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·