基于骨架特征的多光譜遙感影像飛機(jī)目標(biāo)識(shí)別方法研究

蔡 棟，陳焱明，魏 巍

(1. 江蘇警官學(xué)院 治安管理系，江蘇 南京 210012； 2. 南京大學(xué) 地理與海洋科學(xué)學(xué)院，江蘇 南京 210093； 3. 國(guó)網(wǎng)電力科學(xué)研究院，江蘇 南京 210003)

一、引 言

在高技術(shù)條件下的局部戰(zhàn)爭(zhēng)中，飛機(jī)發(fā)揮著十分重要的作用。通過對(duì)飛機(jī)目標(biāo)的動(dòng)態(tài)信息提取，可以準(zhǔn)確把握區(qū)域動(dòng)態(tài)，為相關(guān)決策提供支持。在模式識(shí)別研究中，飛機(jī)目標(biāo)可分為飛行與地面靜止兩種狀態(tài)。對(duì)于地面靜止飛機(jī)目標(biāo)的識(shí)別，國(guó)內(nèi)外眾多學(xué)者運(yùn)用多領(lǐng)域處理方法進(jìn)行了大量的研究：李科等通過建立飛機(jī)樣本圖像庫(kù)，分析訓(xùn)練樣本庫(kù)中飛機(jī)圖像的特征量，利用最小距離、BP神經(jīng)網(wǎng)絡(luò)和樹分類器進(jìn)行判別[1]；徐大琦等提出了一種改進(jìn)區(qū)域分割方法，并應(yīng)用樹分類器對(duì)飛機(jī)目標(biāo)進(jìn)行自動(dòng)識(shí)別[2]；徐科等提出將小波變換結(jié)合灰度共生矩陣法提取飛機(jī)目標(biāo)樣本信息特征，通過Brodatz紋理測(cè)試判別目標(biāo)[3]。

目前，由于紋理特征、數(shù)學(xué)形態(tài)學(xué)特征和復(fù)雜幾何結(jié)構(gòu)等相對(duì)抗干擾性較強(qiáng)，對(duì)飛機(jī)目標(biāo)的提取集中在研究遙感影像數(shù)據(jù)的上述幾種特征上。其中，骨架線由地物的邊界形態(tài)決定，不受其他因素影響，具有良好的穩(wěn)定性，即使邊界點(diǎn)發(fā)生細(xì)微變化，地物邊界形態(tài)只要保持基本一致，骨架線形態(tài)特征在數(shù)值上呈現(xiàn)穩(wěn)定性。在本研究中，由于地物邊界通過遙感影像自動(dòng)獲得，邊界點(diǎn)的提取具有一定隨機(jī)性，因此，自動(dòng)提取的骨架線會(huì)受一定程度影響，局部可能存在偏差。但地物邊緣整體形態(tài)呈現(xiàn)穩(wěn)定性，導(dǎo)致提取的骨架線形態(tài)基本穩(wěn)定，對(duì)地物目標(biāo)的識(shí)別幾乎沒有影響。自動(dòng)提取骨架線的算法中，骨架線僅由地物邊緣點(diǎn)坐標(biāo)決定，無論地物目標(biāo)發(fā)生何種角度的旋轉(zhuǎn)或偏移，骨架線的形態(tài)保持不變，網(wǎng)絡(luò)特征參數(shù)也保持不變。因此，研究通過自動(dòng)提取多光譜遙感影像中地物邊緣實(shí)現(xiàn)地物矢量化，再經(jīng)由抽取骨架線提取地物特征參數(shù)，采用聚類方法，自動(dòng)提取飛機(jī)目標(biāo)。

二、研究方法

遙感影像目標(biāo)自動(dòng)識(shí)別在國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)中有大量的需求和廣闊的應(yīng)用前景，是信息處理領(lǐng)域的重要研究?jī)?nèi)容。由于依靠圖像的幾何、紋理、灰度特征很難準(zhǔn)確、可靠地解決目標(biāo)識(shí)別問題，因此，研究嘗試?yán)霉羌芫€矢量形態(tài)特性來分析地物目標(biāo)，自動(dòng)進(jìn)行多光譜遙感影像中的飛機(jī)目標(biāo)識(shí)別。雖然該方法目前受到遙感影像圖像分割技術(shù)的限制，提取地物邊緣未能達(dá)到最佳效果，但是隨著遙感成像技術(shù)與圖像分割技術(shù)的發(fā)展，從多光譜遙感影像精確提取地物邊緣已成為可能，應(yīng)用地物矢量特性提取地物精度必將隨之提高。

本文研究方法包括3個(gè)階段：①目標(biāo)邊緣提取。采用劉永學(xué)等提出的基于邊緣的多光譜遙感影像分割方法[4]，實(shí)現(xiàn)多光譜遙感影像的高精度自動(dòng)分類，提取地物邊緣，并將之轉(zhuǎn)換為矢量地物邊緣。②以Visual C++6.0為平臺(tái)，提取地物骨架線。以地物邊緣作為約束條件，采用基于約束Delaunay三角網(wǎng)自動(dòng)提取地物骨架線的算法，提取各個(gè)地物的骨架線，并同時(shí)計(jì)算各支骨架長(zhǎng)度(骨架線網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)之間的骨架線段長(zhǎng)度)，取最長(zhǎng)骨架線作為地物的主骨架，將提取的骨架線及主骨架存儲(chǔ)為SHP格式。③ 飛機(jī)地物自動(dòng)提取。利用AO開發(fā)技術(shù)，計(jì)算地物目標(biāo)骨架線特征參數(shù)，采用自動(dòng)聚類方法，實(shí)現(xiàn)飛機(jī)目標(biāo)的自動(dòng)識(shí)別與定位。研究技術(shù)路線如圖1所示。

圖1 研究技術(shù)路線圖

三、研究?jī)?nèi)容

1. 目標(biāo)邊緣提取

基于地物骨架線特征進(jìn)行自動(dòng)識(shí)別對(duì)從遙感影像自動(dòng)提取的地物骨架線質(zhì)量要求很高，經(jīng)過對(duì)各算法效果及效率進(jìn)行比較，本文選擇基于邊緣的自動(dòng)提取算法。此算法充分利用多波段亮度信息，對(duì)地物的細(xì)節(jié)信息表現(xiàn)較好，與多閾值法、分形網(wǎng)絡(luò)演化算子相比，分割效果更為理想。

本文選取香港機(jī)場(chǎng)多光譜遙感影像作為試驗(yàn)數(shù)據(jù)，如圖2所示。分割時(shí)將多光譜遙感圖像中各波段的邊緣信息作為遙感圖像分割的依據(jù)，將邊緣檢測(cè)作為遙感圖像分割的基礎(chǔ)，基于邊緣的多光譜遙感圖像分割方法可細(xì)化為邊緣檢測(cè)、邊緣綜合、邊緣生長(zhǎng)、區(qū)域標(biāo)號(hào)4個(gè)環(huán)節(jié)。具體實(shí)現(xiàn)思路為：① 邊緣檢測(cè)。通過邊緣檢測(cè)算法提取遙感圖像中各單波段遙感圖像中的地物邊緣信息。② 邊緣綜合。在檢測(cè)出各波段地物邊緣信息的基礎(chǔ)上進(jìn)行綜合，以充分利用多光譜遙感圖像中的光譜信息。③ 邊緣生長(zhǎng)。通過邊緣檢測(cè)、邊緣綜合得到的邊緣有可能是斷裂、不連續(xù)的，并不能保證區(qū)域的封閉性，因此采用邊緣生長(zhǎng)的手段連接邊緣圖像中斷裂的邊緣。④ 區(qū)域標(biāo)號(hào)。在邊緣生長(zhǎng)的基礎(chǔ)上，進(jìn)行區(qū)域標(biāo)號(hào)，消除不構(gòu)成區(qū)域的邊緣，生成標(biāo)號(hào)圖像對(duì)象，得到最終多光譜遙感圖像分割結(jié)果。由該方法提取的地物邊緣不可避免地存在一些偏差，最終需要進(jìn)行主觀修正，提取結(jié)果如圖3所示。

圖2 香港機(jī)場(chǎng)

圖3 邊緣提取結(jié)果

2. 地物骨架線提取

(1) 基于Delaunay三角網(wǎng)自動(dòng)提取骨架線

基于矢量目標(biāo)邊緣提取骨架線的方法目前主要有基于Delaunay三角網(wǎng)剖分的骨架法、計(jì)算幾何中軸定義和純角平分線算法[5]。由于基于Delaunay三角網(wǎng)剖分的骨架法應(yīng)用比較廣泛，且數(shù)據(jù)組織和算法相對(duì)其他兩種算法簡(jiǎn)單易行，因此本文采用該方法提取骨架線。

自動(dòng)提取的地物邊緣細(xì)節(jié)特征豐富，適當(dāng)壓縮地物邊緣數(shù)據(jù)可以大大提高提取骨架線的計(jì)算效率。因此，首先對(duì)地物邊緣進(jìn)行壓縮，然后根據(jù)地物邊緣依次對(duì)所有地物提取骨架線。

1) 將地物邊緣數(shù)據(jù)離散為散點(diǎn)，排除重合點(diǎn)的影響后，對(duì)邊緣數(shù)據(jù)進(jìn)行排序。對(duì)坐標(biāo)點(diǎn)按x為主關(guān)鍵字，y為次關(guān)鍵字進(jìn)行排序，對(duì)坐標(biāo)進(jìn)行排序是為了提高建立三角網(wǎng)的效率。數(shù)據(jù)預(yù)處理后，再采用逐點(diǎn)插入算法建立初始三角網(wǎng)，以邊緣的每一條邊作為約束邊，檢測(cè)約束邊的影響區(qū)域(與約束邊相交的三角形集合稱為該約束邊的影響區(qū)域)。在約束邊的影響區(qū)域內(nèi)，按規(guī)則逐步交換對(duì)角線，最終使起始點(diǎn)和目標(biāo)點(diǎn)相連。遍歷所有約束邊，建立帶約束條件的三角網(wǎng)[6]。由于邊緣可能存在復(fù)連通區(qū)域，必須按照“若三角形在多邊形內(nèi)，則三角形中心必在多邊形內(nèi)”的原則剔除位于地物外的三角形，構(gòu)建地物內(nèi)的三角網(wǎng)。

2) 對(duì)三角網(wǎng)中的三角形建立拓?fù)潢P(guān)系，并逐個(gè)編碼。僅有一個(gè)鄰接多邊形的為Ⅰ類三角形，有兩個(gè)鄰接多邊形的為Ⅱ類三角形，有三個(gè)鄰接多邊形的為Ⅲ類三角形。依照三角形所屬類型，選擇相應(yīng)骨架線網(wǎng)絡(luò)連接規(guī)則，如圖4所示，對(duì)三角網(wǎng)內(nèi)的骨架線節(jié)點(diǎn)進(jìn)行連接，提取出骨架線。

圖4 3類三角形骨架線的連接規(guī)則

(2) 提取主骨架

主骨架長(zhǎng)度是反映地物幾何大小的重要參數(shù)。本文在提取地物骨架線后，還需跟蹤建立骨架線的點(diǎn)-弧段拓?fù)潢P(guān)系，以二叉樹左序遍歷，提取最長(zhǎng)骨架線，作為地物的主骨架。以下將當(dāng)前節(jié)點(diǎn)所對(duì)應(yīng)的骨架線樹中的結(jié)點(diǎn)，若該結(jié)點(diǎn)的左右子結(jié)點(diǎn)都為非空，則稱之為中間節(jié)點(diǎn)，其他節(jié)點(diǎn)稱為非中間節(jié)點(diǎn)。具體算法如下：

1) 以一個(gè)任意的非中間節(jié)點(diǎn)作為起始節(jié)點(diǎn)。

2) 若當(dāng)前節(jié)點(diǎn)為當(dāng)前搜索最長(zhǎng)骨架的起始點(diǎn)，將當(dāng)前節(jié)點(diǎn)作為最長(zhǎng)骨架的起始點(diǎn)；反之，計(jì)算當(dāng)前最長(zhǎng)骨架的累計(jì)路徑長(zhǎng)度，將當(dāng)前節(jié)點(diǎn)加入到最長(zhǎng)骨架中。

3) 若當(dāng)前節(jié)點(diǎn)(非起始點(diǎn))是中間節(jié)點(diǎn)，將當(dāng)前節(jié)點(diǎn)所連通的節(jié)點(diǎn)依照左序遍歷選取一個(gè)節(jié)點(diǎn)，作為當(dāng)前節(jié)點(diǎn)；否則，計(jì)算當(dāng)前最長(zhǎng)骨架的累計(jì)長(zhǎng)度，若累計(jì)長(zhǎng)度大于最長(zhǎng)骨架長(zhǎng)度，將當(dāng)前骨架作為最長(zhǎng)骨架線，清零累計(jì)長(zhǎng)度，直至所有節(jié)點(diǎn)都搜索完畢。

3. 飛機(jī)目標(biāo)識(shí)別

(1) 骨架特征參數(shù)

本文選取的骨架特征參數(shù)主要分為幾何特征和網(wǎng)絡(luò)測(cè)度。幾何特征參數(shù)對(duì)于不同幾何大小的地物目標(biāo)具有良好的區(qū)分度，主要包括骨架長(zhǎng)度、主骨架線長(zhǎng)度、主骨架長(zhǎng)度面積比參數(shù)。骨架長(zhǎng)度為骨架線所有分支的和，反映地物目標(biāo)的尺寸；主骨架長(zhǎng)度為骨架線中的最長(zhǎng)連通路徑，反映地物目標(biāo)主方向尺寸；主骨架長(zhǎng)度面積比為最長(zhǎng)骨架長(zhǎng)度除以地物目標(biāo)面積，反映地物目標(biāo)的總體形態(tài)。地物目標(biāo)的骨架線形態(tài)可以采用網(wǎng)絡(luò)平面圖進(jìn)行抽象概括，網(wǎng)絡(luò)測(cè)度對(duì)骨架線的連通性、復(fù)雜度等特性進(jìn)行定量描述，具有唯一性、旋轉(zhuǎn)不變性、縮放不變性，主要包括連線數(shù)目m、節(jié)點(diǎn)數(shù)目n、網(wǎng)絡(luò)子圖數(shù)目p、β指數(shù)、Γ指數(shù)。其中，連線數(shù)目m是指骨架線網(wǎng)絡(luò)連線數(shù)目，反映地物目標(biāo)復(fù)雜性；節(jié)點(diǎn)數(shù)目n是指骨架線網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目，反映地物目標(biāo)復(fù)雜性；網(wǎng)絡(luò)子圖數(shù)目p是指骨架線網(wǎng)絡(luò)子圖的數(shù)目，反映地物目標(biāo)復(fù)雜性；β指數(shù)，也稱折點(diǎn)率(計(jì)算公式為β=m/n)，反映地物目標(biāo)復(fù)雜程度；Γ指數(shù)(計(jì)算公式為Γ=m/(3×(n-2×p))，反映地物目標(biāo)網(wǎng)絡(luò)連通性。

(2) 飛機(jī)目標(biāo)識(shí)別

飛機(jī)目標(biāo)幾何特征及網(wǎng)絡(luò)測(cè)度特征參數(shù)與其他地物差異較大，為減少獲取先驗(yàn)知識(shí)的工作量，采用直接聚類的方法進(jìn)行飛機(jī)目標(biāo)的識(shí)別。聚類分析，也稱群分析，是根據(jù)樣本本身的屬性，用數(shù)學(xué)方法按照某種相似性或差異性指標(biāo)，定量確定樣本間的親疏關(guān)系，并按照親疏關(guān)系對(duì)樣本進(jìn)行聚類[7]。

計(jì)算所有地物目標(biāo)的骨架線特征值，由于不同要素的數(shù)據(jù)往往具有不同的單位和量綱，數(shù)值的變異性很大，因此在聚類前需對(duì)聚類要素進(jìn)行標(biāo)準(zhǔn)化處理，將各個(gè)特征參數(shù)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化。在試驗(yàn)數(shù)據(jù)遙感影像中，飛機(jī)目標(biāo)參數(shù)特征明顯；空地與地面建筑呈現(xiàn)相對(duì)規(guī)則的多邊形，面積差異不大，很難區(qū)分開，給分類帶來較大干擾。研究采用K-Means聚類法，對(duì)遙感影像中的地物進(jìn)行分類，地物目標(biāo)特征參數(shù)見表1，特征參數(shù)標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化見表2，聚類結(jié)果見表3。

表1 地物目標(biāo)特征參數(shù)表

表2 經(jīng)標(biāo)準(zhǔn)化處理后的地物目標(biāo)特征參數(shù)表

表3 3種自動(dòng)聚類方法分類結(jié)果

續(xù)表

以地物目標(biāo)聚類結(jié)果為基礎(chǔ)，通過分析地物目標(biāo)特征參數(shù)值分布，自動(dòng)識(shí)別飛機(jī)目標(biāo)所在類別。分析試驗(yàn)結(jié)果可知，香港機(jī)場(chǎng)的民用飛機(jī)骨架線總長(zhǎng)度變化范圍為230～260 m，主骨架長(zhǎng)度變化范圍為80 ～120 m，骨架線網(wǎng)絡(luò)連線及節(jié)點(diǎn)數(shù)目均大于15。對(duì)于實(shí)驗(yàn)室采用的香港機(jī)場(chǎng)遙感影像數(shù)據(jù)而言，聚類數(shù)為4時(shí)自動(dòng)分類效果最好。結(jié)合飛機(jī)目標(biāo)特征參數(shù)先驗(yàn)知識(shí)，判定分為4類時(shí)，第4類目標(biāo)為飛機(jī)目標(biāo)。

4. 試驗(yàn)結(jié)論與分析

分析聚類結(jié)果可知，當(dāng)聚類數(shù)為4時(shí)，各類目標(biāo)被很好地識(shí)別出來，聚類精確性較高。在飛機(jī)目標(biāo)自動(dòng)提取中，主要存在3個(gè)方面問題：

1) 飛機(jī)目標(biāo)在聚類過程中與空地誤分的概率較高，該空地為用于飛機(jī)停機(jī)的場(chǎng)地，面積較大，在幾何特征上與飛機(jī)目標(biāo)有一定相似性。

2) 多光譜遙感影像上陰影是普遍存在的問題，陰影對(duì)自動(dòng)提取地物邊緣產(chǎn)生干擾，從而擾動(dòng)了地物提取的結(jié)果，如圖5所示，部分陰影被歸入鄰近地物目標(biāo)，而部分則被單獨(dú)提取出來。隨著聚類數(shù)的變化，陰影被歸入了飛機(jī)、機(jī)動(dòng)車輛中。但在合理選取聚類數(shù)的前提下，陰影的存在不會(huì)導(dǎo)致飛機(jī)目標(biāo)的誤分。因此，陰影很難被獨(dú)立提取為一個(gè)地類，在本文中借助選取最佳聚類數(shù)，盡量避免陰影的影響。

圖5 飛機(jī)目標(biāo)邊緣識(shí)別圖

3) 飛機(jī)目標(biāo)在飛機(jī)場(chǎng)中?？吭谕C(jī)坪，在影像中停機(jī)坪與飛機(jī)目標(biāo)幾乎是相連的。因此，在地物邊緣自動(dòng)提取過程中，飛機(jī)目標(biāo)與停機(jī)坪很可能被連成一個(gè)對(duì)象，在表1的4架飛機(jī)中，有2架飛機(jī)被連同停機(jī)坪提取。但分析試驗(yàn)結(jié)果可知，即使停機(jī)坪與飛機(jī)目標(biāo)被連成一個(gè)目標(biāo)，該方法也可以成功提取出飛機(jī)目標(biāo)。

四、結(jié)束語

本文選取香港機(jī)場(chǎng)多光譜遙感影像作為試驗(yàn)數(shù)據(jù)，基于骨架線幾何特征參數(shù)與網(wǎng)絡(luò)測(cè)度，提出了一種基于多光譜遙感影像自動(dòng)提取飛機(jī)目標(biāo)的方法。選擇基于邊緣的多光譜遙感影像分割方法，提取矢量地物邊緣；基于約束Delaunay三角網(wǎng)自動(dòng)提取地物骨架和主骨架；通過選取對(duì)飛機(jī)目標(biāo)識(shí)別具有良好區(qū)分度的特征參數(shù)，最終實(shí)現(xiàn)飛機(jī)目標(biāo)的自動(dòng)識(shí)別與定位。經(jīng)過試驗(yàn)，證明基于骨架線形態(tài)特征進(jìn)行多光譜遙感影像中飛機(jī)目標(biāo)識(shí)別方法有效可行。

由試驗(yàn)發(fā)現(xiàn)，聚類數(shù)的選取對(duì)提取效果產(chǎn)生決定性影響，而合適的聚類數(shù)將因不同的遙感影像而異，并不具有通用性。因此，可以考慮BP神經(jīng)網(wǎng)絡(luò)進(jìn)行飛機(jī)目標(biāo)的自動(dòng)識(shí)別，即以骨架特征分析結(jié)果為基礎(chǔ)，以提取的骨架特征為輸入樣本，運(yùn)用基于BP神經(jīng)網(wǎng)絡(luò)的自動(dòng)識(shí)別方法，完成飛機(jī)目標(biāo)自動(dòng)識(shí)別。這也將是今后重點(diǎn)的研究方向。

由于受到各種因素?cái)_動(dòng)，基于骨架線特征自動(dòng)提取飛機(jī)目標(biāo)的穩(wěn)定性有待提高。在提取過程中處理好連通目標(biāo)及陰影等問題，將有助于提高算法的穩(wěn)定性；同時(shí)，綜合研究地物光譜特征與骨架特征，也將提高自動(dòng)提取的精確性。

參考文獻(xiàn)：

[1] 李科，王潤(rùn)生，王程.一種用于飛機(jī)型號(hào)識(shí)別的樹分類器方法[J]. 計(jì)算機(jī)工程與科學(xué), 2006，28(11): 136-139.

[2] 徐大琦, 倪國(guó)強(qiáng), 許廷發(fā). 中高分辨力遙感圖像中飛機(jī)目標(biāo)自動(dòng)識(shí)別算法研究[J]. 光學(xué)技術(shù), 2006，32(6)：855-859.

[3] 徐科，易善楨.基于小波變換和支持向量機(jī)的遙感圖像目標(biāo)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2007，35(7)：123-125.

[4] 劉永學(xué)，李滿春，毛亮.基于邊緣的多光譜遙感圖像分割方法[J].遙感學(xué)報(bào)，2006，10(3)：350-356.

[5] 胡鵬，王海軍，邵春麗，等.論多邊形中軸問題和算法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2005，30(10):853-857.

[6] 黃利民，張躍鵬.利用三角網(wǎng)方法實(shí)現(xiàn)面域骨架線的自動(dòng)生成[J]. 測(cè)繪學(xué)院學(xué)報(bào), 2002，19(4)：262-264.

[7] 徐建華. 現(xiàn)代地理學(xué)中的數(shù)學(xué)方法[M].2版.北京：高等教育出版社，2002.

[8] 李志林, 朱慶. 數(shù)字高程模型[M].武漢：武漢大學(xué)出版社, 2001.

[9] 艾廷華，郭仁忠.基于約束Delaunay結(jié)構(gòu)的街道中軸線提取及網(wǎng)絡(luò)模型建立[J].測(cè)繪學(xué)報(bào)，2000，29(4): 348-354.

[10] 楊俊，趙忠明，楊健.一種高分辨率遙感影像陰影去除方法[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2008,33(1)：17-20.

[11] CHIN F, SNOEYINK J, Wang C A. Finding the Medial Axis of a Simple Polygon in Linear Time[C]∥Algorithms and Computations.Heidelberg：Springer,1995:382-391.

[12] HAUSKA H，SWAIN P H.The Decision Tree Classifier: Design and Potential[J].IEEE Transactions on Geoscience Electronics,1997,15(3):142-147.

[13] LI Y,SASAGAWA T,GONG P.A System of the Shadow Detection and Shadow Removal for High Resolution City Aerial Photo[C]∥ISPRS Congress.[S.l.]:ISPRS,2004:12-23.

[14] DO M N,VETTERLI M.Contour Lets:a Directional Multi-resolution Image Representation[C]∥Proceedings of 2002 International Conference on Image Processing.[S.l.]:IEEE,2002(1):357-360.

[15] BHANU B,PENG J.Adaptive Integrated Image Segmentation and Object Recognition[J].IEEE Transactions on Systems,Man and Cybernetics,Part C:Applications and Reviews,2000,30(4):427-441.