第1期 刘富，等：采用独立分量分析Zerike矩的遥感图像飞机目标识别 ·55 0.25,0.5,0.75},每种飞机得到48种经过尺度变换 和角度变换的测试样本图像，共得到240幅测试样 5结束语 本图像 本文提出了一种采用独立分量分析Zernike矩 的飞机目标识别方法，该方法基于目标分割，对目标 区域进行独立分量分析处理并利用高阶中心矩将目 标形状转换成标准形式，提取Zernike不变矩作为特 征向量进行飞机目标识别.实验结果证明，该方法性 图7从卫星图片中分割出的5种型号飞机形状 能鲁棒、抗干扰性能好、识别率高，能够准确识别高 Fig.7 The 5 kinds of plane contour divided from sens- 分辨率遥感图像中的飞机目标.随着遥感技术的不 ing images 断发展，遥感图像分辨率越来越高，能够获得更准 图8为遥感图像飞机形状仿射变化结果，(a) 确、更完善的飞机轮廓，提出的方法将具有更高的实 的变换参数为0=0°，s=s,=1,a=0;(b)的变换参 际应用价值.下一步的工作是利用本文方法运算速 数为0=30°，s=s,=1,a=0.25;(c)的变换参数为 度快、准确率高的特点，将算法应用于实时遥感图像 0=60°，5，=5，=2，a=0.75;(d)的变换参数为0= 的飞机目标自动识别，也可扩展到其他目标的自动 108°，s=s,=2,a=0.5;(e)的变换参数为0= 识别 108°，=1,8，=2；a=0. 参考文献： [1]安玮，李宏，徐晖，等.模式识别中的透射变换与仿射变 a (b) (c) (d) (e) 换[J].系统工程与电子技术，1999,21(1)：57-62. AN Wei,LI Hong,XU Hui,et al.Projective tansformation 图8飞机形状仿射变换结果 and afine tansformation in pattern recognition[J].Systems Fig.8 The results of affine transform Engineering and Electronics,1999,21(1):57-62. 分别使用本文提出的基于ICAZernike不变矩 [2]ZULIANI M,BHAGAVATHY S,MANJUNATH S.Affine- Zernike不变矩3]、ICA不变矩5)和仿射不变矩o invariant curve matching[C]//IEEE International Confer- 作为特征向量，设计神经网络分类器进行识别，验证 ence on Image Processing.Singapore,2004,5:3041- 3044. 各种方法的分类效果，识别结果如表1所示。 [3]AVRITRIS Y,XIROUHAKIS Y,KOLLIAS S.Affine-invar 表1实验结果 iant curve normalization for object shape representation, Table 1 The results of experiment 老 classification and retrieval[J].Machine Vision and Appli- 特征ICAZernike Zernike 仿射 ICA cations,2001,13(2):80-94. 向量 不变矩 矩 不变矩 不变矩 [4]WOLOVICH W A,UNEL M.The determination of implicit 正确率 95.41 42.08 85.83 72.50 polynomial canonical curves[J].IEEE Transactions on Pat- 实验结果分析：通过实验可以看到ICAZernike ter Analysis and Machine Intelligence,1998,20 (10): 1080-1090. 矩比其他不变矩表现好，经典Zernike矩对图像尺度 [5]LEET W.Independent component analysis-theory and ap- 变化和旋转是不变的，但无法消除扭曲对图像的影 plications[M].Boston,USA:Kluwer Academic Publish- 响.本文算法相对于经典Zernike矩利用ICA标准 ers,1998:87-109. 化消除了仿射变换关系图像中尺度变换和图像扭曲 [6]LEE JJ,UDDIN M Z,KIM T S.Spatiotemporal human fa- 的影响，所以分类效果好 cial expression recognition using fisher independent compo- 我们也可以看到本文算法识别率高于ICA不 nent analysis and hidden Markov model[C]//The 30th An- 变矩，这是因为在提取ICA不变矩时，提取的是待 nual Interational IEEE EMBS Conference.Vancouver, 识别图像在全部独立分量为基向量的特征空间中的 Canada,2008:2546-2549. 投影系数，将投影系数作为目标识别的特征量，这就 [7]LI Yunxia,FAN Changyuan.Face recognition by nonnega- tive independent component analysis[C]//2009 Fifth Inter- 使得这种方法易受到噪声的干扰.而在本文提出的 national Conference on Natural Computation.Tianjin,Chi- 算法中，使用的是前36个Zernike矩，从而消除了高 na,2009,2:555-558. 阶噪声的影响.实验结果表明ICAZernike矩优于其 [8]FUKUNAGA K.Introduction to statistical pattern recogni- 他不变矩。 tion[M].2nd ed.San Diego,USA:Academic Press