基于多分類器融合的衛(wèi)星圖像艦船目標(biāo)識(shí)別*

張 曉，王莉莉

（中國(guó)電子科技集團(tuán)公司第三十研究所，四川 成都 610054）

0 引 言

隨著衛(wèi)星遙感技術(shù)的發(fā)展，基于衛(wèi)星遙感圖像的艦艇目標(biāo)識(shí)別成為可能。艦艇目標(biāo)的識(shí)別是世界各國(guó)的傳統(tǒng)任務(wù)，在國(guó)土安全、艦船緊急救援、非法移民等領(lǐng)域有著廣泛的應(yīng)用。與傳統(tǒng)的圖像識(shí)別類似，艦艇目標(biāo)的識(shí)別也主要分為遙感圖像特征提取和分類器構(gòu)建兩部分。

在圖像識(shí)別領(lǐng)域中，圖像特征表達(dá)和分類器的性能能夠直接影響到分類結(jié)果的準(zhǔn)確率。遙感圖像特征提取方法包括顏色特征、紋理特征和邊緣特征等。顏色直方圖特征[1]能夠反應(yīng)圖像顏色的組成分布，即各種顏色出現(xiàn)的概率，但是由于顏色直方圖特征是全局顏色統(tǒng)計(jì)的結(jié)果，因此丟失了像素點(diǎn)的位置特征。LBP（Local Binary Patterns，LBP）方法[2-3]常用于紋理特征提取，融合LBP特征與方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征構(gòu)建分類器，能夠有效提升分類器的檢測(cè)效果[4]。Canny邊緣檢測(cè)算法[5]基于一個(gè)多階邊緣算子，不但給出了邊緣檢測(cè)的方法，也提出了邊緣檢測(cè)的計(jì)算理論。Sobel算子[6]利用梯度信息對(duì)圖像進(jìn)行邊緣檢測(cè)，通過計(jì)算局部區(qū)域內(nèi)每個(gè)像素的梯度和不同方向從明到暗的變化率，判斷該區(qū)域?yàn)檫吘壍母怕?，完成?duì)圖像的邊緣檢測(cè)。

現(xiàn)有的分類算法包括神經(jīng)網(wǎng)絡(luò)、K最近鄰（KNN，K-NearestNeighbor）、支持向量機(jī)（Support Vector Machine，SVM）、AdaBoost（Adaptive Boosting，AdaBoost）等，都被廣泛應(yīng)用到圖像識(shí)別中，并得到很好的識(shí)別效果。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[7-8]是一種誤差反向傳播算法（Error Back Propagation Algorithm，BP算法），BP算法具有思想直觀、易于理解、數(shù)學(xué)意義明確、步驟分明等優(yōu)點(diǎn)，因此BP神經(jīng)網(wǎng)絡(luò)能夠得到廣泛的應(yīng)用。SVM[9-10]根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則和分類間隔最大化準(zhǔn)則尋找最優(yōu)超平面，提高分類器的泛化能力，能夠有效地解決非線性、維度高、易陷入局部極小值等問題。Freund等對(duì)Boosting迭代算法[11]進(jìn)行改進(jìn)，提出了AdaBoost算法[12-14]，能夠輸出連續(xù)的實(shí)數(shù)值，具有更好的收斂性，在圖像識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。

在艦艇目標(biāo)識(shí)別中由于缺乏足夠多的訓(xùn)練樣本，導(dǎo)致單一的特征提取方法對(duì)圖像的表達(dá)能力較弱，單個(gè)分類器的識(shí)別準(zhǔn)確率較低。為了提升艦艇目標(biāo)識(shí)別準(zhǔn)確率，本文通過使用一種迭代式的方法來應(yīng)對(duì)分類模型缺乏足夠的訓(xùn)練樣本的情況，采用特征融合方法對(duì)圖像進(jìn)行表示，增強(qiáng)圖像的特征表達(dá)能力，并采用多分類器融合方法構(gòu)建艦艇目標(biāo)識(shí)別模型，提升分類器的分類性能。

1 基本流程

從Google的衛(wèi)星地圖上看，在地圖縮放至20級(jí)以前，大多數(shù)的艦艇都很小，肉眼無法識(shí)別。同時(shí)由于拍攝日期以及天氣因素導(dǎo)致Google地圖在清晰度、亮度分辨率以及對(duì)比度等方面具有很大的差異。這些差異大大的增加了識(shí)別的難度，因此需要結(jié)合遙感圖像的特點(diǎn)對(duì)圖像進(jìn)行預(yù)處理和特征提取，然后構(gòu)建多種分類器并進(jìn)行融合，實(shí)現(xiàn)艦艇目標(biāo)識(shí)別，基本流程如圖1所示。

圖1 艦艇目標(biāo)識(shí)別基本流程

2 艦艇目標(biāo)識(shí)別方法

本文以Google瓦片地圖作為輸入，提取圖像的顏色特征和輪廓特征，并對(duì)多種特征進(jìn)行融合，完成遙感圖像的特征表達(dá)。然后構(gòu)建SVM分類器、BP神經(jīng)網(wǎng)絡(luò)分類器和AdaBoost分類器，并對(duì)多個(gè)分類器進(jìn)行融合，通過加權(quán)投票判斷圖像是否包含艦艇目標(biāo)。

2.1 特征提取

圖2是一個(gè)典型的艦艇的圖片?？梢钥闯雠炌У谋尘盎臼腔疑?，停機(jī)坪都是白色的，停機(jī)坪中間為白色的圓圈且由直線貫穿，這些特征可以將艦艇與其他物體區(qū)別開來。因此本文提取顏色特征，并提取艦艇的輪廓特征（直線和圓的分布特征）來完成艦艇衛(wèi)星圖像表示。

2.1.1 顏色特征

顏色是遙感影像目標(biāo)識(shí)別的重要特征，能夠?qū)⑴炌c建筑、海面、普通船只區(qū)分開來。在RGB（Red Green Blue，RGB）顏色空間中灰色與紅色、藍(lán)色與綠色相容，因此當(dāng)目標(biāo)的顏色是灰色時(shí)，與1/3紅色、1/3綠色、1/3藍(lán)色的圖片無法區(qū)分。這一現(xiàn)象在HSV（Hue Saturation Value，HSV）顏色空間是不存在的，因此本文選擇在HSV顏色空間提取顏色特征。

圖2 艦艇衛(wèi)星圖像

在HSV顏色空間中，H（Hue）代表色彩、S（Saturation）代表深淺（當(dāng)S=0時(shí)，只有灰色）、V（Value）代表明暗，表示色彩的明亮程度。

本文首先將圖像按照H軸劃分5個(gè)區(qū)間、S軸劃分5個(gè)區(qū)間、V軸劃分5個(gè)區(qū)間，共劃分為125個(gè)子空間，然后計(jì)算圖像在每個(gè)子空間中的顏色一階矩特征、二階矩和直方圖特征，完成圖像的顏色特征提取。

2.1.2 輪廓特征

從圖2可以看出，艦艇的直升機(jī)停機(jī)位的白色圓圈與直線特征比較明顯，本文將白色圓圈和直線作為艦艇的輪廓特征。在實(shí)際的遙感圖像中每張圖片在亮度、對(duì)比度以及分辨率等方面均存在差異。為了實(shí)現(xiàn)特征的檢測(cè)需要對(duì)上百萬張遙感圖片進(jìn)行參數(shù)調(diào)整，這不太可能實(shí)現(xiàn)。

為了解決以上問題，本文對(duì)每個(gè)圖像進(jìn)行預(yù)處理。首先將遙感圖像轉(zhuǎn)化到HSV空間，采用濾波方法對(duì)圖像進(jìn)行預(yù)處理，然后采用Canny算子對(duì)濾波后的圖像做邊緣計(jì)算，最后利用霍夫變換檢測(cè)圖像的輪廓特征，圖像預(yù)處理結(jié)果和輪廓特征檢測(cè)結(jié)果如圖3所示。

圖3 預(yù)處理和輪廓檢測(cè)結(jié)果

2.2 分類器

基于艦艇衛(wèi)星圖像的顏色特征和輪廓特征構(gòu)建SVM分類器、BP神經(jīng)網(wǎng)絡(luò)分類器和AdaBoost分類器，然后設(shè)計(jì)融合規(guī)則對(duì)各個(gè)單分類器的結(jié)果進(jìn)行融合。多分類器融合方式包括級(jí)聯(lián)和并聯(lián)，為了避免單個(gè)分類器分類錯(cuò)誤造成最終決策錯(cuò)誤，本文選擇并聯(lián)模式對(duì)單分類器進(jìn)行融合，多分類器融合體系結(jié)構(gòu)如圖4所示。

圖4 多分類器并聯(lián)融合體系結(jié)構(gòu)

2.2.1 軟間隔SVM分類器

給定一個(gè)n個(gè)樣本的訓(xùn)練集S={(x1,y1),…,(xn,yn)}∈(X×Y)n，其中xi∈X=Rd表示訓(xùn)練樣本，yi∈Y={1,-1}，i=1,2,…,n。如果訓(xùn)練集S是線性不可分的，那么通過核函數(shù)Φ將樣本映射到高維Hibert空間H中，使得訓(xùn)練集在高維空間H中是線性可分的，然后在高維空間H中根據(jù)最大間隔原則尋找最優(yōu)超平面。

軟間隔支持向量機(jī)允許訓(xùn)練樣本有錯(cuò)分點(diǎn)，并基于最大化間隔和最小化錯(cuò)分率的原則尋找最優(yōu)超平面。引入一個(gè)懲罰系數(shù)C>0和松弛變量ξ≥0，超平面滿足式（1）：

假設(shè)求解軟間隔支持向量機(jī)間隔最大化問題得到的最佳超平面是w*x+b*=0，對(duì)應(yīng)的分類決策函數(shù)為

其中f(x)稱為軟間隔支持向量機(jī)，令h=w*x+b*，h的正負(fù)符號(hào)表示樣本的類別，數(shù)值表示屬于某個(gè)類別的置信度。

2.2.2 BP神經(jīng)網(wǎng)絡(luò)分類器

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播、信號(hào)前向傳播的神經(jīng)網(wǎng)絡(luò)，由輸入層、隱藏層和輸出層組成。信號(hào)在前向傳播中，從輸入層到隱藏層再到輸出層逐層處理，并將輸出層的記過與真實(shí)值的誤差進(jìn)行反向傳播，并根據(jù)預(yù)測(cè)誤差調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，使神經(jīng)網(wǎng)絡(luò)的輸出值不斷地逼近真實(shí)值。常見的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

對(duì)于訓(xùn)練集X中的樣本x=(x1,x2,…xd)，d表示向量維度，x1,x2,…xd是BP神經(jīng)網(wǎng)絡(luò)的輸入值，輸入層的節(jié)點(diǎn)個(gè)數(shù)一般設(shè)為訓(xùn)練集X的維度，O1,O2,…Om表示輸出值，uik表示輸入層與隱藏層的權(quán)重，wkj表示隱藏層與輸出層之間的權(quán)重。

本文在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器時(shí)，網(wǎng)絡(luò)的輸出層m=1，Oi∈R，i=1,2,…,n表示樣本xi的輸出值，當(dāng)Oi>0時(shí)表示樣本xi為正類，否則為負(fù)類，|Oi|表示樣本歸屬于正類或負(fù)類的置信度。

2.2.3 Adaboost分類器

AdaBoost算法的核心思想是通過改變數(shù)據(jù)分布來構(gòu)造多個(gè)弱分類器，并根據(jù)弱分類器對(duì)樣本的分類情況確定樣本的權(quán)重更新，如果弱分類器對(duì)樣本的分類正確，則對(duì)應(yīng)的權(quán)重減少，如果分類錯(cuò)誤，則權(quán)重增加。本文選擇Stump決策樹作為弱分類器。

AdaBoost算法流程如下：

輸入：訓(xùn)練集T={(x1,y1),…,(xn,yn)}，其中yi∈{1,-1}，樣本權(quán)重w，弱分類器迭代次數(shù)T；

（2）DO FORt=1,2,…,T：

Step1：根據(jù)樣本權(quán)重wt訓(xùn)練弱分類器：

END

2.2.4 多分類器融合規(guī)則

多分類器融合方法包括級(jí)聯(lián)方式和并聯(lián)方式，在級(jí)聯(lián)方式中一個(gè)分類器的分類結(jié)果會(huì)影響另外一個(gè)分類器的結(jié)果，為避免單個(gè)分類器識(shí)別錯(cuò)誤造成艦艇目標(biāo)的識(shí)別錯(cuò)誤，本文采用并聯(lián)方式對(duì)多個(gè)單分類器進(jìn)行融合。在并聯(lián)模式中，各個(gè)分類器的訓(xùn)練是相互獨(dú)立的，其核心是尋找一種合適的融合規(guī)則確定最終的分類結(jié)果。本文采用加權(quán)投票法對(duì)各個(gè)單分類器的分類結(jié)果進(jìn)行融合，并判定圖像是否包含艦艇目標(biāo)。

針對(duì)艦艇衛(wèi)星遙感圖像提取特征后，分別采用SVM、BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法構(gòu)建3個(gè)單分類器。對(duì)于樣本x，3個(gè)單分類器的輸出結(jié)果分別為fsvm(x)、fbp(x)和fada(x)，若輸出值為正則單分類器判定樣本x為正類，否則為負(fù)類。|fsvm(x)|、|fbp(x)|和fada(x)可分別作為各個(gè)單分類器針對(duì)樣本x的權(quán)重，融合后的分類器輸出為：

如果f(x)>0，則判定樣本x為正類，否則為負(fù)類。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

分類器的訓(xùn)練需要足夠多的數(shù)據(jù)進(jìn)行學(xué)習(xí)，由于艦艇訓(xùn)練數(shù)據(jù)少，本文使用圖像擴(kuò)充技術(shù)對(duì)艦艇圖像數(shù)據(jù)進(jìn)行擴(kuò)充。在google地圖上根據(jù)200個(gè)艦艇目標(biāo)圖像，并經(jīng)過5次平移、3次旋轉(zhuǎn)和3次縮放，最終將圖像數(shù)據(jù)集擴(kuò)充到9 000幅圖像，隨機(jī)選擇其中的6 500幅圖像作為訓(xùn)練集的正類樣本，2 500幅圖像作為測(cè)試集中的正類樣本。

實(shí)際上，在google地圖中存在一些與艦艇圖像很相似的圖像。本文在google地圖中隨機(jī)選點(diǎn)并挑選了40 000幅與艦艇圖像相似的衛(wèi)星圖像（普通船只、海平面、建筑等）和具有不同地形地貌特點(diǎn)的圖像作為負(fù)類樣本，其中30 000幅圖像作為訓(xùn)練集負(fù)樣本，10 000幅圖像作為測(cè)試集負(fù)樣本。

本文使用圖像都是來自google地圖離線下載的瓦片圖像，并根據(jù)拼接原理對(duì)瓦片地圖進(jìn)行拼接，使圖像能夠包含整個(gè)艦艇目標(biāo)，拼接后圖像大小為640×640，數(shù)據(jù)集詳細(xì)情況如表1所示。

表1 數(shù)據(jù)集詳細(xì)信息

3.2 艦艇目標(biāo)識(shí)別結(jié)果

3.2.1 評(píng)價(jià)準(zhǔn)則

由于測(cè)試集中正負(fù)類樣本比例懸殊，采用準(zhǔn)確率評(píng)價(jià)分類性能是不合適的，本文采用精確率Precision、召回率Recall和F-measure來評(píng)價(jià)分類性能。TP表示實(shí)際為正樣本中被識(shí)別為正樣本的比例，F(xiàn)N表示實(shí)際正樣本中被識(shí)別為負(fù)樣本的比例，F(xiàn)P表示實(shí)際負(fù)樣本中被識(shí)別為正樣本的比例，TN表示實(shí)際負(fù)樣本中被識(shí)別為負(fù)樣本的比例。精確率表示如下：

召回率表示如下：

F-measure表示如下：

3.2.2 仿真實(shí)驗(yàn)結(jié)果與分析

在上述訓(xùn)練集上分別采用SVM、BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法訓(xùn)練分類器，并將3種單分類器進(jìn)行融合，在測(cè)試集上的識(shí)別結(jié)果如表2所示。

表2 多分類器融合與單分類器的識(shí)別結(jié)果

由表2可知，在3個(gè)單分類器中，SVM的Precision、Recall和F-measure均是最高的，BP神經(jīng)網(wǎng)絡(luò)的Recall高于AdaBoost算法，但是Precsion低于AdaBoost算法，導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)的F-measure稍低于AdaBoost算法。對(duì)3個(gè)單分類器進(jìn)行融合后，Precision可以達(dá)到66.32%，Recall可以達(dá)到82.53%，F(xiàn)-measure可以達(dá)到73.545，均高于其他3種單分類器，說明融合后的分類器性能得到了有效提升。

3.2.3 諾?？说貐^(qū)掃描結(jié)果

為了測(cè)試融合分類器對(duì)實(shí)際地區(qū)的識(shí)別效果，本文對(duì)諾?？说貐^(qū)進(jìn)行整體掃描，使用的圖像來自Google地圖離線下載的瓦片圖像，與訓(xùn)練集圖像的處理方式保持一致，根據(jù)拼接原理對(duì)瓦片地圖進(jìn)行了拼接處理，圖像大小為640×640，共得到20萬幅圖像。

經(jīng)過融合分類器的識(shí)別和人工確認(rèn)后，共計(jì)識(shí)別出24個(gè)目標(biāo)，其中有21個(gè)是艦艇目標(biāo)，有3個(gè)非艦艇目標(biāo)。由此說明融合分類器能夠識(shí)別出諾?？说貐^(qū)的大部分艦艇目標(biāo)，具有一定的泛化能力。諾福克地區(qū)部分艦艇目標(biāo)的分布如圖6所示，白色圖標(biāo)代表艦艇目標(biāo)。

圖6 諾?？说貐^(qū)部分掃描結(jié)果

4 結(jié) 語

本文使用SVM、BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法構(gòu)建單分類器，并采用加權(quán)投票法將多個(gè)單分類器進(jìn)行融合，采用融合分類器對(duì)衛(wèi)星圖像艦艇目標(biāo)進(jìn)行識(shí)別檢測(cè)。實(shí)驗(yàn)結(jié)果表明融合后的分類器分類性能最好，F(xiàn)-measure可以達(dá)到73.54%。在諾福克地區(qū)的整體掃描結(jié)果表明艦艇目標(biāo)識(shí)別模型能識(shí)別出大部分艦艇目標(biāo)，為國(guó)土安全提供可靠參考。