和局部特性描述充分的分层的 优的鲁棒性，广泛应用在各个领域，因此本文在传统 BoF-SIFT(bag of feature-scale invariant feature trans- 的SIFT特征基础上提出了一种分层的BoF-SIFT特 form)特征，并对传统的形状SC(shape context)特征 征对遥感图像进行表示。 做了多方面的改进使其具有较强旋转适应性，在分 首先针对每个目标所能检测到的特征点数量和 类识别阶段设计了多特征决策级融合策略，该融合 位置不同，导致SFT特征维数不唯一的问题，本文 方法易于实现，最终取得令人满意的识别结果。 采用固定目标的特征点数及位置的方法给予处理： 其次BoF思想能直观地表示目标的特征，既能体现 1 算法整体框架 同一目标的相似度，又能体现不同目标的差异性：图 本文算法的整体框架如图1所示。 像金字塔思想能更细致地表示目标特征的分布特性， 算法大致分为4个步骤。 以上3点结合就得到了分层的BoF-SFT特征表示。 1)特征提取：将光学遥感图像中的4类目标分 生成分层的BoF-SFT特征的过程如图2所示。 为训练集和测试集，分别提取分层的BoF-SFT特 1)生成SFT描述子：样本总数为m,目标的像 征、改进的SC特征和Hu不变矩特征，以上选取的3 素大小为100×100，为了能充分表示目标的局部特 种特征共性是都能满足目标的平移、缩放和旋转不 征及统一特征维数，除去边缘2个像素的边缘效应 将剩余区域均匀划分为11×11=121个特征点，每两
目标得到了较好的识别效果；文献［３］提出了一种 能同时检测多个半径不一的圆形目标的 Ｈｏｕｇｈ 改 进算法；文献［４］采用模板匹配方法对提取了边缘 特征的目标进行粗检测，然后利用形状模型完成细 匹配进行飞机的识别，这一过程中采用 ＰＣＡ（ｐｒｉｎｃｉ⁃ ｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）降维方法增强样本空间的可 描述性，但耗时较长，通用性不强。 以上研究表明： 单一特征的识别性能有限，将单一特征应用在多类 目标分类识别上容易造成某一类目标的显著特征丢 失而降低识别的准确性。 因此多特征融合是提高多 目标分类识别性能的一个有效方案。 在多特征融合领域包含特征级和决策级融合 ２ 个方面，特征级融合保留了目标的有效信息且分类 精度较高，但该类方法不宜实现多种异构特征的融 合；决策级融合整体上降低了误判率，计算复杂度低 且易于实现异构特征的融合。 文献［５］对高分辨率 遥感图像多个场景分别提取图像的视觉词袋局部特 征、颜色直方图特征以及 Ｇａｂｏｒ 纹理特征，并对 ＳＶＭ （ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）分类结果进行自适应加权 综合获得了较高的识别率。 该算法在决策级融合过 程中较合理地解决了不同目标的显著特征差异性问 题，但所选择的数据库存在一定的偶然因素；文献 ［６］采用多核学习的决策级融合算法实现对飞机、 油罐和舰船的分类。 该方法融合了目标的形状核、 点核以及外观核，得到了较理想的识别结果，然而耗 时较长，分析其所用数据库可知目标的旋转差异性 小，特征适应性不强。 尽管多特征决策级融合在解 决分类问题上表现出了一定的优势，但计算复杂度 较高是该类方法发展的最大瓶颈。 综上所述，本文提出了一种新的多特征决策级 融合的多类目标识别算法，在特征提取阶段提出了 一种对目标的全局和局部特性描述充分的分层的 ＢｏＦ⁃ＳＩＦＴ（ｂａｇ ｏｆ ｆｅａｔｕｒｅ⁃ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅ ｔｒａｎｓ⁃ ｆｏｒｍ）特征，并对传统的形状 ＳＣ（ｓｈａｐｅ ｃｏｎｔｅｘｔ）特征 做了多方面的改进使其具有较强旋转适应性，在分 类识别阶段设计了多特征决策级融合策略，该融合 方法易于实现，最终取得令人满意的识别结果。 １ 算法整体框架 本文算法的整体框架如图 １ 所示。 算法大致分为 ４ 个步骤。 １）特征提取：将光学遥感图像中的 ４ 类目标分 为训练集和测试集，分别提取分层的 ＢｏＦ⁃ＳＩＦＴ 特 征、改进的 ＳＣ 特征和 Ｈｕ 不变矩特征，以上选取的 ３ 种特征共性是都能满足目标的平移、缩放和旋转不 变性； 图 １ 算法的整体框架 Ｆｉｇ．１ Ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ２）分类器的训练：利用 ３ 种特征，采用交叉验 证的方法训练基于径向基核函数的一对一支持向量 机，得到多个一对一的支持向量机分类器； ３）根据所设计的决策级概率融合策略，确定最 优的概率融合权值； ４）将测试集特征分别送入已训练好的相对应 的支持向量机分类器得到单一特征的输出概率，在 最优权值组合的基础上得到决策级融合结果。 ２ 多特征提取 特征提取是目标分类识别中至关重要的一步， 本文选取了能够适应光学遥感图像平移、缩放和旋 转差异性的分层的 ＢｏＦ⁃ＳＩＦＴ 特征、改进的 ＳＣ 特征 和 Ｈｕ 不变矩特征。 ２．１ 分层的 ＢｏＦ⁃ＳＩＦＴ 特征 鉴于遥感图像目标在尺度、缩放和旋转等方面 均具有较大的差异性，且在外界环境中受到光照强 度、背景复杂及阴影的干扰，对目标的准确分类识别 带来了极大的难度。 由于 ＳＩＦＴ（ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａ⁃ ｔｕｒｅ ｔｒａｎｓｆｏｒｍ）特征在多种特征描述算子中拥有较 优的鲁棒性，广泛应用在各个领域，因此本文在传统 的 ＳＩＦＴ 特征基础上提出了一种分层的 ＢｏＦ⁃ＳＩＦＴ 特 征对遥感图像进行表示。 首先针对每个目标所能检测到的特征点数量和 位置不同，导致 ＳＩＦＴ 特征维数不唯一的问题，本文 采用固定目标的特征点数及位置的方法给予处理； 其次 ＢｏＦ 思想能直观地表示目标的特征，既能体现 同一目标的相似度，又能体现不同目标的差异性；图 像金字塔思想能更细致地表示目标特征的分布特性， 以上 ３ 点结合就得到了分层的 ＢｏＦ⁃ＳＩＦＴ 特征表示。 生成分层的 ＢｏＦ⁃ＳＩＦＴ 特征的过程如图 ２ 所示。 １）生成 ＳＩＦＴ 描述子：样本总数为 ｍ，目标的像 素大小为 １００×１００，为了能充分表示目标的局部特 征及统一特征维数，除去边缘 ２ 个像素的边缘效应 将剩余区域均匀划分为 １１×１１ ＝ １２１ 个特征点，每两 ·６５６· 智 能 系 统 学 报 第 １１ 卷
第5期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 .657· 个特征点相隔8个像素，然后以特征点为中心的 m×l21个特征点的SlFT描述进行K-means++聚 16×16邻域窗口采样，之后将其划分为4×4的子区 类[劉，该聚类方法弥补了传统的K-means聚类种子 域，对16个子区域进行平滑处理，在每个子区域内提 点随机选取的不足，图3和图4分别为不同目标的 取8个方向的幅值和梯度信息，即每个特征点的ST BoF-SIFT描述子和同一目标在不同旋转角度下的 描述子由4×4×8=128维的特征进行表示，最终得到所 BoF-SIFT特征表示，显然不同目标之间呈现了一定 有样本中m×121个特征点的ST描述子； 的差异性及同一目标之间具有一定的相似性，表明 2)生成BoF-SFT]特征：将所有样本中提取的 BoF-SIFT具有较好的旋转鲁棒性； 提取 16×16 window 128 window vector SIFT特征 SFT特征 解鼻多带 投影 (1) 密密流 (2) ※漫岁常 拼 Keypoint 提取原始图像的SIFT特征 (3) 4) 山围 Level, Level. Level K-Means+聚类 分层的21个维列向量 原图 生成BoF-SIFT特征BoF-SIFT特征 图2分层的BoF-SFT特征提取算法示意图 Fig.2 The processing of hierarchical features extraction 船舰 飞机 汽车 油罐 0.6 0.6 0.6 0.5 0.5 0.4 0.4 0.4 0.3 0.3 0.3 0.2 0.1 0.1 0.1 2468101214161820 02468101214161820 02468101214161820 0 46810121416182 聚类中心 聚类中心 聚类中心 聚类中心 图3不同目标的BoF-SFT描述子 Fig.3 The BoF-SIFT descriptors of different targets
个特征点相隔 ８ 个像素，然后以特征点为中心的 １６×１６邻域窗口采样，之后将其划分为 ４×４ 的子区 域，对 １６ 个子区域进行平滑处理，在每个子区域内提 取 ８ 个方向的幅值和梯度信息，即每个特征点的 ＳＩＦＴ 描述子由 ４×４×８＝ １２８ 维的特征进行表示，最终得到所 有样本中 ｍ×１２１ 个特征点的 ＳＩＦＴ 描述子； ２）生成 ＢｏＦ⁃ＳＩＦＴ ［７］特征：将所有样本中提取的 ｍ×１２１ 个特征点的 ＳＩＦＴ 描述进行 Ｋ⁃ｍｅａｎｓ ＋ ＋聚 类［８］ ，该聚类方法弥补了传统的 Ｋ⁃ｍｅａｎｓ 聚类种子 点随机选取的不足，图 ３ 和图 ４ 分别为不同目标的 ＢｏＦ⁃ＳＩＦＴ 描述子和同一目标在不同旋转角度下的 ＢｏＦ⁃ＳＩＦＴ 特征表示，显然不同目标之间呈现了一定 的差异性及同一目标之间具有一定的相似性，表明 ＢｏＦ⁃ＳＩＦＴ 具有较好的旋转鲁棒性； 图 ２ 分层的 ＢｏＦ⁃ＳＩＦＴ 特征提取算法示意图 Ｆｉｇ．２ Ｔｈｅ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｈｉｅｒａｒｃｈｉｃａｌ ｆｅａｔｕｒｅｓ ｅｘｔｒａｃｔｉｏｎ 图 ３ 不同目标的 ＢｏＦ⁃ＳＩＦＴ 描述子 Ｆｉｇ．３ Ｔｈｅ ＢｏＦ⁃ＳＩＦＴ ｄｅｓｃｒｉｐｔｏｒｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｔａｒｇｅｔｓ 第 ５ 期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 ·６５７·
·658. 智能系统学报 第11卷 0.6 0.6 0.6 0.5 0.5 0.5 04 0.4 0.4 0.3 03 03 0.2 0.2 0.1 0.1 n. 02468101214161820 02468101214161820 0246810121416182002468101214161820 聚类中心 聚类中心 聚类中心 聚类中心 图4同一目标的在不同旋转角度下的BoF-SIFT特征表示 Fig.4 The BoF-SIFT feature representation of the same target with different rotation angle 3)构造图像金字塔：将样本分成3层，第3 感图像的目标识别具备了较好的平移、旋转和缩放 层为整个样本，第2层划分为2×2个子块，第3层划 不变性。 分为4×4个子块，共有21个子块： 142 4)生成分层的BoF-SIFT特征：将金字塔中21 6 个子块的特征分别向K个聚类中心投影，得到21 个K维特征向量直方图。 角度区间 2.2改进的SC特征 (a)传统SC特征 31 13 SC特征o]又称为形状上下文，它是一种直观 12 ) 12 的特征表示，描述了所提取特征点到所有特征点的 32 矢量关系。对于具有目标大小和角度差异性的遥感 角度区间 图像，$C特征是不能很好地完成分类识别的本文在 (b)改进SC特征 传统SC特征算法基础上做了以下4点改进： 图5改进前后的SC特征对比 1)本文仅对采样点的中心生成描述符，这样能 Fig.5 The comparison between improved SC features 够很好地去除大量冗余信息，也能节省运行时间； and the traditional SC feature 2)对半径均匀划分，减弱传统对数极坐标半径 2.3Hu不变矩特征 的不均匀划分对采样点的密集度带来的影响： 3)统计所有采样点到中心点的距离，自动从中 H山不变矩)是通过计算图像的低阶（二阶和 选取最大的距离为极坐标的最大圆环半径，克服了 三阶)归一化中心矩进行非线性组合得到7个量 SC特征不具有缩放不变性的不足； 值，该特征满足平移、缩放和旋转不变性、计算速度 4)通过采样点到中心的距离找到目标的对称 快、对图像中较大目标识别较好。表1为本文4类 轴，并统一将其旋转到竖直方向，这一改进使提出的 遥感图像提取的Hu不变矩特征部分特征值表示。 SC特征具备了旋转适应性。图5为改进的SC特征 本文算法选取的3个特征在具有平移、缩放和 与传统的SC特征表示对比。从图5分析表明对原 旋转不变性这一共同的性质下利用各自的优势弥补 了互相的不足，分层的BoF-SIFT特征相比后2种对 图预处理后提取改进的SC特征，信息分布克服了 大量冗余信息的存在，缩短了运行时间，对于光学遥 图像背景的适应性强，不依赖于图像的预处理，并且
图 ４ 同一目标的在不同旋转角度下的 ＢｏＦ⁃ＳＩＦＴ 特征表示 Ｆｉｇ．４ Ｔｈｅ ＢｏＦ⁃ＳＩＦＴ ｆｅａｔｕｒｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｓａｍｅ ｔａｒｇｅｔ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｒｏｔａｔｉｏｎ ａｎｇｌｅ ３） 构造图像金字塔［９］ ：将样本分成 ３ 层，第 ３ 层为整个样本，第 ２ 层划分为 ２×２ 个子块，第 ３ 层划 分为 ４×４ 个子块，共有 ２１ 个子块； ４）生成分层的 ＢｏＦ⁃ＳＩＦＴ 特征：将金字塔中 ２１ 个子块的特征分别向 Ｋ 个聚类中心投影，得到 ２１ 个 Ｋ 维特征向量直方图。 ２．２ 改进的 ＳＣ 特征 ＳＣ 特征［１０］ 又称为形状上下文，它是一种直观 的特征表示，描述了所提取特征点到所有特征点的 矢量关系。 对于具有目标大小和角度差异性的遥感 图像，ＳＣ 特征是不能很好地完成分类识别的本文在 传统 ＳＣ 特征算法基础上做了以下 ４ 点改进： １）本文仅对采样点的中心生成描述符，这样能 够很好地去除大量冗余信息，也能节省运行时间； ２）对半径均匀划分，减弱传统对数极坐标半径 的不均匀划分对采样点的密集度带来的影响； ３）统计所有采样点到中心点的距离，自动从中 选取最大的距离为极坐标的最大圆环半径，克服了 ＳＣ 特征不具有缩放不变性的不足； ４） 通过采样点到中心的距离找到目标的对称 轴，并统一将其旋转到竖直方向，这一改进使提出的 ＳＣ 特征具备了旋转适应性。 图 ５ 为改进的 ＳＣ 特征 与传统的 ＳＣ 特征表示对比。 从图 ５ 分析表明对原 图预处理后提取改进的 ＳＣ 特征，信息分布克服了 大量冗余信息的存在，缩短了运行时间，对于光学遥 感图像的目标识别具备了较好的平移、旋转和缩放 不变性。 图 ５ 改进前后的 ＳＣ 特征对比 Ｆｉｇ．５ Ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｉｍｐｒｏｖｅｄ ＳＣ ｆｅａｔｕｒｅｓ ａｎｄ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ＳＣ ｆｅａｔｕｒｅ ２．３ Ｈｕ 不变矩特征 Ｈｕ 不变矩［１１］是通过计算图像的低阶（二阶和 三阶）归一化中心矩进行非线性组合得到 ７ 个量 值，该特征满足平移、缩放和旋转不变性、计算速度 快、对图像中较大目标识别较好。 表 １ 为本文 ４ 类 遥感图像提取的 Ｈｕ 不变矩特征部分特征值表示。 本文算法选取的 ３ 个特征在具有平移、缩放和 旋转不变性这一共同的性质下利用各自的优势弥补 了互相的不足，分层的 ＢｏＦ⁃ＳＩＦＴ 特征相比后 ２ 种对 图像背景的适应性强，不依赖于图像的预处理，并且 ·６５８· 智 能 系 统 学 报 第 １１ 卷
第5期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 ·659. 对细节分布描述充分，改进之后的SC特征对形状 图6为4类样本情况下一对一分类法的结构示 的描述体现了一定的优势，Hu不变矩特征提取简单 意图，4类样本可以构造6个分类器，同时获得6个 且快速。 判别函数，当对未知样本测试时，每一个判别函数会 表1Hu不变矩特征部分表示 Table 1 Part of Hu invariant moments feature value 给出一个结果，将6个结果投票，投票最多的即为该 未知样本的测试类别。 目标 Hu不变矩特征 3.2决策级融合 图像数据1数据2数据3数据4数据5数据6数据7 由于本文所提取的3种特征的维数相差较大， 船舰282x10r3394x10679x10643x10P4210r”1Ix1T261x10r 不利于在特征级进行融合。为了解决异构特征的融 飞机188x10C37.141C'188x10281CP20K109205x10B174K10 合问题，提出了一种新的多特征决策级融合策略 (本文数据库中含有4类样本)，该策略通过对训练 汽车116×103525×1GT'156x1CP20x1010Dx1027.78x105461×10 集样本的分类准确率交叉验证可以训练得到每种特 油罐219x103150×101641G307×1G211×1020D10501×10 征对应的6个基于径向基核函数的一对一SVM分 3 识别算法 类器。通过上述的投票法可以分别获得3种特征对 于训练样本的目标识别概率。以一定步长遍历所有 支持向量机(support vector machine,SVM)[2] 可能选择的权值，使训练样本的识别准确率最高来 在解决小样本、非线性及高维模式识别中表现出了 许多特有的优势，具有通用性、鲁棒性、有效性、计算 确定最优融合权值。该识别方法实现简单，识别率 简单和理论完善等优点。 较单一特征有了较大的提高，达到了预期效果。其 3.1多类支持向量机分类算法 中决策级融合及最优权值确定过程如图7所示。 支持向量机本身是个两类问题的判别方法，本 其中i=1,2,3,4表示4类目标，每一类目标含 文采用最常用的一对一分类法[)，该方法是在每两 有k个样本：j=1,2,3表示3种特征，决策级融合及 类间训练一个分类器，即将训练集(k个不同类别) 最优权值的确定由以下3步实现： 构造为P=k(k-1)2个分类器，分别对每一个组合 1)对所有训练样本分别计算3种特征对应的 采用求解两类问题的SVM进行分类，最终求得P个 判别函数，当对测试集中的未知样本进行分类时，每 P:、P表示每一个样本提取第j个特征后属于第i类 个分类器都会根据判别函数对其类别进行判断，并 目标的概率； 为相应的类别投上一票，最后得票最多的类别即作 2)设a表示第j个特征的权重，α的选取要求 为该未知样本的类别，当两个类别具有同样多的票 数时则选择类别标签较小的一类作为样本的类别， 满足∑4，=1。当给定一组%时，计算得到每一个 j=1 这种策略称为“投票法” 样本属于第i类目标的概率P,=∑a,P,; A.B.C,D j=1 3)统计每一类样本的正确分类数n:,即计算每 一个样本的i=max{P,P2,P,P4},将该样本预测 aVsO AVSD BVsC BVsD 类别定义为第i类，比较预测类别和真实类别，相同 " …2 则置为1，不同则置为0。对应所有训练样本的总识 数 别率P定义为P=(立)/4)。 ABCD类别 重复2)、3)，遍历所有可能的α心组合，得到对 类别决策 应不同权值时的训练样本的总识别率。选取训练样 图6一对一分类法结构示意图 本识别率最高时的权值组合作为最优权值，用于对 Fig.6 The schematic of OVO SVM 测试样本的最终加权融合识别
对细节分布描述充分，改进之后的 ＳＣ 特征对形状 的描述体现了一定的优势，Ｈｕ 不变矩特征提取简单 且快速。 表 １ Ｈｕ 不变矩特征部分表示 Ｔａｂｌｅ １ Ｐａｒｔ ｏｆ Ｈｕ ｉｎｖａｒｉａｎｔ ｍｏｍｅｎｔｓ ｆｅａｔｕｒｅ ｖａｌｕｅ 目标 图像 Ｈｕ 不变矩特征 数据 １ 数据 ２ 数据 ３ 数据 ４ 数据 ５ 数据 ６ 数据 ７ 船舰 ２．８２×１０ －３ ３．９４×１０ －６ ６．７９×１０ －９ ６．４３×１０ －９ ４．２４×１０ －１７ １．２７×１０ －１１ ２．６１×１０ －１８ 飞机 １．８８×１０ －３ ７．１４×１０ －７ １．８８×１０ －９ ２．８２×１０ －１０ ２．０４×１０ －１９ ２．０５×１０ －１３ １．７４×１０ －２０ 汽车 １．１６×１０ －３ ５．２５×１０ －７ １．５６×１０ －１０ ２００×１０ －１１ １．０２×１０ －２１ ７．７８×１０ －１５ ４．６１×１０ －２２ 油罐 ２．１９×１０ －３ １．５０×１０ －８ １．６４×１０ －１１ ３．０７×１０ －１０ ２．１１×１０ －２０ ２．０２×１０ －１４ ５．０１×１０ －２１ ３ 识别算法 支持向量机（ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ， ＳＶＭ） ［１２］ 在解决小样本、非线性及高维模式识别中表现出了 许多特有的优势，具有通用性、鲁棒性、有效性、计算 简单和理论完善等优点。 ３．１ 多类支持向量机分类算法 支持向量机本身是个两类问题的判别方法，本 文采用最常用的一对一分类法［１３］ ，该方法是在每两 类间训练一个分类器，即将训练集（ｋ 个不同类别） 构造为 Ｐ ＝ ｋ（ｋ－１） ／ ２ 个分类器，分别对每一个组合 采用求解两类问题的 ＳＶＭ 进行分类，最终求得 Ｐ 个 判别函数，当对测试集中的未知样本进行分类时，每 个分类器都会根据判别函数对其类别进行判断，并 为相应的类别投上一票，最后得票最多的类别即作 为该未知样本的类别，当两个类别具有同样多的票 数时则选择类别标签较小的一类作为样本的类别， 这种策略称为“投票法”。 图 ６ 一对一分类法结构示意图 Ｆｉｇ．６ Ｔｈｅ ｓｃｈｅｍａｔｉｃ ｏｆ ＯＶＯ ＳＶＭ 图 ６ 为 ４ 类样本情况下一对一分类法的结构示 意图，４ 类样本可以构造 ６ 个分类器，同时获得 ６ 个 判别函数，当对未知样本测试时，每一个判别函数会 给出一个结果，将 ６ 个结果投票，投票最多的即为该 未知样本的测试类别。 ３．２ 决策级融合 由于本文所提取的 ３ 种特征的维数相差较大， 不利于在特征级进行融合。 为了解决异构特征的融 合问题，提出了一种新的多特征决策级融合策略 （本文数据库中含有 ４ 类样本），该策略通过对训练 集样本的分类准确率交叉验证可以训练得到每种特 征对应的 ６ 个基于径向基核函数的一对一 ＳＶＭ 分 类器。 通过上述的投票法可以分别获得 ３ 种特征对 于训练样本的目标识别概率。 以一定步长遍历所有 可能选择的权值，使训练样本的识别准确率最高来 确定最优融合权值。 该识别方法实现简单，识别率 较单一特征有了较大的提高，达到了预期效果。 其 中决策级融合及最优权值确定过程如图 ７ 所示。 其中 ｉ ＝ １，２，３，４ 表示 ４ 类目标，每一类目标含 有 ｋ 个样本；ｊ ＝ １，２，３ 表示 ３ 种特征，决策级融合及 最优权值的确定由以下 ３ 步实现： １）对所有训练样本分别计算 ３ 种特征对应的 Ｐｉｊ、Ｐｉｊ表示每一个样本提取第 ｊ 个特征后属于第 ｉ 类 目标的概率； ２）设 αｊ 表示第 ｊ 个特征的权重，αｊ 的选取要求 满足 ∑ ３ ｊ ＝ １ αｊ ＝ １。 当给定一组 αｊ 时，计算得到每一个 样本属于第 ｉ 类目标的概率 Ｐｉ ＝ ∑ ３ ｊ ＝ １ αｊＰｉｊ ； ３）统计每一类样本的正确分类数 ｎｉ，即计算每 一个样本的 ｉ ＝ ｍａｘ｛Ｐ１ ，Ｐ２ ，Ｐ３ ，Ｐ４ ｝，将该样本预测 类别定义为第 ｉ 类，比较预测类别和真实类别，相同 则置为 １，不同则置为 ０。 对应所有训练样本的总识 别率 Ｐ 定义为 Ｐ ＝ （∑ ４ ｉ ＝ １ ｎｉ） ／ （４ｋ） 。 重复 ２）、３），遍历所有可能的 αｊ 组合，得到对 应不同权值时的训练样本的总识别率。 选取训练样 本识别率最高时的权值组合作为最优权值，用于对 测试样本的最终加权融合识别。 第 ５ 期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 ·６５９·
·660. 智能系统学报 第11卷 OVO分类 SVM的 输出概率 4k. 五 Pi2 P2 Px PR Pu Pas Ps P 特征1 特征2 特征3 船舰 飞机 i表示目标类别=12,3.4 表示目标类别=1,2,3 ■汽车☐油 样本中每一类目标含有k个样本 P产a表示单特征的 权重，并且满足 针对每一个样本，比较P、P2 P P2 PP P,、P,获得最大值， 即max{P,PPP,}=P,那么置该 样本为类，同样的方法用于所有 样本，得到预测类别，对比该样 片1n3n3月， 本的其实类别相同则定义为1，不 同则定义为0，n,表示类正确识 别数。 P-(n(4k) 图7决策级融合实现过程 Fig.7 The process of decision fusion strategy 4实验结果 心数为20类，图像金字塔层数为3层；提取改进的 SC特征时将对数极坐标划分为5个不同半径，12 本文在自行建立的遥感图像库对提出算法进行 个不同角度即5×12=60个小区域，采样点数为50 了测试。数据库包含舰船、飞机、汽车和油罐，数据 个点。3种特征对应的识别结果如表2所示。 库总共包含74×4幅图像，部分图例如图8所示。 表2识别结果 船舰 飞机 汽车 油罐 Table 2 The recognition results 实验序号 特征 识别率/% 耗时/s 实验一 分层的BoF-SIFT特征 88.89 0.100236 实验二 改进的SC特征 65.74 0.065927 实验三 Hu不变矩特征 65.74 0.029048 实验四 决策级融合算法 93.52 0.005432 表2表明分层的BoF-SIFT特征性能远远好于 图8数据库的部分目标样本图像 其余2种特征，原因在于后面2种特征不能很好地 Fig.8 The target samples in the dataset 处理复杂背景，预处理的好坏对结果的影响很大，由 4.1最优参数下的特征测试结果 于特征维数依次减少运行速度相应提高。 多次实验表明特征提取时的最优参数为：训练 4.2多特征决策级融合结果 样本数为47×4=188幅图像，测试样本数为27×4= 最优权值的选取及测侧试集实验结果如图9所 108幅图像。提取分层的BoF-SIFT特征时聚类中 示。图9实线表示训练集不同权值组合下的分类准
图 ７ 决策级融合实现过程 Ｆｉｇ．７ Ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｄｅｃｉｓｉｏｎ ｆｕｓｉｏｎ ｓｔｒａｔｅｇｙ ４ 实验结果 本文在自行建立的遥感图像库对提出算法进行 了测试。 数据库包含舰船、飞机、汽车和油罐，数据 库总共包含 ７４×４ 幅图像，部分图例如图 ８ 所示。 图 ８ 数据库的部分目标样本图像 Ｆｉｇ．８ Ｔｈｅ ｔａｒｇｅｔ ｓａｍｐｌｅｓ ｉｎ ｔｈｅ ｄａｔａｓｅｔ ４．１ 最优参数下的特征测试结果 多次实验表明特征提取时的最优参数为：训练 样本数为 ４７×４ ＝ １８８ 幅图像，测试样本数为 ２７×４ ＝ １０８ 幅图像。 提取分层的 ＢｏＦ⁃ＳＩＦＴ 特征时聚类中 心数为 ２０ 类，图像金字塔层数为 ３ 层；提取改进的 ＳＣ 特征时将对数极坐标划分为 ５ 个不同半径，１２ 个不同角度即 ５×１２ ＝ ６０ 个小区域，采样点数为 ５０ 个点。 ３ 种特征对应的识别结果如表 ２ 所示。 表 ２ 识别结果 Ｔａｂｌｅ ２ Ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ 实验序号 特征 识别率／ ％ 耗时／ ｓ 实验一 分层的 ＢｏＦ⁃ＳＩＦＴ 特征 ８８．８９ ０．１００ ２３６ 实验二 改进的 ＳＣ 特征 ６５．７４ ０．０６５ ９２７ 实验三 Ｈｕ 不变矩特征 ６５．７４ ０．０２９ ０４８ 实验四 决策级融合算法 ９３．５２ ０．００５ ４３２ 表 ２ 表明分层的 ＢｏＦ⁃ＳＩＦＴ 特征性能远远好于 其余 ２ 种特征，原因在于后面 ２ 种特征不能很好地 处理复杂背景，预处理的好坏对结果的影响很大，由 于特征维数依次减少运行速度相应提高。 ４．２ 多特征决策级融合结果 最优权值的选取及测试集实验结果如图 ９ 所 示。 图 ９ 实线表示训练集不同权值组合下的分类准 ·６６０· 智 能 系 统 学 报 第 １１ 卷
第5期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 ·661· 确率，观察可知在最后10个权值组合下分类准确率 图10中混淆矩阵中的数字表示该位置纵向目 达到了100%，是在分层的BoF-SIFT特征比例远大 标被识别为横向目标的概率，且每个概率通过不同 于其余两种特征比例的情况下取得的，图9虚线为 程度的渐变灰色形象地表示在混淆矩阵中。图10 测试集样本在决策级融合得出的10个权值组合下 的多特征决策级融合结果表明汽车和油罐的识别结 的识别结果，总体均高于单特征的识别结果，在第 果较舰船和飞机好，舰船和飞机都和汽车容易混淆， 10组权值组合即5：4：1下，测试集的分类准确率达 原因可能是舰船的形状与汽车相似度高，飞机背景 到了93.52%，其中分层的BoF-SIFT特征对目标的 在4类目标中相对复杂，由于阴影的干扰导致错误 分布信息描述详细，因此比例最大：改进的SC特征 识别为汽车。 对目标的形状信息表示充分，因此比例次之：Hu不 5结束语 变矩描述目标的7维矩特征相比之下对决策级融合 起到了辅助作用，因此比例最小。综上所述93.52% 本文提出了一种基于多特征决策级融合的光学 的识别率达到了预期效果，而且每一个测试样本的 遥感图像多目标识别算法，特征提取中选取了各有 识别时间为0.005432s,在时间上体现了一定的优 优缺点的分层的BoF-SIFT特征、改进的SC特征和 越性，验证了本文所提算法的高效性和有效性。 H山不变矩特征，然后采用一对一支持向量机算法在 最优参数下对每一种特征进行识别，最后提出一种 1.00r 一训练集 决策级融合策略，实验表明决策级融合算法实现简 …测试集 0.95 单，结果优于单特征识别结果。下一步的工作将考 0.90 虑针对不同特征的特点选择不同类型的分类器进行 识别，并尝试研究不同类型分类器决策级融合的策 的 略来进一步提高识别的准确性。 0.80 0.75 参考文献： 0510152025303540 权值组合 [1]姬晓飞，秦宁丽.基于光学遥感图像的目标检测与分类 图9不同权值组合下的分类准确率 识别方法[J].沈阳航空航天大学学报，2015,32(1)： Fig.9 Classification accuracy representation of differ- 23.31 ent weights JI Xiaofei,QIN Ningli.Target detection and classified rec- 图10为最优权值组合5：4：1下的决策级融合 ognition method based on optical remote sensing image[J] 识别结果。 Journal of Shenyang aerospace university,2015,32(1): 23-31 船舰 0.85 0.00 0.15 0.00 [2]杨斌，赵红漫，赵宗涛，等.一个改进的遥感图像目标 纹理分类识别算法[J].微电子学与计算机，2004,21 飞机 0.00 0.89 0.11 0.00 (9):111-113 汽车 0.00 0.00 1.00 0.00 YANG Bin,ZHAO Hongman,ZHAO Zongtao,et al.A re- moved texture classification and distinction algorithm of re- 油罐 0.00 0.00 0.00 1.00 moted sensing martial object[J].Microelectronics com- 船舰 飞机 汽车 油罐 puter,2004,21(9):111-113. 图105：4：1组合下的纵向决策级融合结果 [3]CHEN Zhong,LIU Jianguo,WANG Guoyou.A new circle Fig.10 Confusion matrix representation of decision fu- targets extraction method from high resolution remote sensing sion recognition under the weight 5:4:1 imagery[C]//Proceedings of the 2011 Fourth International Workshop on Advanced Computational Intelligence.Wuhan
确率，观察可知在最后 １０ 个权值组合下分类准确率 达到了 １００％，是在分层的 ＢｏＦ⁃ＳＩＦＴ 特征比例远大 于其余两种特征比例的情况下取得的，图 ９ 虚线为 测试集样本在决策级融合得出的 １０ 个权值组合下 的识别结果，总体均高于单特征的识别结果，在第 １０ 组权值组合即 ５：４：１ 下，测试集的分类准确率达 到了 ９３．５２％，其中分层的 ＢｏＦ⁃ＳＩＦＴ 特征对目标的 分布信息描述详细，因此比例最大；改进的 ＳＣ 特征 对目标的形状信息表示充分，因此比例次之；Ｈｕ 不 变矩描述目标的 ７ 维矩特征相比之下对决策级融合 起到了辅助作用，因此比例最小。 综上所述 ９３．５２％ 的识别率达到了预期效果，而且每一个测试样本的 识别时间为 ０．００５ ４３２ｓ，在时间上体现了一定的优 越性，验证了本文所提算法的高效性和有效性。 图 ９ 不同权值组合下的分类准确率 Ｆｉｇ．９ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｄｉｆｆｅｒ⁃ ｅｎｔ ｗｅｉｇｈｔｓ 图 １０ 为最优权值组合 ５：４：１ 下的决策级融合 识别结果。 图 １０ ５：４：１ 组合下的纵向决策级融合结果 Ｆｉｇ．１０ Ｃｏｎｆｕｓｉｏｎ ｍａｔｒｉｘ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｄｅｃｉｓｉｏｎ ｆｕ⁃ ｓｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｕｎｄｅｒ ｔｈｅ ｗｅｉｇｈｔ ５：４：１ 图 １０ 中混淆矩阵中的数字表示该位置纵向目 标被识别为横向目标的概率，且每个概率通过不同 程度的渐变灰色形象地表示在混淆矩阵中。 图 １０ 的多特征决策级融合结果表明汽车和油罐的识别结 果较舰船和飞机好，舰船和飞机都和汽车容易混淆， 原因可能是舰船的形状与汽车相似度高，飞机背景 在 ４ 类目标中相对复杂，由于阴影的干扰导致错误 识别为汽车。 ５ 结束语 本文提出了一种基于多特征决策级融合的光学 遥感图像多目标识别算法，特征提取中选取了各有 优缺点的分层的 ＢｏＦ⁃ＳＩＦＴ 特征、改进的 ＳＣ 特征和 Ｈｕ 不变矩特征，然后采用一对一支持向量机算法在 最优参数下对每一种特征进行识别，最后提出一种 决策级融合策略，实验表明决策级融合算法实现简 单，结果优于单特征识别结果。 下一步的工作将考 虑针对不同特征的特点选择不同类型的分类器进行 识别，并尝试研究不同类型分类器决策级融合的策 略来进一步提高识别的准确性。 参考文献： ［１］姬晓飞，秦宁丽． 基于光学遥感图像的目标检测与分类 识别方法［ Ｊ］． 沈阳航空航天大学学报， ２０１５， ３２（ １）： ２３⁃３１． ＪＩ Ｘｉａｏｆｅｉ， ＱＩＮ Ｎｉｎｇｌｉ． Ｔａｒｇｅｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｅｄ ｒｅｃ⁃ ｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｓｈｅｎｙａｎｇ ａｅｒｏｓｐａｃｅ ｕｎｉｖｅｒｓｉｔｙ， ２０１５， ３２ （ １）： ２３⁃３１． ［２］杨斌， 赵红漫， 赵宗涛， 等． 一个改进的遥感图像目标 纹理分类识别算法［ Ｊ］． 微电子学与计算机， ２００４， ２１ （９）： １１１⁃１１３． ＹＡＮＧ Ｂｉｎ， ＺＨＡＯ Ｈｏｎｇｍａｎ， ＺＨＡＯ Ｚｏｎｇｔａｏ， ｅｔ ａｌ． Ａ ｒｅ⁃ ｍｏｖｅｄ ｔｅｘｔｕｒｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｄｉｓｔｉｎｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｏｆ ｒｅ⁃ ｍｏｔｅｄ ｓｅｎｓｉｎｇ ｍａｒｔｉａｌ ｏｂｊｅｃｔ［ Ｊ］． Ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃｓ ＆ ｃｏｍ⁃ ｐｕｔｅｒ， ２００４， ２１（９）： １１１⁃１１３． ［３］ＣＨＥＮ Ｚｈｏｎｇ， ＬＩＵ Ｊｉａｎｇｕｏ， ＷＡＮＧ Ｇｕｏｙｏｕ． Ａ ｎｅｗ ｃｉｒｃｌｅ ｔａｒｇｅｔｓ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｆｒｏｍ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１１ Ｆｏｕｒｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ａｄｖａｎｃｅｄ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ｗｕｈａｎ， 第 ５ 期 姬晓飞，等：多特征的光学遥感图像多目标识别算法研究 ·６６１·
·662. 智能系统学报 第11卷 2011:529-533 ZHANG Ruliang,XI Hong,WANG Lin.An image matc- [4]LIU Ge,SUN Xian,FU Kun,et al.Aircraft recognition in hing evolutionary algorithm based on Hu invariant moments high-resolution satellite images using coarse-to-fine shape [J].Journal of southwest China normal university:natural prior[J].IEEE geoscience and remote sensing letters, science edition,2012,37(5):11-15. 2013,10(3):573-577. [12]HUANG Qirui,WU Guangmin,CHEN Jianming,et al. [5]刘帅，李士进，冯钧.多特征融合的遥感图像分类[J] Automated remote sensing image classification method 数据采集与处理，2014,29(1)：108-115. based on FCM and SVM C]//Proceedings of the 2012 LIU Shuai,LI Shijin,FENG Jun.Remote sensing image 2nd International Conference on Remote Sensing,Environ- classification based on adaptive fusion of multiple features ment and Transportation Engineering.Nanjing,2012:1-4. [J].Journal of data acquisition and processing,2014,29 [13]薛宁静.多类支持向量机分类器对比研究[J].计算机 (1):108-115. 工程与设计，2011,32(5)：1792-1795 [6]LI Xiangjuan,SUN Xian,SUN Hao,et al.Generalized XUE Ningjing.Comparison of multi-class support vector multiple kernel framework for multiclass geospatial objects machines[J].Computer engineering and design,2011,32 detection in high-resolution remote sensing images[.Op- (5):1792-1795. tical engineering,2012,51(1):1-10. 作者简介： [7]SHARMA G,CHAUDHURY S,SRIVASTAVA J B.Bag-of- 姬晓飞，女，1978年生，副教授，博 features kernel eigen spaces for classification[C]/Proceed- 士，主要研究方向为视频分析与处理、 ings of the 19th International Conference on Pattern Recog- 模式识别。承担国家自然科学基金、教 nition.Tampa,FL,2008:1-4. 育部留学回国启动基金等多项课题研 [8]ARTHUR D,VASSILVITSKII S.K-means++:the advanta- 究。发表学术论文40余篇，被SCI,EI ges of careful seeding[C]//Proceedings of the eighteenth 检索20余篇。参与编著英文专著1部。 annual ACM-SIAM symposium on Discrete algorithms Philadelphia,PA,2007:1027-1035. 秦宁丽，女，1991年生，硕士研究 [9]LAZEBNIK S,SCHMID C.PONCE J.Beyond bags of fea- 生，主要研究方向为遥感图像处理与分 tures:spatial pyramid matching for recognizing natural scene 析。发表学术论文1篇。 categories [C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition New York,NY,USA,2006:2169-2178. [10]BELONGIE S,MALIK J,PUZICHA J.Matching shapes 刘洋，1977年生，副教授，博士，主 [C]//Proceedings of the Eighth International Conference 要研究方向为图像处理、模式识别。 on Computer Vision.Vancouver,BC,2001,1:454-461. [11]张儒良，席泓，王林.一种基于H山不变矩的匹配演化 算法[J].西南师范大学学报：自然科学版，2012,37 (5):11-15
２０１１： ５２９⁃５３３． ［４］ＬＩＵ Ｇｅ， ＳＵＮ Ｘｉａｎ， ＦＵ Ｋｕｎ， ｅｔ ａｌ． Ａｉｒｃｒａｆｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ｕｓｉｎｇ ｃｏａｒｓｅ⁃ｔｏ⁃ｆｉｎｅ ｓｈａｐｅ ｐｒｉｏｒ ［ Ｊ ］． ＩＥＥＥ ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｌｅｔｔｅｒｓ， ２０１３， １０（３）： ５７３⁃５７７． ［５］刘帅， 李士进， 冯钧． 多特征融合的遥感图像分类［ Ｊ］． 数据采集与处理， ２０１４， ２９（１）： １０８⁃１１５． ＬＩＵ Ｓｈｕａｉ， ＬＩ Ｓｈｉｊｉｎ， ＦＥＮＧ Ｊｕｎ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ａｄａｐｔｉｖｅ ｆｕｓｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｆｅａｔｕｒｅｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ａｎｄ ｐｒｏｃｅｓｓｉｎｇ， ２０１４， ２９ （１）： １０８⁃１１５． ［６］ ＬＩ Ｘｉａｎｇｊｕａｎ， ＳＵＮ Ｘｉａｎ， ＳＵＮ Ｈａｏ， ｅｔ ａｌ． Ｇｅｎｅｒａｌｉｚｅｄ ｍｕｌｔｉｐｌｅ ｋｅｒｎｅｌ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｍｕｌｔｉｃｌａｓｓ ｇｅｏｓｐａｔｉａｌ ｏｂｊｅｃｔｓ ｄｅｔｅｃｔｉｏｎ ｉｎ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］． Ｏｐ⁃ ｔｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１２， ５１（１）：１⁃１０． ［７］ＳＨＡＲＭＡ Ｇ， ＣＨＡＵＤＨＵＲＹ Ｓ， ＳＲＩＶＡＳＴＡＶＡ Ｊ Ｂ． Ｂａｇ⁃ｏｆ⁃ ｆｅａｔｕｒｅｓ ｋｅｒｎｅｌ ｅｉｇｅｎ ｓｐａｃｅｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇ⁃ ｎｉｔｉｏｎ． Ｔａｍｐａ， ＦＬ， ２００８： １⁃４． ［８］ＡＲＴＨＵＲ Ｄ， ＶＡＳＳＩＬＶＩＴＳＫＩＩ Ｓ． Ｋ⁃ｍｅａｎｓ＋＋： ｔｈｅ ａｄｖａｎｔａ⁃ ｇｅｓ ｏｆ ｃａｒｅｆｕｌ ｓｅｅｄｉｎｇ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｅｉｇｈｔｅｅｎｔｈ ａｎｎｕａｌ ＡＣＭ⁃ＳＩＡＭ ｓｙｍｐｏｓｉｕｍ ｏｎ Ｄｉｓｃｒｅｔｅ ａｌｇｏｒｉｔｈｍｓ． Ｐｈｉｌａｄｅｌｐｈｉａ， ＰＡ， ２００７： １０２７⁃１０３５． ［９］ＬＡＺＥＢＮＩＫ Ｓ， ＳＣＨＭＩＤ Ｃ， ＰＯＮＣＥ Ｊ． Ｂｅｙｏｎｄ ｂａｇｓ ｏｆ ｆｅａ⁃ ｔｕｒｅｓ： ｓｐａｔｉａｌ ｐｙｒａｍｉｄ ｍａｔｃｈｉｎｇ ｆｏｒ ｒｅｃｏｇｎｉｚｉｎｇ ｎａｔｕｒａｌ ｓｃｅｎｅ ｃａｔｅｇｏｒｉｅｓ ［ Ｃ ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ， ２００６： ２１６９⁃２１７８． ［１０］ＢＥＬＯＮＧＩＥ Ｓ， ＭＡＬＩＫ Ｊ， ＰＵＺＩＣＨＡ Ｊ． Ｍａｔｃｈｉｎｇ ｓｈａｐｅｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｉｇｈｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｖａｎｃｏｕｖｅｒ， ＢＣ， ２００１， １： ４５４⁃４６１． ［１１］张儒良， 席泓， 王林． 一种基于 Ｈｕ 不变矩的匹配演化 算法［Ｊ］． 西南师范大学学报： 自然科学版， ２０１２， ３７ （５）： １１⁃１５． ＺＨＡＮＧ Ｒｕｌｉａｎｇ， ＸＩ Ｈｏｎｇ， ＷＡＮＧ Ｌｉｎ． Ａｎ ｉｍａｇｅ ｍａｔｃ⁃ ｈｉｎｇ ｅｖｏｌｕｔｉｏｎａｒｙ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ Ｈｕ ｉｎｖａｒｉａｎｔ ｍｏｍｅｎｔｓ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｓｏｕｔｈｗｅｓｔ Ｃｈｉｎａ ｎｏｒｍａｌ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ ｅｄｉｔｉｏｎ， ２０１２， ３７（５）： １１⁃１５． ［１２］ ＨＵＡＮＧ Ｑｉｒｕｉ， ＷＵ Ｇｕａｎｇｍｉｎ， ＣＨＥＮ Ｊｉａｎｍｉｎｇ， ｅｔ ａｌ． Ａｕｔｏｍａｔｅｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＦＣＭ ａｎｄ ＳＶＭ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１２ ２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， Ｅｎｖｉｒｏｎ⁃ ｍｅｎｔ ａｎｄ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｎａｎｊｉｎｇ， ２０１２： １⁃４． ［１３］薛宁静． 多类支持向量机分类器对比研究［ Ｊ］． 计算机 工程与设计， ２０１１， ３２（５）： １７９２⁃１７９５． ＸＵＥ Ｎｉｎｇｊｉｎｇ． Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｍｕｌｔｉ⁃ｃｌａｓｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ ｄｅｓｉｇｎ， ２０１１， ３２ （５）： １７９２⁃１７９５． 作者简介： 姬晓飞，女，１９７８ 年生，副教授，博 士，主要研究方向为视频分析与处理、 模式识别。 承担国家自然科学基金、教 育部留学回国启动基金等多项课题研 究。 发表学术论文 ４０ 余篇，被 ＳＣＩ、ＥＩ 检索 ２０ 余篇。 参与编著英文专著 １ 部。 秦宁丽，女，１９９１ 年生，硕士研究 生，主要研究方向为遥感图像处理与分 析。 发表学术论文 １ 篇。 刘洋，１９７７ 年生，副教授，博士，主 要研究方向为图像处理、模式识别。 ·６６２· 智 能 系 统 学 报 第 １１ 卷