一种基于图像空间结构分布的舰船目标特征表示方法

摘要

本发明公开了一种基于图像空间结构分布的舰船目标特征表示方法，采用“分组”处理思想，将待处理的图像进行分块处理，并将分块处理后的图像组合在一起，构成图像的全局纹理特征，这种基于“先分解后合成”处理策略的图像熵信息表达式既描述了图像的局部区域特征又表征了图像的全局特征，有利于提高后续目标分类的精度，同时提出了基于计算量最小化原则的分组策略，这一通用分组模板降低了算法的计算量。

主权项

一种基于图像空间结构分布的舰船目标特征表示方法，其特征在于：采用“分组”处理思想，将待处理的图像进行分块处理，并将分块处理后的图像组合在一起，构成图像的全局纹理特征，该方法具体包括以下步骤：步骤1：提取光学遥感图像步骤2：将待处理图像进行分块处理对于大小为M×N的多频谱图像I(x,y)，假设它的像素灰度级为L，在其多维直方图中，另设其第K直方图Ω所在的可行域被划分成个“超立方体”单元，假设每个“超立方体”单元含有个(N＝L/M)像素，则对于图像I(x,y)参与运算的像素点个数S，由“局部‑整体”的计算方式，可得：$\begin{array}{c}S=\underset{i=0}{\overset{N-1}{\Sigma }}\underset{j=0}{\overset{N-1}{\Sigma }}...\underset{k=0}{\overset{N-1}{\Sigma }}\left(1\right)+\underset{i=0}{\overset{M-1}{\Sigma }}\underset{j=0}{\overset{M-1}{\Sigma }}...\underset{k=0}{\overset{M-1}{\Sigma }}\left(1\right)\\ =N^K+M^K\\ =\frac{L^K}{M^K}+M^K\end{array}$可以看出上式存在最小值，当且仅当时，S取最小值，此时算法的计算量最小，记作简记为其中，L表示图像灰度级；步骤3：计算局部图像熵值在图像的K维空间，假设其第i个“超立方体”所在的局部邻域为a_i，则在a_i内，图像的信息熵计算如下：$H_i\left(f\right)=-\underset{b_1=1}{\overset{a_i}{\Sigma }}\underset{b_2=1}{\overset{a_i}{\Sigma }}...\underset{b_K=1}{\overset{a_i}{\Sigma }}{w}_{b_1{b}_2...b_K}{p}_{b_1{b}_2...b_K}\lg \left(p_{b_1{b}_2...b_K}\right)$$p_{b_1{b}_2...b_K}=\frac{f_{b_1{b}_2...b_K}}{\underset{b_1=1}{\overset{N}{\Sigma }}\underset{b_2=1}{\overset{N}{\Sigma }}...\underset{b_K=1}{\overset{N}{\Sigma }}{f}_{b_1{b}_2...b_K}}$其中，表示权值，且b₁,b₂,…b_k表示K维上的位置索引，为位置b₁×b₂×…×b_k处的像素灰度值，为位置b₁×b₂×…×b_k处的像素灰度分布概率。此外，权值的计算方法如下：$w_{b_1{b}_2...b_K}=\frac{1}{{\delta }_{b_1{b}_2...b_K}}\exp \left(-\frac{\left|\right|f_{b_1{b}_2...b_K}-\bar{f}|{|}^2}{2{\sigma }^2}\right)$上式中，σ为高斯分布方差，一般取经验值其中，表示图像I(x,y)位于区域a_i内的灰度均值，是归一化参数；步骤4：合成图像的空间结构特征按照步骤(1)所述，假设图像所在的K维空间根据图像的灰度级被划分成M，分别记做(R₁,R₂,…,R_M)，则将这M块组合起来，构成图像的全局纹理特征，即$H=\underset{i=1}{\overset{M}{\Sigma }}{H}_i\left(f\right);$步骤5：根据粗糙集理论，计算上述步骤2至步骤4中提取的舰船特征的重要性权值。