基于紋理特征驅(qū)動AdaBoost算法的海面場景分類

戴 軍，金代中，高志峰

(西南技術(shù)物理研究所，四川 成都610041)

1 引言

隨著紅外探測器技術(shù)的快速發(fā)展，紅外成像系統(tǒng)在反艦精確制導(dǎo)武器上得到了廣泛地應(yīng)用。在超低空飛行的反艦制導(dǎo)武器中，海面背景在紅外成像瞬時視場內(nèi)占據(jù)了較大比例，是影響目標(biāo)識別的主要因素。海面背景的紅外輻射特性與風(fēng)、太陽、空氣濕度等多種自然條件有關(guān)。由于這些條件的無規(guī)則變化使得海面背景的紅外成像特性的復(fù)雜性遠大于艦船目標(biāo)自身，直接關(guān)系到紅外成像制導(dǎo)或包含紅外制導(dǎo)的復(fù)合制導(dǎo)系統(tǒng)的探測、識別及抗干擾能力。

目前，在海面目標(biāo)檢測、海天線提取等領(lǐng)域研究較多，常用目標(biāo)檢測算法都是在一定干擾條件下，完成對目標(biāo)的檢測，很難適應(yīng)強干擾的海面背景。當(dāng)海面背景形成強干擾時，檢測的虛警率大幅度提高，目標(biāo)探測效果顯著下降。

基于海面紅外圖像紋理特征，利用Adaboost算法訓(xùn)練強分類器，構(gòu)建二叉決策樹，實現(xiàn)對海面場景的分類。實驗證明，該方法適應(yīng)性廣、分類效果好，能提高紅外成像系統(tǒng)對場景的感知能力，為目標(biāo)檢測算法的選取，紅外成像系統(tǒng)使用邊界以及復(fù)合制導(dǎo)的綜合決策提供依據(jù)。

2 海面場景紅外成像分析

通過對大量外場試驗數(shù)據(jù)進行統(tǒng)計分析，根據(jù)對目標(biāo)識別跟蹤效果的影響程度，將海面場景分成三類:強亮帶干擾紋理、弱干擾紋理、干凈紋理。其中強亮帶干擾紋理對目標(biāo)的自動識別和跟蹤影響較大，干凈海面背景對目標(biāo)自動識別最有利。圖1為三類典型的?？毡尘凹t外圖像。

圖1 典型?？毡尘凹t外圖像

當(dāng)太陽位于一定天頂角時，由于海面的鏡面反射現(xiàn)象，會在海面形成一定區(qū)域的海面亮帶。當(dāng)紅外探測器位于一定的觀測角度，就會形成很強的海面干擾圖像。此時的海面背景由大量起伏不定的高亮斑點組成，斑點的大小、亮度及疏密程度與浪高、陽光強度、太陽天頂角等自然條件有關(guān)，如圖1(a)所示。遠處的小目標(biāo)很容易被背景干擾所淹沒，使得目標(biāo)檢測算法失效。

理想條件下的平靜海面一般表現(xiàn)為大面積連續(xù)分布狀態(tài)，這時紅外圖像主體灰度起伏很小，如圖1(b)所示。在一定海情條件下，海面上會形成波浪紋理，一般表現(xiàn)為橫向條紋，如圖1(c)所示。

3 海面背景紅外圖像紋理特征提取

3．1 小波紋理特征

離散小波變換常用于紋理分類。采用Mallat快速小波分解算法［1］對圖像進行預(yù)處理。仿真結(jié)果(如圖2所示)可以看出，強干擾海面的各方向的高頻分量較強，而一般條件下海面高頻分量較弱，或在單個方向的高頻分量較強，理想干凈海面背景則各個方向的高頻分量都較弱。

計算小波分解后4個通道系數(shù)的能量和方差作為圖像的小波紋理特征。

3．2 Laws紋理特征

Laws紋理能量度量通過估計紋理中的平均灰度級、邊緣、斑點、波紋以及波形來確定紋理屬性［2－3］。常用的5×5模板的1－D矢量形式為:

圖2 小波分解系數(shù)圖

用這5個1－D模板與其自身以及互相卷積后，產(chǎn)生25個5×5的二維Laws掩模。將二維Laws掩模用于圖像可得到25個濾波圖像。計算濾波后圖像的能量和方差作為圖像的Laws紋理特征。

3．3 灰度共生矩陣紋理特征

灰度共生矩陣是基于在紋理中某一灰度級結(jié)構(gòu)重復(fù)出現(xiàn)的情況，這個結(jié)構(gòu)在精細紋理中隨著距離而快速地變化，而在粗糙紋理中則緩慢地變化［4－6］。

設(shè)圖像的灰度共生矩陣為P，d(g1，g2)，它描述了在方向上間隔距離為d，具有灰度級g1和g2的兩個像素，在圖像中出現(xiàn)的頻率?；跉w一化的共生矩陣P可定義6個常用的紋理特征:能量、熵、對比度、倒數(shù)差分矩、方差和相關(guān)性。這6個特征分別描述了圖像均勻性、紋理清晰度和復(fù)雜度等特性。

4 采用AdaBoost算法構(gòu)建分類器

4．1 AdaBoost算法

AdaBoost算法是一種迭代算法，其核心思想是針對同一個訓(xùn)練樣本集訓(xùn)練不同的弱分類器，然后把這些弱分類器以一定的權(quán)重集合起來，構(gòu)成一個更強的強分類器。AdaBoost算法為每個訓(xùn)練樣本引入一個權(quán)重，每次迭代訓(xùn)練一個弱分類器使其在當(dāng)前權(quán)重分布下分類錯誤率最低，在每次迭代完成后增加分類錯誤樣本的權(quán)重，降低分類正確樣本的權(quán)重，從而使下次迭代弱分類器的選擇更加重視錯誤樣本［7－8］。

AdaBoost算法的基本流程［9］如下:

給定訓(xùn)練樣本(x1，y1)、…、(xn，yn)，其中yi=0，1分別代表負樣本和正樣本。初始化每個樣本的權(quán)重為其中m、l分別是正樣本和負樣本的數(shù)量。

循環(huán)t=1，…，T:

· 權(quán)重歸一化;

· 對每個特征fj，訓(xùn)練一個僅用這個特征的弱分類器hj。根據(jù)每個樣本xi當(dāng)前權(quán)重wt，i計算這個弱分類器在訓(xùn)練集上的分類誤差εt，j。

· 選擇具有最小分類誤差εt，j的分類器hj。

· 對所有的樣本xi更新權(quán)重:

其中，如果分類正確，則ei=0;如果分類錯誤，則

最終的強分類器為:

4．2 分類器構(gòu)建

基本的AdaBoost算法只考慮了兩分類問題，通過建立兩級二叉樹結(jié)構(gòu)分類器，實現(xiàn)三分類問題。其中每級二叉樹節(jié)點都是用AdaBoost算法訓(xùn)練得到的強分類器。分類流程圖如圖3所示。

圖3 海面場景分類流程圖

在訓(xùn)練S1強分類器時，將弱干擾和干凈海面背景樣本作為正樣本，強干擾海面背景樣本作為負樣本。在訓(xùn)練S2強分類器時，將干凈海面背景樣本作為正樣本，弱干擾海面背景作為負樣本。

5 實驗設(shè)計與驗證

5．1 實驗樣本

在不同季節(jié)和光照條件下，在多個海域獲得紅外圖像。試驗采用中波紅外探測器，紅外成像設(shè)備的架設(shè)高度為5～15 m，紅外圖像為典型的海天背景。截取紅外圖像的海面背景部分作為樣本，樣本圖像的大小為284×57，灰度級為256級。表1是訓(xùn)練、測試樣本類別及數(shù)目。

表1 試驗樣本組成

5．2 特征提取

提取三種類型的紋理特征作為AdaBoost算法的輸入。

小波紋理特征的提取:對樣本進行2層離散小波變換，計算每層變換4個通道系數(shù)的能量和方差作為樣本的小波紋理特征。

Laws紋理特征的提取:本文使用25個Laws濾波掩模，對樣本圖像進行濾波，并計算濾波后圖像的能量和方差，作為樣本的Laws紋理特征。

灰度共生矩陣有三個參數(shù)變量，分別是灰度級、方向和間隔。原始樣本圖像的灰度級為256，為減小灰度共生矩陣的計算量，將原圖像的灰度級變?yōu)?4。試驗圖像中海面紋理方向多為橫向紋理，因此本文方向參數(shù)選擇0°和90°。間隔參數(shù)選擇4、8、12、16。對給定方向和距離構(gòu)造樣本的共生矩陣，計算每個共生矩陣的6個特征量作為樣本的紋理特征。

通過上述三類紋理特征提取，每個樣本可獲得16個小波紋理特征，50個Laws紋理特征和48個共生矩陣紋理特征。

部分紋理特征在三類實驗樣本的分布如圖4所示。

圖4 部分特征值在實驗樣本上的分布

其中，圖4(a)、(b)為小波紋理特征(1層小波水平方向系數(shù)能量特征和2層小波垂直方向系數(shù)能量特征);圖4(c)、(d)Laws紋理能量特征(掩模為E5E5和E5S5);圖4(e)、(f)灰度共生矩陣特征(0°共生矩陣相關(guān)性和倒數(shù)差分矩特征)。

圖4中，樣本本征分布相交越少的特征，其分類性能越好。其中圖4(e)特征分類效果相對較好，只基于該特征設(shè)計分類器，對弱干擾樣本和干凈樣本進行分類，其分類正確率為98．5%。圖4(b)特征分類效果相對較差，只基于該特征設(shè)計分類器，同樣對弱干擾樣本和干凈樣本進行分類，其分類正確率93．2%。

5．3 實驗結(jié)果

應(yīng)用AdaBoost算法對訓(xùn)練集樣本進行訓(xùn)練，通過多次迭代，從114個特征中選擇出分類誤差最小的特征構(gòu)建強分類器。表2給出了兩類強分類器的分類結(jié)果。

通過3次迭代，選擇出3個最優(yōu)分類特征構(gòu)建強分類器S1，可以達到很好的分類效果(正確率100%，虛警率0%)。通過5次迭代，選擇出5個最優(yōu)分類特征構(gòu)建強分類器S2，也達到較好的分類效果(正確率99．7%，虛警率0．56%)。

使用測試樣本集對兩種強分類器分類性能進行測試，都取得了好的分類效果。其中強分類器S1的分類正確率100%，虛警率0%;強分類器S2分類正確率99．12%，虛警率為0%。

通過實驗，驗證了引入AdaBoost算法，經(jīng)過迭代訓(xùn)練，使用較少紋理特征構(gòu)建的強分類器能取得好的分類結(jié)果。

表2 兩類強分類器的分類結(jié)果

6 結(jié)論

實驗結(jié)果表明:通過提取三類紋理特征，引入AdaBoost算法進行最優(yōu)特征選擇，構(gòu)建強分類器，并通過二叉樹結(jié)構(gòu)實現(xiàn)對海面場景的分類方法，適應(yīng)能力較強，能對多種復(fù)雜的海面場景取得較好的分類結(jié)果。

［1］ Mallat SG．A theory of multiresolution signal decomposition:the wavelet representation［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，1989，11:674－693．

［2］ Laws K I．Texture energy measures［J］．In DARPA Image Understanding Workshop，Los Angeles CA，Los Altos，CA，1979:47－51．

［3］ Wu CM，Chen Y C，Hesieh K S．Texture features for classification of ultrasonic liver images［J］．IEEE Transactions on Medical Imageing，1992，11:141－152．

［4］ Haralick R M，Shanmugan K，Dinstein I．Textural features for image classification［J］．IEEE Transactions on Systems，Man and Cybernetics，1973，3:610－621．

［5］ Gotlieb C C，Kreyszig H E．Texture descriptors based on co－occurrence matrices［J］．Computer Vision，Graphics，and Image Processing，1990，51(1):70－86．

［6］ LI Gang，XIONG Yazhou，LIU Kangke，et al．Water wave detection based on texture characteristics［J］．Application Research of Computer，2013，20(4):1226－1229．(in Chinese)李剛，熊亞洲，劉康克，等．一種基于圖像紋理特征的波浪檢測方法［J］．計算機應(yīng)用研究，2013，20(4):1226－1229．

［7］ Freund Y．Schapire R E．A decision－theoretic generalization of on－line learning and an application to boosting［J］．Journal of Computer and System Sciences，1997，55(1):119－139．

［8］ ZHANG Yujin，et al．Subspace－based face recognition［M］．Beijing:Tsinghua University Press，2009．(in Chinese)．章毓晉，等．基于子空間的人臉識別［M］．北京:清華大學(xué)出版社，2009．

［9］ Viola P，Jones M．Robust real－time object detection［J］．International Journal of Computer Vision，2004，57(2):137－154．