基于決策樹的景象匹配算法性能評(píng)估方法研究*

鄒 輝 吳奇峰 張一飛 明德烈

(1.中航工業(yè)洛陽(yáng)電光設(shè)備研究所光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室 洛陽(yáng) 471009) (2.華中科技大學(xué)自動(dòng)化學(xué)院 武漢 430074)

?

基于決策樹的景象匹配算法性能評(píng)估方法研究*

鄒 輝1吳奇峰1張一飛2明德烈2

(1.中航工業(yè)洛陽(yáng)電光設(shè)備研究所光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室 洛陽(yáng) 471009) (2.華中科技大學(xué)自動(dòng)化學(xué)院 武漢 430074)

論文從SAR圖像適配性分析和紅外圖像可識(shí)別性分析研究中得到啟發(fā),發(fā)現(xiàn)景象類型對(duì)景象匹配算法的性能有著顯著影響,而景象類型又是通過圖像特征來進(jìn)行衡量的,包括基于圖像灰度的特征、基于邊緣提取的特征以及基于相關(guān)面分析的特征。通過分析飛行器航行經(jīng)過區(qū)域的這些圖像特征,提出了一種基于CART決策樹的景象匹配算法性能評(píng)估方法。最后基于決策樹對(duì)兩種經(jīng)典景象匹配算法進(jìn)行性能評(píng)估,驗(yàn)證了這種評(píng)估方法的有效性。

景象匹配; 算法評(píng)估; 決策樹; 適配性; 可識(shí)別性

Class Number TP274；TN713

1 引言

近年來,西方等國(guó)家已經(jīng)成功地將紅外圖像自動(dòng)目標(biāo)識(shí)別算法應(yīng)用在巡航導(dǎo)彈的末端制導(dǎo),并且爭(zhēng)相投入大量人力物力發(fā)展基于紅外圖像的末端制導(dǎo)來輔助導(dǎo)彈進(jìn)行精確制導(dǎo)[1]。景像匹配通常對(duì)異源圖像在空間上進(jìn)行對(duì)準(zhǔn),從而得到兩幅圖像之間的相對(duì)位置關(guān)系。由偵察衛(wèi)星拍攝到的星載SAR圖像制作數(shù)字化地圖,在導(dǎo)彈起飛之前制備基準(zhǔn)圖,即飛行器航跡上的相關(guān)區(qū)域的景象。當(dāng)基準(zhǔn)圖的特征顯著時(shí),便利于巡航導(dǎo)彈進(jìn)行景象匹配[2～4]。本文的主要工作是針對(duì)飛行器航行經(jīng)過區(qū)域的圖像特征,對(duì)不同的景象匹配算法的性能進(jìn)行評(píng)估。

通過之前的分析發(fā)現(xiàn),景象類型對(duì)景象匹配算法的性能有著顯著影響,而景象類型又是通過圖像特征來進(jìn)行衡量的,包括基于圖像灰度的特征、基于邊緣提取的特征以及基于相關(guān)面分析的特征[5～10]。

本文介紹的評(píng)估方法從SAR圖像適配性分析和紅外圖像可識(shí)別性分析研究中得到啟發(fā)。圖像特征對(duì)算法的匹配結(jié)果有著顯著影響,針對(duì)不一樣的景象類型與模式,算法的性能也是不一樣的。而不同景象匹配算法對(duì)相同的景象類型又具有不同的適應(yīng)能力。自動(dòng)目標(biāo)識(shí)別領(lǐng)域主要存在兩個(gè)方向：第一個(gè)方向是通過特征提取來對(duì)目標(biāo)進(jìn)行識(shí)別；第二個(gè)方向是利用模板匹配方法來對(duì)目標(biāo)進(jìn)行識(shí)別[11～15],本文主要基于決策樹對(duì)模板匹配算法進(jìn)行性能評(píng)價(jià)。

Breiman等最先提出CART算法[16],該分類模型目前在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域中得到了廣泛的應(yīng)用。它采取與其它數(shù)據(jù)挖掘方法不同的策略來生成預(yù)測(cè)準(zhǔn)則,并使用一棵二叉樹來表示,容易進(jìn)行分析、使用和解釋。本文通過研究影響識(shí)別結(jié)果的圖像特征以及CART算法,提出了一種基于決策樹的景象匹配算法性能評(píng)估方法。

2 基于決策樹的景象匹配算法性能評(píng)估框架設(shè)計(jì)

通過查閱各種參考文獻(xiàn),知道景象匹配算法性能受到景象模式和類型的影響,也就是圖像特征對(duì)圖像景象匹配算法的性能有著顯著影響,例如在論文中提到,圖像質(zhì)量指標(biāo)與算法性能之間存在單調(diào)的關(guān)系。

基于相同的圖像特征,不同的景象匹配算法通常具有不同的性能,因此希望能夠通過圖像特征來對(duì)匹配算法的性能進(jìn)行預(yù)測(cè),具體來說,就是利用CART算法來對(duì)每一種算法建立相應(yīng)的分類模型。

通過對(duì)CART算法的分析了解到,CART算法在訓(xùn)練決策樹的過程中會(huì)對(duì)特征參數(shù)進(jìn)行篩選,剔除對(duì)結(jié)果區(qū)分性較差的參數(shù),這樣就可以得到一棵與匹配算法相對(duì)應(yīng)的決策樹。

這樣,對(duì)于未知區(qū)域的景象,就可以通過提取圖像特征并帶入不同的決策樹進(jìn)行預(yù)測(cè),得到預(yù)測(cè)結(jié)果及其置信度,通過對(duì)其進(jìn)行比較,便可以對(duì)算法進(jìn)行排序。

本文基于SAR圖像進(jìn)行評(píng)估方法研究,但評(píng)估方法同樣適用于紅外圖像和可見光圖像。在景象匹配輔助導(dǎo)航的過程中,為了能夠?qū)崿F(xiàn)飛行器精確定位,盡量避免偏離航向,應(yīng)該對(duì)機(jī)載景象匹配算法進(jìn)行性能評(píng)估,選擇在指定區(qū)域匹配概率最高的算法,從而輔助飛行器的進(jìn)行精確的自主導(dǎo)航。

通過對(duì)大量具有不同的圖像特征的圖像數(shù)據(jù)進(jìn)行特征提取,并使用多種不同算法對(duì)不同的星載SAR圖像和機(jī)載SAR圖像進(jìn)行匹配,得到了不同的訓(xùn)練樣本,通過數(shù)據(jù)挖掘方法來生成決策樹,然后對(duì)巡航導(dǎo)彈巡航區(qū)域的星載SAR圖像進(jìn)行圖像特征提取,并將特征帶入不同景象匹配算法對(duì)應(yīng)的決策樹中,得到預(yù)測(cè)結(jié)果及其相應(yīng)的置信度,就可以依據(jù)預(yù)測(cè)結(jié)果和置信度對(duì)景象匹配算法進(jìn)行性能評(píng)估,基于SAR圖像的評(píng)估方案整體流程圖如下圖所示。

圖1 基于SAR圖像的評(píng)估方案整體流程圖

3 算法匹配結(jié)果的定義及圖像特征的提取

通過使用景象匹配算法在實(shí)時(shí)圖中獲取目標(biāo)的位置,并與真實(shí)的目標(biāo)位置進(jìn)行比較,計(jì)算兩者之間的像素距離并與設(shè)定的像素閾值進(jìn)行比較,如果小于閾值,則認(rèn)為匹配成功,用1來表示；如果大于閾值,則認(rèn)為匹配失敗,并用0來表示。

通過研究圖像質(zhì)量評(píng)價(jià)指標(biāo)與圖像可匹配性能之間的關(guān)系不難發(fā)現(xiàn),好的指標(biāo)與匹配算法性能之間呈現(xiàn)單調(diào)關(guān)系。對(duì)影響識(shí)別結(jié)果的圖像特征參數(shù)進(jìn)行提取。包括基于目標(biāo)與局部背景對(duì)比關(guān)系的特征參數(shù),基于信息量的特征參數(shù),基于圖像相關(guān)面的特征參數(shù)。

下面列出了常用的用來描述圖像的特征參數(shù)。

3.1 基于圖像灰度的圖像特征參數(shù)

1) 均值

計(jì)算均值的目的在于描述參考圖的灰度分布,該參數(shù)對(duì)匹配效果并沒有影響,計(jì)算均值是為了提取后續(xù)特征參數(shù),計(jì)算公式如式(1)所示。

(1)

式中,E表示圖像的灰度均值,圖像的寬用N來表示,圖像的高用M來表示,F(i,j)表示在模板圖的(i,j)位置處的灰度值。

2) 方差

圖像的方差主要用來反映灰度空間的起伏變化。如果一幅圖像的分布是均勻的,即沒有什么明顯的起伏,則利用基于灰度的互相關(guān)算法是很難進(jìn)行正確匹配的。圖像方差同樣可以用來表示信號(hào)功率,在噪聲功率不變的前提下,信噪比(SNR)隨著信號(hào)功率的增大而增大,隨著信號(hào)功率的減小而減小。提升信噪比可以顯著增加匹配精度和匹配概率。圖像方差的計(jì)算公式如下

(2)

圖像標(biāo)準(zhǔn)差的計(jì)算公式如下

(3)

其中,VAR表示圖像的方差,STD表示圖像的標(biāo)準(zhǔn)差,E表示圖像的均值。

3) 圖像熵

在信息論中,信息熵經(jīng)常被用來衡量信息量的大小,即如果某個(gè)系統(tǒng)比較有序,則信息熵就較低,如果某個(gè)系統(tǒng)比較混亂,則信息熵就較高。圖像熵則用來反映圖像的不確定性。如果一幅圖像擁有較多的信息量,則這幅圖像通常具有較高的不確定性,相反信息量較少的圖像也具有較低的不確定性。通常由兩種方法用來計(jì)算圖像熵。一種是基于比例的熵,叫做比例熵；另外一種是基于比重的熵,叫做比重熵。

(1)比例熵的計(jì)算公式如式(4)所示。

(4)

其中,Pi為圖像中像素點(diǎn)的灰度值為i的像素點(diǎn)的個(gè)數(shù)所占的比例。

(2)比重熵的計(jì)算公式如下

(5)

(6)

F(i,j)表示圖像中坐標(biāo)為(i,j)處的灰度值,P(i,j)為圖像中坐標(biāo)為(i,j)的像素點(diǎn)的灰度值在圖像全部像素點(diǎn)的灰度值總和中所占的比重。本文選用比例熵作為反映信息量的特征參數(shù)。

4) Frieden灰度熵

Frieden灰度熵通常用來反映圖像灰度值的分布,如果一幅圖像連續(xù)、清晰,則圖像的信息量較多,此時(shí)圖像的Frieden熵較小；相反,如果一幅圖像不連續(xù)并且很模糊,則圖像擁有的信息量較少,圖像的Frieden熵較大。這樣,就可以通過Frieden熵來表示圖像的清晰連續(xù)性,Frieden熵的定義如下

(7)

(8)

其中F表示高為M,寬為N的圖像,F(i,j)表示圖像中坐標(biāo)值為(i,j)處像素點(diǎn)的灰度值。

5) 方差信噪比

圖像的信噪比往往被定義為信號(hào)與噪聲的功率譜之比,然而由于信噪比通常難以計(jì)算,一般通過信號(hào)的方差除以噪聲的方差來表示信噪比。

本文將信噪比定義為實(shí)時(shí)圖的灰度方差除以基準(zhǔn)圖的灰度方差。

(9)

3.2 基于相關(guān)面分析的圖像特征

相似性度量是景象匹配算法的重要組成部分。在景象匹配的過程中,首先提取用于景象匹配的圖像特征,進(jìn)而使用相似性度量方法來計(jì)算特征的相似性。選擇去均值歸一化積相關(guān)系數(shù)來計(jì)算特征的相似性,如式(10)所示。

(10)

其中,實(shí)時(shí)圖的尺寸為MF×NF,基準(zhǔn)圖的尺寸為MS×NS。基準(zhǔn)圖中以(p,q)為左上角,尺寸為M×N的子圖與實(shí)時(shí)圖之間的去均值歸一化相關(guān)系數(shù)為R(p,q)。其中：

(11)

(12)

遍歷p和q的所有可能的取值并計(jì)算其相關(guān)系數(shù)R(p,q),便可以得到實(shí)時(shí)圖和基準(zhǔn)圖備選區(qū)域的相關(guān)面。

在獲取相關(guān)面之后,就可以對(duì)相關(guān)面進(jìn)行分析。

1) 主次峰比

用Vmax來表示相關(guān)面上主峰所對(duì)應(yīng)的值,用Vsub表示相關(guān)面上次主峰對(duì)應(yīng)的值,則次主峰與主峰的比值submaxratio可以表示為如下形式：

(13)

2) 主峰八鄰域峰值比

用Vmax來表示相關(guān)面的最大值,使用Vngbmax來表示與Vmax相鄰的八個(gè)位置的值中最大的值,這樣就可以得到主峰八鄰域峰值比：

(14)

(3) 最高峰尖銳度

最高峰尖銳度的定義如圖2(b),以最高峰所在的位置為中心,畫兩個(gè)同心圓,其半徑分別為n1和n2,使用Vcircle來表示以n1為半徑的圓形區(qū)域內(nèi)的平均值,以Vloop來表示n1和n2之間的環(huán)形區(qū)域內(nèi)的圖像灰度的平均值,將最高峰尖銳度sharpofmax定義為兩者之比。根據(jù)峰值的分布情況,內(nèi)圓區(qū)域的灰度均值Vcircle往往比外環(huán)區(qū)域的灰度均值Vloop要大,為了使特征值的范圍位于區(qū)間[0,1]內(nèi),最高峰尖銳度被定義為內(nèi)圓區(qū)域的灰度均值Vcircle與外環(huán)區(qū)域的灰度均值Vcircle的比值,即

(15)

該值越大,匹配性能越好。

4) 重復(fù)模式

如果在基準(zhǔn)圖中存在與目標(biāo)區(qū)域重復(fù)的地方,則出現(xiàn)誤匹配的可能性較大。重復(fù)模式的計(jì)算方法如下：設(shè)定一個(gè)閾值T,相關(guān)系數(shù)大于T的點(diǎn)的個(gè)數(shù)為n,整個(gè)相關(guān)面的點(diǎn)的個(gè)數(shù)為N,則重復(fù)模式定義如下

(16)

5) 主峰八鄰域比

相關(guān)面的主峰值為Vmax,相關(guān)面上與該值相鄰的8個(gè)位置的相關(guān)系數(shù)值的均值為Vngbmean,則主峰八鄰域比如式(17)所示,該值越大,匹配性能越好。

(17)

3.3 基于邊緣提取的圖像特征

梯度值主要用來反映一幅圖像的邊緣是否明顯,進(jìn)而可以用來反映一幅圖像是否清晰。邊緣突出的區(qū)域的梯度值一般相對(duì)較大,邊緣不明顯的區(qū)域圖像的梯度值一般會(huì)比較小。累加梯度值的計(jì)算過程比較簡(jiǎn)單,即求出一幅圖像中每個(gè)像素點(diǎn)的梯度值,然后對(duì)每個(gè)像素點(diǎn)的梯度值求和,便得到了一幅圖像的累加梯度值。累加梯度值的計(jì)算公式如下

(18)

提取圖像邊緣特征有很多種方法,邊緣增強(qiáng)的算子很多,如Sobel算子、Robert算子、LOG算子、Canny算子等。由于Robert、LOG算子在進(jìn)行圖像銳化時(shí),圖像中的噪聲也被加強(qiáng)了,進(jìn)而會(huì)在圖像處理中造成假的輪廓和邊緣,Canny算子具有較好的抑制噪聲的能力,但同時(shí)也將部分有用邊緣作為噪聲濾掉了。Sobel算子則在一定程度上克服了這些問題,因此,本文選擇Sobel算子進(jìn)行邊緣特征提取。Sobel算子的模板如圖3所示,其中圖3(a)所示的模板用來檢測(cè)水平邊緣,圖3(b)所示的模板用來檢測(cè)垂直邊緣。

圖3 邊緣強(qiáng)度計(jì)算模板

假設(shè)Image(i,j)是(i,j)位置景象的灰度值。各種邊緣強(qiáng)度的計(jì)算如式(19)所示。

(19)

其中SHm(i,j),SVm(i,j)分別是水平方向與垂直方向的邊緣,可分別寫為

SH(i,j) =[Img(i+1,j-1)+2Img(i+1,j)+Img(i+1,j+1)]

-[Img(i-1,j-1)+Img(i-1,j)+Img(i-1,j+1)]

(20)

SV(i,j) =[Img(i-1,j+1)+2Img(i,j+1)+Img(i+1,j+1)]

-[Img(i-1,j-1)+2Img(i,j+1)+Img(i+1,j-1)]

(21)

4 CART決策樹原理

分類與回歸樹(CART)算法采取與其它數(shù)據(jù)挖掘方法不同的策略來生成預(yù)測(cè)準(zhǔn)則,并使用一棵二叉樹來表示,容易使用并且解釋起來更加直觀。

形成決策樹的步驟如下：

步驟1：依次計(jì)算屬性集中每個(gè)屬性的Gini系數(shù),選擇具有最小Gini系數(shù)的屬性來對(duì)全部數(shù)據(jù)進(jìn)行分割。

1) 假設(shè)整個(gè)樣本集為S,類別集為{C1,C2,…,Cn},總共分為n類,每個(gè)類對(duì)應(yīng)一個(gè)樣本集Si(1≤i≤n)。|S|表示樣本集S的樣本數(shù),|Ci|為樣本集S中屬于Ci的樣本數(shù),則樣本集的Gini系數(shù)定義如下：

(22)

其中,pi=|Ci|/|S|為樣本集中樣本屬于類Ci的概率。

2) 針對(duì)僅存在二分裂的情況,對(duì)于訓(xùn)練樣本集S中的屬性A將S分成子集S1和S2,則該劃分S的Gini系數(shù)如下公式

(23)

步驟2：遍歷樣本集的所有屬性和屬性值,并分別計(jì)算Gini系數(shù),選擇Gini系數(shù)最低的分裂方式作為最優(yōu)分裂方式,并認(rèn)為此時(shí)的分割屬性及屬性值為最優(yōu)分割屬性和最優(yōu)分割屬性值,根據(jù)該值將樣本分為兩部分。

步驟3：對(duì)根節(jié)點(diǎn)的分裂屬性對(duì)應(yīng)的兩個(gè)樣本子集S1和S2,采用與步驟2相同的方法遞歸地生成樹的子節(jié)點(diǎn)。如此循環(huán)下去,直至所有子節(jié)點(diǎn)的樣本屬于同一類別或沒有可以選擇作為分裂屬性的屬性為止。

步驟4：對(duì)生成的決策樹進(jìn)行剪枝。剪枝方法采用CCP方法(代價(jià)復(fù)雜度剪枝)。

Breiman定義樹t的代價(jià)復(fù)雜度(cost-complexity)為

(24)

其中,N是決策樹訓(xùn)練樣本個(gè)數(shù),E是決策樹錯(cuò)分樣本數(shù),Leaft是t子樹的葉子樹。對(duì)樹來說,減掉它的子樹s,以t中最優(yōu)葉節(jié)點(diǎn)代替,得到新樹new_t。令替換之后代價(jià)復(fù)雜度相等：

cc(t)=cc(new_t)

(25)

其中,M是用葉節(jié)點(diǎn)替換t的s子樹以后,增加的錯(cuò)分樣本數(shù),Leafs是子樹s的葉節(jié)點(diǎn)樹。

1) 計(jì)算完全決策樹每個(gè)非葉子節(jié)點(diǎn)的α值。

2) 循環(huán)減掉具有最小α值的子樹,直至僅剩根節(jié)點(diǎn)為止,這樣就得到了一系列剪枝樹Ti(i=1,…,n)。

3) 使用非訓(xùn)練集對(duì)一系列剪枝樹進(jìn)行評(píng)估：計(jì)算標(biāo)準(zhǔn)錯(cuò)誤：

(26)

其中N′是剪枝集的大小,定義Ei是樹Ti對(duì)非訓(xùn)練集的錯(cuò)分樣本數(shù),定義E′=min{Ei}。

4) 最佳剪枝樹就是滿足Ei≤E′+SE(E′),且包含的節(jié)點(diǎn)數(shù)最少的那棵剪枝樹。

首先提取實(shí)時(shí)圖和基準(zhǔn)圖的圖像特征,包括方差信噪比、圖像熵、Frieden灰度熵、累加梯度值、最高峰與次高峰之差、最高峰與次高峰之比、主峰八鄰域峰值比、主峰八鄰域比、最高峰尖銳度,重復(fù)模式,與相應(yīng)算法的匹配結(jié)果結(jié)合在一起構(gòu)成訓(xùn)練樣本。將訓(xùn)練樣本帶入CART算法就可以生成一棵決策樹,不同算法對(duì)應(yīng)不同的決策樹。

基于對(duì)決策樹的研究,發(fā)現(xiàn)每個(gè)葉節(jié)點(diǎn)都代表一個(gè)預(yù)測(cè)準(zhǔn)則,其中包含落到這個(gè)葉節(jié)點(diǎn)的記錄的預(yù)測(cè)結(jié)果及其相應(yīng)置信度,通過對(duì)每條數(shù)據(jù)屬于1的置信度進(jìn)行比較,即可對(duì)兩種算法的性能進(jìn)行性能優(yōu)劣的比較。

針對(duì)實(shí)時(shí)圖無(wú)法獲取的情況,選擇對(duì)基準(zhǔn)圖進(jìn)行特征提取,并將特征帶入決策樹,從根節(jié)點(diǎn)一直搜索到葉節(jié)點(diǎn),這樣就得到了該圖像特征在某種匹配算法下的預(yù)測(cè)結(jié)果及其置信度。通過將特征帶入不同算法對(duì)應(yīng)的決策樹,就可以得到不同的預(yù)測(cè)結(jié)果和置信度,并投票給葉節(jié)點(diǎn)置信度較高的決策樹所對(duì)應(yīng)的算法。通過對(duì)多幅圖像進(jìn)行特征提取,就可以對(duì)不同的算法進(jìn)行投票,最后對(duì)票數(shù)進(jìn)行統(tǒng)計(jì),即可對(duì)算法進(jìn)行性能評(píng)估。

5 實(shí)驗(yàn)分析與結(jié)論

由于數(shù)據(jù)原因,本實(shí)驗(yàn)針對(duì)可見光圖像進(jìn)行算法性能評(píng)估,首先是準(zhǔn)備數(shù)據(jù)源,依然通過仿真的方式得到基準(zhǔn)圖和實(shí)時(shí)圖,首先在谷歌地球上截取五張大圖作為基準(zhǔn)圖,在基準(zhǔn)圖上截取60*60的小圖,并對(duì)小圖進(jìn)行1.25倍的放大作為實(shí)時(shí)圖,其他條件不變。這樣得到了5幀基準(zhǔn)圖和627幀實(shí)時(shí)圖。

北京鳥巢地區(qū)的基準(zhǔn)圖如圖4(a)所示,實(shí)時(shí)圖序列的第1、2、3、4、12、13、14、15、23、24、25、26、34、35、36、37幀如圖4(b)所示。

使用灰度/梯度互相關(guān)算法對(duì)實(shí)時(shí)圖基準(zhǔn)圖圖對(duì)進(jìn)行匹配并進(jìn)行特征提取,并將數(shù)據(jù)保存到數(shù)據(jù)庫(kù)中,得到的兩套訓(xùn)練數(shù)據(jù)集。

圖4 北京鳥巢地區(qū)的基準(zhǔn)圖

將兩套訓(xùn)練數(shù)據(jù)集分別帶入CART算法進(jìn)行訓(xùn)練,得到兩個(gè)分類決策樹,分別如圖5和圖6所示。

圖5 梯度互相關(guān)算法對(duì)應(yīng)的決策樹

本文基于舊金山市區(qū)的景象類型對(duì)兩種算法做評(píng)估,因?yàn)榕f金山屬于美國(guó),所以無(wú)法獲取實(shí)時(shí)圖,只能通過對(duì)基準(zhǔn)圖進(jìn)行特征提取并帶入分類模型進(jìn)行預(yù)測(cè)。

從谷歌地球上在同樣的高度截取了舊金山地區(qū)的地圖,然后同樣按照60*60大小的模板對(duì)舊金山地區(qū)的圖像進(jìn)行特征提取,此處應(yīng)該注意兩種算法提取特征的方法不同,梯度互相關(guān)算法提取的是圖像的梯度相關(guān)面特征,灰度互相關(guān)算法提取的是圖像的灰度相關(guān)面特征。提取圖像的梯度相關(guān)面特征,并帶入梯度互相關(guān)算法對(duì)應(yīng)的決策樹,得到預(yù)測(cè)結(jié)果及相應(yīng)的置信度,如表3所示。

圖6 灰度互相關(guān)算法對(duì)應(yīng)的決策樹

NopredictresultConfidencelevel110.771210.771300.878410.771510.771610.771700.878………5010.771

提取圖像的灰度相關(guān)面特征,并帶入灰度互相關(guān)算法對(duì)應(yīng)的決策樹,得到預(yù)測(cè)結(jié)果及相應(yīng)的置信度,如表4所示。

表4 灰度互相關(guān)算法的預(yù)測(cè)結(jié)果

通過對(duì)兩組數(shù)據(jù)進(jìn)行對(duì)比,可以得出結(jié)論,梯度互相關(guān)算法的得票數(shù)為29,灰度互相關(guān)算法的得票數(shù)為21,從此可以判定在洛杉磯市區(qū)內(nèi)進(jìn)行匹配導(dǎo)航時(shí)梯度互相關(guān)算法的性能優(yōu)于灰度互相關(guān)算法。

6 結(jié)語(yǔ)

本文從SAR圖像適配性分析和紅外圖像可識(shí)別性分析研究中得到啟發(fā)，提出了一種基于CART決策樹的景象匹配算法性能評(píng)估方法。在實(shí)現(xiàn)過程中選擇了一些常見的影響景象匹配算法性能的圖像特征作為輸入向量，通過CART算法本身的特性來對(duì)特征的權(quán)重進(jìn)行篩選。未來應(yīng)該加強(qiáng)對(duì)影響景象匹配算法性能的圖像特征的研究，從而進(jìn)一步提升評(píng)估模型的評(píng)估效果。此外可以通過在更多的參考圖/實(shí)時(shí)圖圖對(duì)的基礎(chǔ)上進(jìn)行訓(xùn)練學(xué)習(xí)，以獲得更好的評(píng)估效果。

[1] 祝明波,董巍,張東興.雷達(dá)景像匹配制導(dǎo)基準(zhǔn)圖制備技術(shù)綜述[J].系統(tǒng)工程與電子技術(shù),2009,31(3):549-552. ZHU Mingbo, DONG Wei, ZHANG Dongxing. Reference map generation techniques for radar scene matching guidance: an overview[J].

Systems Engineering and Electronics,2009,31(3):549-552.

[2] Myers V, Fawcett J. A Template Matching Procedure for Automatic Target Recognition in Synthetic Aperture Sonar Imagery[J]. IEEE Signal Processing Letters,2010,17(7):683-686.

[3] Breiman L I, Friedman J H, Olshen R A, et al. Classification and Regression Trees (CART)[J]. Biometrics,1984,40(3):235-267.

[4] 王甜,王建民,楊樹謙,等.紅外圖像自動(dòng)目標(biāo)識(shí)別技術(shù)發(fā)展[J].飛航導(dǎo)彈,2005 (11):41-47. WANG Tian, Wang Jianmin, Yang Shuqian. Development of infrared image automatic target recognition technology[J].

Winged Missiles Journal,2005(11):41-47.

[5] Jiang X. Feature extraction for image recognition and computer vision[C]// Computer Science and Information Technology, 2009. ICCSIT 2009. 2nd IEEE International Conference on. IEEE,2009:1-15.

[6] 趙峰偉,沈振康,劉揚(yáng),等.景象匹配估計(jì)系統(tǒng)中圖像特征指標(biāo)的選擇(一)圖像統(tǒng)計(jì)特征[J].紅外與激光工程,2001,30(4):187-191.ZHAO Weifeng, Shen Zhenkang, Liu Yang, et al. Selection of image feature set in performance evaluation system of scene matching algorithm (Part: Image statistic feature) [J]. Infrared and Laser Engineering,2001,30(4):187-191.

[7] Jeon J B, Kim J H, Yoon J H, et al. Performance Evaluation of Teeth Image Recognition System Based on Difference Image Entropy[C]//Convergence Information Technology, International Conference on. IEEE, 2008:967-972.

[8] 劉中華,王暉,陳寶國(guó).景象匹配區(qū)選取方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013(12):128-133. LIU Zhonghua, WANG Hui, CHEN Baoguo. Research on Selection for Scene Matching Area [J]. Computer Technology and Development,2013(12):128-133.

[9] 趙峰偉,沈振康,劉揚(yáng),等.景象匹配估計(jì)系統(tǒng)中圖像特征指標(biāo)的選擇(二)相關(guān)面統(tǒng)計(jì)特征[J].紅外與激光工程,2001,30(5):350-352. ZHAO Weifeng, Shen Zhenkang, Liu Yang, et al. Selection of image feature set in performance evaluation system of scene matching algorithm (Part2: Correlation plane statistic feature)[J]. Infrared and Laser Engineering,2001,30(5):350-352.

[10] Mcilhagga W. The Canny Edge Detector Revisited[J]. International Journal of Computer Vision,2011,91(3):251-261.

[11] Hsieh C H. Grey Sobel Edge Detector[J]. Journal of Grey System,2005:122-131.

[12] Rui M A, Xie Z, Zhou P, et al. Data Mining on Correlation Feature of Load Characteristics Statistical Indexes Considering Temperature[J]. Zhongguo Dianji Gongcheng Xuebao/proceedings of the Chinese Society of Electrical Engineering,2015,35(1):43-51.

[13] 張亮,寧芊.CART決策樹的兩種改進(jìn)及應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(5):1209-1213. ZHANG Liang, NING Qian. Two improvements on CART decision tree and its application [J]. Computer Engineering and Design,2015,36(5):1209-1213.

[14] 魏紅寧.決策樹剪枝方法的比較[J].西南交通大學(xué)學(xué)報(bào),2005,40(1):44-48. WEI Hongning. Comparison among Methods of Decision Tree Pruning [J]. Journal of Southwest Jiaotong University,2005,40(1):44-48.

[15] Wei H N. Comparison among Methods of Decision Tree Pruning[J]. Journal of Southwest Jiaotong University,2005,40(1):823-835.

[16] Meyers L S, Gamst G C, Guarino A J. Performing Data Analysis Using IBM SPSS[J]. Wiley & Sons,2014,23(2):86-98.

Performance Evaluation Method of Scene Matching Algorithm Based on Decision Tree

ZOU Hui1WU Qifeng1ZHANG Yifei2MING Delie2

(1. Science and Technology on Electro-optic Control Laboratory, Luoyang Institute of Optical-electronic Equipment,Luoyang 471009)(2. School of Automation, Huazhong University of Science and Technology, Wuhan 430074)

Inspired by the research on the analysis of SAR images matching property and infrared image recognition property, it is found that image category has a great effect on image matching, also the image category measured by image feature, the image features including Intensity edge and correlation analysis. Based on the analysis of these characteristics of images, a method of performance evaluation of scene matching algorithm based on CART decision tree is proposed. Finally, decision tree is used to evaluate the performance on two image matching. The results show that the method is effective.

scene matching, algorithm evaluation, decision tree, adaptation property, recognition ability

2016年5月17日,

2016年6月21日

國(guó)家自然科學(xué)基金資助項(xiàng)目(編號(hào)：61273241)資助。

鄒輝,男,碩士,高級(jí)工程師,研究方向：光電信息處理,模式識(shí)別與智能系統(tǒng)。

TP274；TN713

10.3969/j.issn.1672-9722.2016.11.001