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<img file="FDA0000853004350000011.GIF" wi="317" he="110" />个“超立方体”单元,假设每个“超立方体”单元含有<img file="FDA0000853004350000012.GIF" wi="269" he="104" />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:<maths num="0001" id="cmaths0001"><math><![CDATA[<mfenced open = "" close = ""><mtable><mtr><mtd><mrow><mi>S</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></munderover><mo>...</mo><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>N</mi><mo>-</mo><mn>1</mn></mrow></munderover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>M</mi><mo>-</mo><mn>1</mn></mrow></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>M</mi><mo>-</mo><mn>1</mn></mrow></munderover><mo>...</mo><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>M</mi><mo>-</mo><mn>1</mn></mrow></munderover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><msup><mi>N</mi><mi>K</mi></msup><mo>+</mo><msup><mi>M</mi><mi>K</mi></msup></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><mfrac><msup><mi>L</mi><mi>K</mi></msup><msup><mi>M</mi><mi>K</mi></msup></mfrac><mo>+</mo><msup><mi>M</mi><mi>K</mi></msup></mrow></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0000853004350000013.GIF" wi="718" he="367" /></maths>可以看出上式存在最小值,当且仅当<img file="FDA00008530043500000113.GIF" wi="205" he="67" />时,S取最小值,此时算法的计算量最小,记作<img file="FDA0000853004350000014.GIF" wi="303" he="71" />简记为<img file="FDA0000853004350000015.GIF" wi="276" he="111" />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<sub>i</sub>,则在a<sub>i</sub>内,图像的信息熵计算如下:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mi>H</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>a</mi><mi>i</mi></msub></munderover><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mn>2</mn></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>a</mi><mi>i</mi></msub></munderover><mo>...</mo><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mi>K</mi></msub><mo>=</mo><mn>1</mn></mrow><msub><mi>a</mi><mi>i</mi></msub></munderover><msub><mi>w</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><msub><mi>p</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mi>lg</mi><mrow><mo>(</mo><msub><mi>p</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000853004350000016.GIF" wi="962" he="143" /></maths><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msub><mi>p</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mo>=</mo><mfrac><msub><mi>f</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mrow><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mn>2</mn></msub><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mo>...</mo><munderover><mi>Σ</mi><mrow><msub><mi>b</mi><mi>K</mi></msub><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>f</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub></mrow></mfrac></mrow>]]></math><img file="FDA0000853004350000017.GIF" wi="590" he="213" /></maths>其中,<img file="FDA0000853004350000018.GIF" wi="197" he="63" />表示权值,且<img file="FDA0000853004350000019.GIF" wi="407" he="70" />b<sub>1</sub>,b<sub>2</sub>,…b<sub>k</sub>表示K维上的位置索引,<img file="FDA00008530043500000110.GIF" wi="184" he="70" />为位置b<sub>1</sub>×b<sub>2</sub>×…×b<sub>k</sub>处的像素灰度值,<img file="FDA00008530043500000111.GIF" wi="190" he="63" />为位置b<sub>1</sub>×b<sub>2</sub>×…×b<sub>k</sub>处的像素灰度分布概率。此外,权值<img file="FDA00008530043500000112.GIF" wi="192" he="62" />的计算方法如下:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msub><mi>w</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mo>=</mo><mfrac><mn>1</mn><msub><mi>δ</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub></mfrac><mi>exp</mi><mrow><mo>(</mo><mrow><mo>-</mo><mfrac><mrow><mo>|</mo><mo>|</mo><msub><mi>f</mi><mrow><msub><mi>b</mi><mn>1</mn></msub><msub><mi>b</mi><mn>2</mn></msub><mo>...</mo><msub><mi>b</mi><mi>K</mi></msub></mrow></msub><mo>-</mo><mover><mi>f</mi><mo>‾</mo></mover><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup></mrow><mrow><mn>2</mn><msup><mi>σ</mi><mn>2</mn></msup></mrow></mfrac></mrow><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000853004350000021.GIF" wi="711" he="182" /></maths>上式中,σ为高斯分布方差,一般取经验值<img file="FDA0000853004350000022.GIF" wi="405" he="142" />其中,<img file="FDA0000853004350000023.GIF" wi="41" he="71" />表示图像I(x,y)位于区域a<sub>i</sub>内的灰度均值,<img file="FDA0000853004350000024.GIF" wi="188" he="71" />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(R<sub>1</sub>,R<sub>2</sub>,…,R<sub>M</sub>),则将这M块组合起来,构成图像的全局纹理特征,即<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mi>H</mi><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><msub><mi>H</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000853004350000025.GIF" wi="326" he="151" /></maths>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。 |