（计算机应用技术专业论文）基于高分辨率卫星影像的车辆检测算法研究.pdf

中文摘要摘要快鸟卫星是美国d i g i t a lg l o b e 公司所拥有的商用高分辨率光学卫星，其影像分辨率高达6 1 厘米。这种高分辨率卫星数据已经被广泛应用于国土、规划、测绘、遥感等领域，在交通领域的应用也越来越深入。由于在快鸟卫星影像上能清楚地观测到车辆，因此利用它来辅助交通监控越来越得到人们的关注。为了能从快鸟图像上分类出车辆目标，本文使用了一种纹理分析结合神经网络的方法来对快鸟图像进行分类。首先对快鸟图像进行预处理，预处理包括对图像进行适当的放缩，裁剪。通过实验分析，需要对预处理后的道路片断进行图像增强，然后选取图像典型区域，对快鸟图像进行纹理分析，此阶段使用灰度共生矩阵法计算出3 个对快鸟图像最敏感的纹理特征值，并结合像元的灰度值组成图像的特征矢量。考虑到神经网络具有自组织、自学习、自适应和联想能力，通过对样本反复训练，能辨别各类样本特征的优点，决定选择用神经网络对提取出的特征矢量进行训练。本文最终选用了径向基神经网络( r b f ) 和概率神经网络两种常用的神经网络模型对图像中道路和车辆等物质进行训练，等到网络收敛后，用待识别的图像测试分类识别的效果。通过实验分析两种网络模型对快鸟图像的识别效果和分类精度，发现这两种网络模型都能够达到令人比较满意的效果，而且概率神经网络分类模型在识别效果及分类精度上都优于径向基神经网络。关键词：纹理分析；高分辨率卫星图像；r b f 神经网络；概率神经网络英文摘要t h es t u d yo fa l g o r i t h ma b o u tv e h i c l ed e t e c t i o nb a s e do nh i g hr e s o l u t i o ns a t e l l i t ei m a g ea b s tr a c tq u i c k b i r ds a t e l l i t ei sac o m m e r c i a lh i g hr e s o l u t i o no p t i c a ls a t e l l i t eo w n e db yd 诤t a lg l o b ec o r p o r a t i o no fa m e r i c a ，w h o s e i m a g er e s o l u t i o nc a nr e a c h6 1c m s u c hh i g hr e s o l u t i o ns a t e l l i t ed a t ah a v e b e e nw i d e l yu s e di nl a n d ，p l a n n i n g ，m a p p i n g ，r e m o t es e n s i n ga n do t h e rf i e l d s ，a n de s p e c i a l l yi nt h ef i e l do ft r a n s p o r t a t i o n v e h i c l e sc a nb eo b s e r v e dd e a r l yo nq u i c k b i r ds a t e l l i t ei m a g e s ，t h e r e f o r ep e o p l ec o n c e r nm o r ea n dm o r eo nu s i n gh i g hr e s o l u t i o ns a t e l l i t ei m a g e st oa s s i s tt r a f f i cm o n i t o r i n g t h i sp a p e ru s e sat e x t u r ea n a l y s i sa n dn e u r a ln e t w o r km e t h o df o rt h ec l a s s i f i c a t i o no fv e h i c l et a r g e t so nq u i c k b i r di m a g e s t h ef i r s tt h i n gt od oi st op r e p r o c e s st h eq u i c k b i r di m a g e t h ep r e p r o c e s s i n gs t a g ei n c l u d e sa p p r o p r i a t ez o o m i n ga n dc r o p p i n g t h r o u g he x p e r i m e n t sa n da n a l y s i s ，i ti sn e e d e dt od oi m a g ee n h a n c e m e n to i lt h ep r e p r o c e s s e dr o a dc l i p s t h e nt h i sp a p e rs e l e c t st y p i c a li m a g er e g i o na n dp r o c e e d st od ot e x t u r ea n a l y s i s i nt h ep r o g r e s so ft e x t u r ea n a l y s i s ，t h r e ep i x e lt e x t u r ep a r a m e t e r st h a ta r es e n s i t i v et oq u i c k b i r di m a g e sa r ec a l c u l a t e db yg r a yl e v e ld i f f e r e n c es t a t i s t i c s t h eq u i c k b i r di m a g e sa r ec l a s s i f i e db yu s i n gt h ef e a t u r ev e c t o rt h a ti sc o m p o s e do ft h eg r a yl e v e lc o o c c u r r e n c em a t r i xf e a t u r e sa n dg r a yo fp i x e l n e u r a ln e t w o r kh a st h ec a p a c i t i e so fs e l f - o r g a n i z i n g ，s e l f - l e a r n i n g ，s e l f - a d a p t i n ga n da s s o c i a t i o n ，a n di tc a ni d e n t i f yc h a r a c t e r i s t i c so fv a r i o u st y p e so fs a m p l e sb yt r a i n i n gt h es a m p l e sr e p e a t e d l y c o n s i d e r i n gt h ea d v a n t a g eo ft h en e u r a ln e t w o r k ，t h ep a p e rd e c i d e st oe x t r a c tt h ef e a t u r ev e c t o r sa st h ei n p u t so ft h en e u r a ln e t w o r kf o rt r a i n i n g t h ep a p e rf i n a l l yc h o o s e st w oc o m m o nn e u r a ln e t w o r km o d e l s ：r a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r k ( r b f n n ) a n dp r o b a b i l i s t i cn e u r a ln e t w o r k ( p n n ) t ot r a i nr o a da n dv e h i c l e so nt h ei m a g e t h ea r t i f i c i a ln e u r a ln e t w o r ki st e s t e db yu s i n gt h eu n i d e n t i f i e di m a g e sa f t e rt h en e t w o r k sc o n v e r g e n c e b ya n a l y z i n gt h er e s u l t so ft h e2t y p e so fn e t w o r ka b o v e ，i tc a nb ec o n c l u d e dt h a te i t h e rn e t w o r km o d e lc a na c h i e v ea n英文摘要s a t i s f i e dr e s u l t a n dp r o b a b i l i s t i cn e u r a ln e t w o r ki sm o r ee f f e c t i v ea n dm o r ea c c u r a t et h a nr a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r ka st h ec l a s s i f i e rf o rq u i c k b i r di m a g e s k e yw o r d s ：t e x t u r ea n a l y s i s ：h i g hr e s o l u t i o ns a t e l l i t ei m a g e ：r a d i a lb a s i sf u n c t i o n n e u r a ln e t w o r k0 r b f n n ) ；p r o b a b i l i s t i cn e u r a ln e t w o r k ( p n n )大连海事大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果，撰写成博士硕士学位论文：基王直盆趁奎里星毖堡的奎堑捡型篡选婴窒：。除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。论文作者签名：专1 逮鑫口眸；月培日学位论文版权使用授权书本学位论文作者及指导教师完全了解“大连海事大学研究生学位论文提交、版权使用管理办法 ，同意大连海事大学保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权大连海事大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。保密口，在年解密后适用本授权书。本学位论文属于：保密口不保密d ( 请在以上方框内打”)论文作者虢i i 驻新签考廖狮日期：口年了月z 孑日基于高分辨率卫星影像的车辆检测算法研究第1 章绪论1 1 遥感技术的发展遥感技术是城市的几何空间信息和部分属性信息获取与更新的主要手段，具有快速、准确、经济等特点，被广泛用于社会各个方面。近年来，随着高空间分辨率遥感卫星的相继发射，高分辨率遥感卫星数据的处理与应用研究逐步成为遥感应用领域的研究热点。早期高空间分辨率遥感卫星主要应用于军事领域，2 0 世纪9 0 年代才逐渐进入商业和民用范畴，并得到迅速发展。目前常用的高分辨率卫星有美国的q u i c k b i r d 、i k o n o s 、s p o t - 5 、l a n d s a t - 7 卫星、俄罗斯的s p i n t w o卫星、加拿大的r a d e rs a r 卫星、印度的i e r s 卫星以及中国1 9 9 9 年成功发射的c b e r s 一1 地球资源卫星。与传统的中低空间分辨率的卫星影像相比，高空间分辨率卫星影像具有以下特点：【1 】( 1 ) 一星多传感器，既提供高几何分辨率的全色波段，又提供多光谱数据。随着成像光谱波段的变窄，单色波段的光谱分辨率增加，使得利用光谱空间特征来区分和判定地物类别的精度大大提高。( 2 ) 时效性强。同地区成像时间周期显著缩短，平均覆盖周期为1 - 3 天，使得数据更新的速度很快，所以高分辨率数据完全可以满足有关部门对“动态监测”的时效性要求。( 3 ) 数据应用从宏观到微观、从定性到定量。过去中、低分辨率数据主要应用于宏观领域，进行定性分析，形成物理模型，主要进行研究型应用：现在的高空间分辨率数据完全可应用于微观领域，进行定量化分析，最后形成地理模型，基本实现工程化应用。( 4 ) 信息丰富、数据量大。高空间分辨率数据包含了精确的地理信息和高精度的地形信息，它所含数据量是相同面积中、低分辨率数据的1 0 0 倍以上。( 5 ) 高空间分辨率卫星影像上地物的几何结构和纹理信息更加明显。在高空间分辨率图像上，地物景观的结构、纹理和细节等信息清楚地表现出来，让我们在第1 章绪论获得丰富的地物光谱信息的同时还可以获取更多的关于地物结构、形状和纹理方面的信息。在高分辨率遥感影像如q u i c k b i r d 卫星影像上，排队的人群、公路上的汽车以及大楼的纹理都清晰可辨，这使得对城市信息的解译成为可能。1 2 遥感技术在交通领域应用的研究意义当今城市化进程加快，城市高速发展，要求城市道路交通网络应与城市的现代化相匹配。在交通规划、控制与管理方案的制定过程中，如何充分利用丰富的空间信息，保证交通调查资料的全面性与现势性，实现城市交通网络的合理布局，优化网络结构，使交通网络能充分、高效地发挥作用，而且又能省时、省力，显得非常重要【2 】。做出一个好的城市交通规划方案的前提是对城市交通现状的准确把握和对未来交通需求的可靠预测。传统的交通调查方法往往耗时费力，而且误差较大。随着空间科技的发展，遥感技术已成为当前人类研究地球资源的一种有力技术手段。高分辨率遥感技术可以提供大量翔实、可靠、现势性强的交通规划所需信息，如土地利用、交通小区人口、城市道路网络、交通流量分布、交叉口类型、停车场分布、建筑密度和容积率，甚至主干道路渠化信息等。这些信息获取以后，如何进行科学、合理、系统、有效的管理与表述，以方便空间信息的充分利用，是很有研究价值的。交通运输的发展对城市交通监控的需求日趋强烈，目前常用感应线圈、桥头传感器和固定摄相机等地面传感器来实现交通监控。但是，这些传感器获取的主要是主干道路的交通信息，而对那些作为市内道路网主体部分的支干道路或中小型道路上的交通状况很少涉及。随着像i k o n o s 和q u i c k b i r d 这样新型光学卫星的发射成功，遥感卫星影像分辨率可达0 6 1 0m ，在这些高分辨率卫星影像上含有很多信息，比如能清楚地观测到车辆【3 】，而这些信息对于发现和识别复杂的事物是很有用的。遥感技术在交通领域的应用目前被称为r s o t ( r e m o t es e n s i n go nt r a n s p o r t a t i o n ) ，在交通领域的应用作为一个较新的研究领域而充满活力i l j ，特别是随着高空间分辨率卫星数据的商业化应用，该研究领域具有了更为广阔的发展前景。因此，利用高分辨率卫星影像来辅助交通监控越来越受到人们的关注。2基于高分辨率卫星影像的车辆检测算法研究1 3 国内外研究方法综述过去遥感工作者曾利用航空影像进行了一些车辆检测方面的研究。这些文献中，一般采用两种车辆模型：基于外观的隐式模型和显式模型。显式模型常用盒子或线框表示法来描述车辆，然后对图像上的各部分进行从上而下的模型匹配；隐式模型代表性的由围绕每个像素的强度和纹理特征构成，通过检查周围图像像素的特征向量来执行检测的。在o 6 一1 0m 分辨率的卫星影像上，由于车辆细节信息太少，无法采用模型的方法进行车辆检测。因此，必须开发新的面向高分辨率卫星图像的车辆检测方法。目前，针对高分辨率卫星影像进行车辆检测的研究还很少，且主要针对车辆稀疏的道路，没有涉及停车场的车辆检测，检测率也不理想【4 j 。韩国s oh e ej e o n ，k i w o nl e e ，b y u n g d o ok w o n 利用k o m p s a te o c 图像提出了模板匹配算法。模板匹配算法由几个处理元素组成：模板、相关选择、匹配。主要的流程是这样的：首先加载图像，而且此时如果图像是彩色的，一定要把它转换成灰度图像。接着在给定的图像上选定一个目标对象作为模板，在实际中有时候可以选择多个模板。然后设置匹配度作为相关值，匹配度不同结果就不同。最后，用模板图像和原始图像进行匹配。通过应用这种算法，能够自动获得遥感图像中已选目标的坐标和数量。如果用户在输入图像上选择一个具体的车辆目标，就可以得到车辆的坐标和数量。但是这个方法也存在一些问题：当一个具体目标被检测时，这种匹配方法受到目标物体背景环境的影响。而且匹配度的确定也是一个问题。但是总的来说，检测效果还是可以的【引。哥伦比亚的密苏里州大学x i a o y i n gj i n ，c u r th d a v i s 禾l j 用1 米全色的i k o n o s高分辨率卫星图像提出了一种基于形态共享权神经网络的车辆检测方法。形态共享权神经网络m s n n ( m o r p h o l o g i c a ls h a r e d w e i g h tn e u r a ln e t w o r k s ) 由两个层叠的子网络组成：特征提取子网络和前馈型分类子网络。特征提取子网络由一个或多个特征提取层组成，每一层由一个或多个特征图组成。与每个特征图相关联的是一对结构元素，一个用于腐蚀，另一个用于膨胀。特征图的值是对上一层的图像用这一对结构元素做击中或击不中变换所得到的值。最后一层特征图的值输出给m s n n 的前馈型网络进行分类【4 】。3m s n n & 月十日# # 十￥m $ # n 自自# 月镕m 女”自镕* ，e b 自自目# 讲# 十r 日7 m 自月删1 。自自 # 月十a t r ( a u t l c t a r g e t g m t i o n ) r n 目，7 * 自女m $ #a 十* m * ，n 女* 自一十* 理# * 。* # 镕* n m 女女女自自m # 镕i $ ( 自# 女# # * $ 目5 $ # 镕女# 目# 镕$ ) # 目w 月m s n n # # 十 # m i d 自m 。n 镕# * 日勺* * 女十，r 一“一2 十 目镕( t 目11 ) ”* 日镕$ 女自# $ # # $ 。镕hm s n n 实o i l i e k b i x d g 镕m 镕h 自m 目女，女耸* t * mj 日口。t 目g 目m 镕目h ( 目12 ) 自d 镕* ( 目i3 )蕊努能哺涎黩一一一目11 目m m 日# m ( 自【4 】)啦mj # 砌州f o r d l 埘茜叠浏十口# r g 月日r m d m # m m r 月b 镕! # i h d 月m * # # 自# 日# 目# 自，目j 镕目# # 5 $ 目* 十* 目# 自勺l# * i 自，镕m d 目 女，# * 目m 目* m # 目日勺基于高分辨率卫星影像的车辆检测算法研究法就很难实现对目标的快速准确定位。利用遗传算法的自适应性能就可以屏蔽掉模板匹配过程中对复杂参数的确定过程。该算法选择了基于灰度的模板匹配算法作为研究对象，构建模板匹配的算法与遗传算法之间的适应度函数关系。试图利用遗传算法的自适应迭代和直接对参数对象进行操作的智能寻优搜寻特点，屏蔽掉模板匹配目标过程中对空间角度、缩放比例和强背景噪声等复杂参数的影响，取得精确的匹配效果。1 4 本文的研究思路及内容根据快鸟图像的特点，在分析现有的国内外研究现状的基础上，提出了本文的研究方法和思路：本文首先对快鸟图像进行预处理，其中包括对图像进行适当的放缩，选择具体的地段进行定位，然后对定位好的图像进行剪裁，得到了最终的道路图像片断。接着通过一系列实验分析，需要对预处理后的道路片断进行图像增强。本文研究的主要工作是针对快鸟图像的具体特征，首先提取出图像的可用于分类的特征，把提取的特征矢量作为神经网络的输入源，通过选取典型区域的训练样本对网络模型进行训练，直到网络收敛为止，然后用训练好的网络模型仿真待分类的快鸟图像片断，并对分类结果作分析，提出改进之处。在图像的特征提取这一步，我们最终提取了灰度和纹理两个特征组合在一起作为特征矢量。因为单纯靠纹理或者灰度都不能很好的提取出图像中的所有对分类有帮助的特征信息，其中纹理提取的方法我们选择应用比较广泛的灰度共生矩阵法。选择神经网络模型的时候，我们分别使用径向基神经网络( r b f ) 和概率神经网络( p n n ) 两种神经网络模型对图像的特征矢量进行训练和仿真，多次实验确定最佳的网络参数，使每一种网络模型都达到收敛。然后对比两种分类模型的识别效果和识别精度，提出哪一种网络模型更适合对快鸟图像进行分类。最后对研究中使用的方法作了总结，提出需要改进的地方，确定了今后研究的目标。5第2 章q u i c k b i r d 卫星图像第2 章q uic k bir d 卫星图像2 1 快鸟卫星介绍快鸟卫星是目前世界上商业卫星中分辨率最高、性能较优的一颗卫星。其全色波段分辨率为o 6 1 米，彩色多光谱分辨率为2 4 4 米，幅宽为1 6 5 公里1 0 1 。中国遥感卫星地面站与日本、美国的相关部门签署了中国遥感卫星地面站在中国境内分发q u i c k b i r d ( 快鸟) 数据的代理协议。q u i c k b i r d 卫星主要成像参数如下：表2 1 快鸟卫星成像参数( 引自 1 0 )t a b 2 1q u i c k b i r ds a t e l l i t ei m a g i n gp a r a m e t e r s成像方式推扫式成像传感器全波段多光谱分辨率0 6 1 米( 星下点)2 4 4 米( 星下点)蓝：4 5 0 - - 5 2 0 n r *波长4 5 0 - - 9 0 0 n m绿：5 2 0 - - 6 0 0 n m红：6 3 0 - - 6 9 0 n m近红外：7 6 0 - - 9 0 0 n m量化值l l 位星下点成像沿轨横轨迹方向( + - 2 5 度)立体成像沿轨横轨迹方向辐照宽度以星下点轨迹为中心，左右各2 7 2 公里成像模式单景1 6 5 公里1 6 5 公里条带1 6 5 公里1 6 5 公里轨道高度4 5 0 公里倾角9 8 度( 太阳同步)重访周期1 6 天( 7 0 厘米分辨率，取决于纬度高低)6i f 女* * $ 1 9 * * # * r22 快鸟卫星图片t 目m 十目# * $ 1 9 月* q u - 岫i i d 目h ，目# 于自目目2 0 0 7 # 5 月3 日f f0 3 ：1 1 ：4 1 a # 目e h * $ * 女# 桂mm ( e 1 2 l5 2 “，n3 8 1 6 1 ) * 十o 女口m 十女! 一h e # 。女十ea m 目g 自7 m m 自镕r 十镕- * 日t * 镕m ；#$ # ，f 】# 7 日十m 镕h # 十$ # # ；。目2 2 目23e i em a 月十目$ # ；m 镕h 月m * ；# f 自# ” ￥t h r目23 m 镕h m ( $ 女m m )a n 目2 2 目2 3 # w 】可“镕# d 镕 $ 。m m 女m 于f i 于白7 目2 2 白勺女镕镕a 目2 4 i ，# a # 白目目g2 0 3 7 1 0 1 5 f 1 01 5 。目24 女目m 镕目h ( $ n 女# i )f i g2 4 c r o a d 基于高分辨率卫星影像的车辆检测算法研究第3 章图像增强理论在图像形成、传输或变换的过程中，由于受到其它客观因素诸如系统噪声、曝光不足或过量、相对运动等影响，获取图像往往会与原始图像之间产生某种差异( 称为降质或退化) 。退化后的图像通常模糊不清或者经过机器提取的信息量减少甚至错误，因此必须对其采取一些手段进行改善 1 1 1 。图像增强技术正是在此意义上提出的，目的就是为了改善图像的质量。图像增强根据图像的模糊情况采用各种特殊的技术突出图像中的某些信息，削弱或消除无关信息，达到强调图像的整体或局部特征的目的。图像增强尚没有统一的理论方法，常用的图像增强技术有直方图修改、图像平滑滤波、图像锐化等。图像增强技术主要分为两类：频域增强法和空域增强法。频域增强法主要是利用各种频域滤波器进行图像平滑或锐化处理，然后进行变换域反变换来增强图像；空域增强法是直接针对图像中的像素，对图像的灰度进行处理。空域法属于直接增强的方法，它包括扩展对比度的灰度变换和直方图变换、消除噪声的平滑法和增强边缘的锐化法。本文要讨论的直方图增强方法属于空域增强法。图像增强是数字图像处理的基本内容之一【1 2 1 ，是对数字图像作预处理，其目的是根据应用需要突出图像中的某些“有用 信息，削弱或去除不需要的信息，以达到扩大图像中不同物体特征之间的差别，使处理后的图像对于特定应用而言，比原始图像更合适，或者为图像的信息提取以及为其他图像分析技术奠定基础。遥感图像增强是改善图像视觉效果，增强目标地物的影像差异或特征，将目标地物从环境背景信息中突出出来的处理【l 习。当分析遥感图像时，为了使分析者能容易确切地识别图像内容，必须按照分析目的对图像数据进行加工，目的是提高图像的可判读性。3 1 图像增强处理分类，图像增强处理方法根据处理过程所在的空间不同，可分为基于空间域的增强方法和基于频率域的增强方法两大类1 2 1 。频域处理法的基础是卷积定理，它采用修改图像傅立叶变换的方法实现对图第3 章图像增强理论像的增强处理。空域处理法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的，所用的映射变换取决于增强的目的，例如增加图像的对比度，改善图像的灰度层次等处理均属于空域处理法的范畴。在获取图像的过程中，由于多种因素的影响，图像质量可能退化。图像增强就是借助一系列技术改善图像的视觉效果，提高图像的清晰度。本文分析了图像增强的原理，并通过实验对比验证图像增强的效果。3 1 1 空域增强法基于空间域的增强方法直接在图像所在的二维空间进行处理，即直接对每一像素点的灰度值进行处理。根据所采用的技术不同又可分为灰度变换和空域滤波两类方法【1 4 _ 1 引。灰度变换是基于点操作的增强方法，将每一像素点的灰度值按照一定的数学变换转换为一个新的灰度值。基于灰度变换原理的图像增强方法非常丰富，如增强处理中常用的直接灰度变换( 包括线性变换和非线性变换) 、对比度增强、直方图均衡化、直方图规定化和图像的代数运算等方法都属于灰度变换技术。空域滤波是基于邻域处理的增强方法，它应用某一模板对每个像素点与其周围邻域的所有像素点进行某种确定数学运算得到该像素点新的灰度值，输出值的大小不仅与该像素点的灰度值有关，而且还与其领域内的像素点的灰度值有关，常用的图像平滑滤波与锐化滤波技术就属于空域滤波的范畴。3 2 基于空间域的直接灰度变换一般成像系统中常出现图像不均匀、对比度不足等弊端，使人眼观看图像时视觉效果很差。灰度变换就是对图像像素进行修正，使整幅图像成像均匀。通过灰度变换可以改善视觉效果。直接灰度变换又可以分为以下3 种：线性变换、分段线性变换和非线性变换n 4 - 1 引。3 2 1 线性灰度变换在曝光不足或过度的情况下，图像灰度可能会局限在j i t d , 的范围内。这时人们看到的将是一个模糊不清，似乎没有灰度层次的图像。用一线性单值函数，对1 2基于高分辨率卫星影像的车辆检测算法研究图像内的每一个像素作线性扩展，将有效地改善图像视觉效果。令原图像f ( m ，n ) 的灰度范围为 a ，b 】，线性变换后，图像g ( m ，n ) 的范围为【c ，d 】，如图3 1 所示。g ( m ，n ) f f 铂f ( m ，n ) 之间的变换关系为：g ( m ，n ) = 譬( ，一口) + cd adc0ab图3 1 灰度线性变换示意图( 引自 1 4 )f i g 3 1g r a yl i n e a rt r a n s f o r m a t i o nd i a g r a m从灰度直方图分析，由于i d c l 大于i b a l ，所以对离散图像来说，尽管变换前后像素的个数不变，但是不同像素之间的灰度差变大，对比度加大，图像质量优于变换前。对于连续图像，如果背景与目标物的灰度之差很小，在【a ，b 】区间内量化时可能进入同一灰度级内而不能分辨。如果线性变换时使i d c l = gi b a l ，g 2则量化时，f ( m ，n ) 变换后在 c ，d 】区间内就可以取g * n 个以上不同的灰度值，n 是f ( m ，n ) 在 a ，b 】区间内所取的灰度级个数，人的眼睛原本不能检测的目标用增强手段可以显示出来。若图像中大部分像素的灰度级在【a ，b 】范围内，少部分像素分布在小于a 和大于b 的区间内。此时可用下式作变换，如图3 2 所示1 3第3 章图像增强理论g。m，n，：三+ic-要dc f 二曲dcf ( m ，n ) aa f ( m ，n ) bf ( 】 i l n ) b0abf ( x ，y )图3 2 截取式线性变换示意图( 引自 1 4 )f i g 3 2i n t e r c e p t i o nl i n e a rt r a n s f o r m a t i o nd i a g r a m3 2 2 分段线性灰度变换在实际应用中，将图像灰度区间分成两段乃至多段分别作线性变换。分段线性变换的优点是可以根据用户的需要，拉伸特征物体的灰度细节，相对抑制不感兴趣的灰度级。如下图所示是分成3 段的示意图。1 4基于高分辨率卫星影像的车辆检测算法研究m gdc0abm ，f ( x ，y )图3 3 分段线性灰度变换示意图( 引自 1 4 )f i g 3 3p i e c e w i s el i l 】e a rg r a y - s c a l et r a n s f o r m a t i o nd i a g r a m其数学表达式如下：g ( m ，n ) =c f ( m ，n )竺【f ( m ，n ) a 】+ c b - a硒m g - d 洲+ d0 f ( m ，n ) aa f ( m ，n ) bb f ( m ，n ) m ，图中对区间 a ，b 进行了灰度扩展，而区间 0 ，a 和 b ，m ， 受到了压缩。通过调整折线拐点的位置及控制分段直线的斜率，可对任一灰度区间进行扩展或压缩。这种变换适用于在黑色或白色附近有噪声干扰的情况。例如照片中的划痕，由于变换后 0 ，a 和 b ，m ， 受到了压缩，因而使污斑减弱。1 5第3 章图像增强理论3 2 3 非线性灰度变换当用某些非线性函数，例如对数函数、指数函数等作为映射函数时，可实现图像灰度的非线性变换。常用的非线性变换有对数变换和指数变换，对数变换的公式一般为：g ( x ，y ) ：a + l n f f _ x = , y ) 一+ 1 o l i n c其中a ，b ，c 是可调参数，为了调整曲线的位置和形状而引入的参数。它使图像的低灰度区得以扩展，而高灰度区得到压缩，以使图像的灰度分布均匀，与人的视觉特性匹配。指数变换的一般式为：g ( x ，y ) = 易。，( 埘卜一1其中a 、b 和c 参数用来调整曲线的位置和形状，它的效果与对数相反，它将对图像的高灰度区进行扩展。3 3 基于灰度直方图变换图像的直方图是图像的重要统计特征，它是对图像中每一灰度值出现频率的统计，一幅图像的直方图基本上可以描述一幅图像的概貌。常用的方法有直方图均衡化技术和直方图规定化技术。3 3 1 灰度直方图图像的灰度统计直方图是一个一维离散函数【1 9 - 2 0 ：p ( & ) = 丝k = o ，1 ，l l( 3 1 )n式中，& 是图馒f ( x ，y ) 的第k 级灰度值；仇是f ( x jy ) 中具有灰度值& 的像素的个数；n 是图像中像素的总数。由定义式可知，p ( s k ) 给出- j 对s k 出现概率的一个估计，所以直方图表明了图像中灰度值的分布情况。因此，可以通过改变直方图的形状来达到增强图像对比度的效果。这种方法是以概率论为基础的，常用的方法有直方图均衡化和直方图规定化。1 6基于高分辨率卫星影像的车辆检测算法研究图像增强的目的在于改善图像的显示质量，以利于信息的提取和识别。从方法上说，则是设法摒弃一些认为不必要或干扰的信息，而将所需要的信息得以突出出来。显然，这可以通过调整图像直方图，进行像元亮度值之间的数学运算处理，或是数学变换等方法来实现。3 3 2 直方图均衡化直方图均衡化处理是以累积分布函数为基础的直方图修改法 1 9 - 2 0 。一幅对比度小的图像，其直方图分布一定集中在某一比较小的范围内，经过均衡化处理，是将原始图像的直方图变为均衡分布的形式，即将一己知灰度概率密度分布的图像经过某种变换，变成一幅具有均匀灰度概率密度分布的新图像。这样就增加了像素灰度值的动态范围，从而达到了增强图像整体对比度的效果。具体方法是：( 1 ) 计算出原始图像的所有灰度级s k ，k = o ，l ，l 一1 ；( 2 ) 统计原始图像各灰度级的像素数，l 。；( 3 ) 用式( 3 1 ) 计算原始图像的直方图；( 4 ) 计算原始图像的累计直方图，即t k = e h ( s k ) = 鲁= p ，( 墨)o 基于信息理论的特征：熵 基于相关度的特征：相关 基于统计的特征：均值，变化量，角二阶矩 表达可视纹理的特征：局部平稳，对比度，非相似性nn( 1 ) 均值( m e a n ) m e a = i b ( f ，j )i = 1j = l局部窗口内灰度的均值。n( 2 ) 变化量( v a r i a n c e ) v a r = p a ( i ，歹) ( i - m e a ) 2基于高分辨率卫星影像的车辆检测算法研究局部窗口的灰度变化，变化越大，则值越大。nn( 3 ) 角二阶矩( a n g u l a rs e c o n dm o m e n t ) a s m = b ( f _ ) 2i = lj = l角二阶矩又称能量，它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细度，角二阶矩越大，则b ( f ，j ) 分布越不均匀。nn( 4 ) 局部平稳( h o m o g e n e i t y ) h o m = b ( f ，j ) o + ( i 一歹) 2 】局部平稳又称逆差矩，它是图像局部灰度均匀性的度量。灰度均匀，逆差矩的取值较大，当共生矩阵沿对角线集中时，值较大。( 5 ) 对比度( c o n t r a s t )对比度是灰度共生矩阵主对角线附近的惯性矩，它度量矩阵的值是如何分布和图像中局部变化的多少，反映了图像的清晰度和纹理的沟纹深浅。纹理的沟纹深，对比值大，效果清晰。反之，对比值小，则沟纹浅，效果模糊。nn( 6 ) 非相似性( d i s s i m i l a r i t y ) d i s = l f j l p a ( i ，j )。i = 1j = l量度相似性，与对比度相同，局部高对比变化时，值就大。nn( 7 ) 熵( e n t r o p y ) e n t = - p a ( i ，歹) l o g p 艿( i ，歹)衡量复杂度，按最大熵理论，熵越大，则b ( f ，j ) 分布越均匀。nn( 8 ) 相关( c o r r e l a t i o n ) c o r = ( i - i u ，) ( ，一y ) p a ( i ，j ) 吒盯yi = 1j = l它度量灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大。相反，如果矩阵像素元值相差很大则相关值小。当一幅图像中相似的纹理区域有某种方向性时，其值较大。其中：d瓴易2do芦m=dcd佤弓闩m=工第4 章q u i c k b i r d 卫星图像特征提取nn伊，= ( j - z ，) 2 p a ( i ，j )b ( f ，j ) 是灰度共生矩阵中位置( f ，歹) 处元素的值。实际应用中，计算灰度共生矩阵的窗口的选择，要视图像特征和欲提取的目标而定，灰度共生矩阵的方向对特征量的计算值影响很小，为了能有效地将图像上的纹理测度与目标特征联系起来，d 一般取值较小。do巴闩，m=y力瓴巴闩j一um=吒基于高分辨率卫星影像的车辆检测算法研究第5 章q uic k bir d 图像的神经网络识别技术5 1 遥感图像自动识别分类遥感图像自动识别分类，就是根据遥感图像数据特征的差异和变化，通过计算机处理，自动输出地物目标的识别分类结果。它是计算机模式识别技术在遥感领域的具体应用，是遥感图像应用处理的重要内容和关键技术之一。它可大大提高从遥感数据中提取信息的速度与客观性，从而促进遥感技术的大规模实用化的进程。遥感图像自动分类识别能否顺利进行，关键是如何确定每一类在多维特征空间中的位置、范围和类与类之间的边界的确切值。实施方法有两条截然不同的技术路线。一条是利用已知其属性类别的像元样区，训练计算机掌握各种类的上述统计值，以此为依据对逐个像元进行识别分类。此法称为监督分类或训练场地分类。另一条是在没有先验知识( 不选取类别样区) 的情况下，仅根据图像本身的统计特征进行识别分类，此法称为无监督分类或非监督分类。5 2 遥感图像监督分类方法遥感图像的监督分类过程是：第一步根据对该地区的了解( 先验知识) ，从图像数据中选择能代表各类别的样区或者样本；第二步对选出的样本进行统计分析处理，提取出各类别数据特征，并以此为依据建立适用的判别准则；第三步使用判别准则逐个判定各像元的类别归属；最后输出分类结果。第一步和第二步可以形象的比喻为对计算机进行“训练”，帮助计算机获得识别能力。判别准则可形象的称为“分类器”，每个像元通过分类器，经判别分析等处理确定其类别归属。监督分类方法中应用比较普遍的有最小距离分类、最大似然判别分类、模糊分类和神经网络分类。最小距离分类是一种较简便易行的分类方法。首先，利用训练样本数据，计算出每类别的均值向量及标准差向量，然后以均值向量作为该分类在特征空间第5 章q u i c k b i r d 图像的神经网络识别技术中的中心位置，计算每个像元到各类中心的距离，然后把各像元归入到距离最小的一类中去。最大似然判别分类是根据有关概率判决函数的贝叶斯准则对遥感图像进行的识别分类，是至今应用最广的监督分类方法，又称贝叶斯判别法。模糊分类认为一个像元可以在某种程度上属于某类而同时在另一种程度上属于另一类，这种类属关系的程度可用像元隶属度表示。所以应用模糊分类的关键是确定像元的隶属度函数。神经网络技术是试图模拟人脑的功能，建立起一种简化的人脑神经系统数学模型，这种方法在遥感图像自动识别分类中已初显其优越性。5 3 遥感图像非监督分类方法遥感图像非监督分类方法，是一种在没有先验知识的情况下，仅根据图像本身的统计特征与自然点群的分布状况进行地物分类的方法。这种无需选取各类样本，一般只提供某些阈值对分类过程加以部分控制的分类带有一定的“盲目| 生。实际上分出的类别是“谱类 而不是“地类”，必须通过对“谱类 所反映的地物属性进行分析与确认，才能转化为应用者所需的“地类”。实现非监督分类常用方法有集群法和图形识别法【2 7 1 。5 4 人工神经网络识别技术5 4 1 人工神经网络模型人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 是一种旨在模仿人脑结构及其功能的信息处理系统。它反映了入脑功能的若干基本特征。a n n 由大量具有简单信息处理功能的节点( 神经元) 所组成，每个节点能向邻近的节点发出激活或抑制信号，通过节点间的相互作用，实现整个网络的信息处理。a n n 在解决复杂的或非线性问题时，具有独到的功效。2 0 世纪8 0 年代以来，随着计算机、人工智能尤其是专家系统的发展，人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络是由许多具有非线性映射能力的神经元高度并联、互联而成的非线性动力系统，神经元之间通过结点间的连接权和结点阈值来实现连接。具有r基于高分辨率卫星影像的车辆检测算法研究个输入的神经元如图5 1 所示。神经元的每个输入p i g = 1 ，r ) 被对应的权重w f ( f = l ，r ) 作用，作用结果与偏置“b 的和“w p + b 形成转换函数f 的输入，函数的计算结果即为神经元的输出。辕入神经霓n 厂弋爱巧p 电一一! 一篇贰戡p 专龄图5 1 神经元模型( 引自 2 8 )f i g 5 1n e r v ec e l lm o d e l5 4 2 人工神经网络的特点人工神经网络是以对信息的分布存储和并行处理为基础，在许多方面更接近人对信息的处理方法。人工神经网络具有如下基本特性眇】：( 1 ) 具有自适应功能。它主要是根据所提供的数据，通过学习年n i ) 1 1 练，找到输入和输出之间的内在联系，。从而求得问题的解答，而不是依靠对问题的先验知识和规则，因而它具有很好的适应性。( 2 ) 具有泛化能力。它能够处理那些未经训练的数据，而获得相应于这些数据的合理的解答。同样，它能够处理那些有噪声或不完全的数据，从而显示很好的容错能力。对于许多实际的问题来说，泛化能力是非常有用的，因为现实世界所获得的数据通常受到噪声污染或残缺不全。第5 章q u i c k b i r d 图像的神经网络识别技术( 3 ) 非线性映射能力。现实问题往往是非常复杂的，各个因素之间相互影响，呈现出复杂的非线性关系，神经网络为处理这些问题提供了有用的工具。神经网络具有固有的非线性特性，这源于近似任意非线性的变换能力。( 4 ) 高度的并行处理能力。神经网络处理是高度并行的，因此用硬件实现的神经网络的处理速度可远远地超过通常计算机处理的速度。神经网络具有高度的并行结构和并行实现能力，每个神经元都可根据接收到的信息来做独立的运算和处理，然后将结果传送出去，它有较好的耐故障能力和较快的总体处理能力。5 4 3 神经网络用于遥感图像分类遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，