- 相關(guān)推薦
光學(xué)遙感圖像多目標(biāo)檢測(cè)及識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)
摘要：針對(duì)目前光學(xué)遙感圖像處理與分析多集中在單目標(biāo)檢測(cè)及識(shí)別領(lǐng)域的局限性，多目標(biāo)檢測(cè)及識(shí)別成為了一個(gè)非常值得關(guān)注的研究課題，提出了一種光學(xué)遙感圖像多目標(biāo)檢測(cè)及識(shí)別算法。首先，采用自適應(yīng)閾值算法對(duì)目標(biāo)快速檢測(cè)分割;然后，結(jié)合圖像金字塔思想和基于尺度不變特征變換的特征包(BoFSIFT)特征提出了一種分層的BoFSIFT特征表示目標(biāo)的全局特征和局部特征，詳細(xì)地描述了目標(biāo)的分布特性;最后，采用基于徑向基核函數(shù)的支持向量機(jī)為弱分類器的AdaBoost算法，經(jīng)過(guò)不斷更新權(quán)重之后得到一個(gè)強(qiáng)分類器對(duì)待測(cè)試目標(biāo)圖像完成分類識(shí)別，識(shí)別率達(dá)到了93.52%。實(shí)驗(yàn)結(jié)果表明，所提算法對(duì)多類遙感圖像目標(biāo)的分割效果顯著，特征選取恰當(dāng)，識(shí)別方法快速有效。
關(guān)鍵詞：光學(xué)遙感圖像;自適應(yīng)閾值;基于尺度不變特征變換的特征包特征;AdaBoost算法;多類目標(biāo)
引言
光學(xué)遙感圖像通常是指可見(jiàn)光和部分紅外波段傳感器獲取的影像數(shù)據(jù)，其直觀易理解，空間分辨率通常比較高，在有光照和晴朗的天氣條件下，圖像內(nèi)容豐富，目標(biāo)結(jié)構(gòu)特征明顯，便于目標(biāo)分類識(shí)別。隨著遙感技術(shù)和模式識(shí)別技術(shù)的發(fā)展，對(duì)光學(xué)遙感圖像多目標(biāo)分類和識(shí)別的研究已引起了廣泛關(guān)注，它的發(fā)展對(duì)對(duì)地觀測(cè)、軍事偵察等領(lǐng)域有廣泛的意義[1]。
基于光學(xué)遙感圖像的多目標(biāo)檢測(cè)與識(shí)別研究主要涉及目標(biāo)分割檢測(cè)、特征提取和目標(biāo)識(shí)別3個(gè)階段。目標(biāo)的檢測(cè)分割階段是提取遙感圖像信息的重要準(zhǔn)備環(huán)節(jié)，在目標(biāo)點(diǎn)檢測(cè)的基礎(chǔ)上，依據(jù)特征把圖像劃分成多個(gè)區(qū)域[2]。文獻(xiàn)[3]對(duì)純海洋背景和海陸背景兩種情況下的艦船目標(biāo)分別用區(qū)域生長(zhǎng)法和先驗(yàn)法完成目標(biāo)分割;文獻(xiàn)[4]對(duì)傳統(tǒng)的圓形檢測(cè)Hough變換方法作了改進(jìn)，首先是計(jì)算目標(biāo)梯度場(chǎng)檢測(cè)油庫(kù)圓心坐標(biāo)，然后通過(guò)計(jì)算梯度值加權(quán)估計(jì)半徑值以便對(duì)目標(biāo)準(zhǔn)確定位;文獻(xiàn)[5]首先用小波分析建筑物目標(biāo)，然后結(jié)合馬爾可夫隨機(jī)場(chǎng)(Markov Random Field，MRF)完成檢測(cè)分割。
目標(biāo)的特征提取階段對(duì)識(shí)別結(jié)果有至關(guān)重要的作用，通過(guò)提取圖像的某些直觀自然特征或變換得到的構(gòu)造特征在實(shí)現(xiàn)數(shù)據(jù)壓縮的同時(shí)，提高目標(biāo)之間的特征差異性。文獻(xiàn)[6]提出了一種通過(guò)對(duì)遙感圖像提取局部紋理特征的紋理分類算法;文獻(xiàn)[7]提出了一種新的圓形目標(biāo)提取方法，該方法耗時(shí)低、檢出率高、抗噪能力強(qiáng);文獻(xiàn)[8]提出了一種新的由粗到細(xì)的飛機(jī)識(shí)別方法，采用Sobel算子提取邊緣特征和加權(quán)像素位置后識(shí)別效果明顯改善了。以上方法由于選取特征單一，對(duì)遙感圖像目標(biāo)的準(zhǔn)確識(shí)別具有一定的局限性。
文獻(xiàn)[9]綜合輪廓、小波系數(shù)和原來(lái)的位圖等特征對(duì)飛機(jī)型號(hào)進(jìn)行識(shí)別;文獻(xiàn)[10]提出了一種基于光學(xué)遙感圖像形狀和紋理特征融合的艦船識(shí)別方法，取得了良好的效果;文獻(xiàn)[11]融合點(diǎn)特征和表觀特征，提高目標(biāo)的正確識(shí)別率。
目標(biāo)識(shí)別階段是對(duì)光學(xué)遙感圖像中的目標(biāo)通過(guò)某種分類器準(zhǔn)確定位識(shí)別。文獻(xiàn)[12]提出主從神經(jīng)元結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)用于大型艦船的分類識(shí)別;文獻(xiàn)[13]采用主成分分析(Principal Components Analysis， PCA)降維方法和有向無(wú)環(huán)支持向量機(jī)(Support Vector Machine， SVM)分類器對(duì)飛機(jī)識(shí)別取得了較高的識(shí)別率;文獻(xiàn)[14]提出稀疏矩陣形式為特征的目標(biāo)識(shí)別方法，既對(duì)不完整的遙感圖像具有更好的魯棒性，在小樣本低采樣率情況下也能具備良好的識(shí)別性能。
目前，基于光學(xué)遙感圖像的多目標(biāo)檢測(cè)及識(shí)別方法存在以下問(wèn)題： 1)選用的特征對(duì)于目標(biāo)旋轉(zhuǎn)的適應(yīng)性較差;2)檢測(cè)和識(shí)別方法大多只能處理一種特定類別目標(biāo)的檢測(cè)和識(shí)別，無(wú)法實(shí)現(xiàn)多種目標(biāo)的同時(shí)檢測(cè)和識(shí)別。
針對(duì)以上問(wèn)題，本文提出一種光學(xué)遙感圖像的多目標(biāo)檢測(cè)及識(shí)別算法，首先采用自適應(yīng)閾值分割算法實(shí)現(xiàn)多目標(biāo)檢測(cè)與分割，然后在特征提取階段將圖像金字塔的分層思想與基于尺度不變特征變換的特征包(Bag of FeatureScale Invariant Feature Transform， BoFSIFT)特征有效結(jié)合，提出了一種分層的BoFSIFT特征，最后選用基于SVM的AdaBoost算法對(duì)多目標(biāo)遙感圖像進(jìn)行分類識(shí)別。該算法實(shí)現(xiàn)簡(jiǎn)單，可以同時(shí)實(shí)現(xiàn)光學(xué)遙感圖像的多目標(biāo)準(zhǔn)確分類。
第11期
姬曉飛等：光學(xué)遙感圖像多目標(biāo)檢測(cè)及識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)
計(jì)算機(jī)應(yīng)用 第35卷
一、算法的總體框架
如圖1所示為本文算法的總體框架：在訓(xùn)練過(guò)程中，采用手動(dòng)分割得到目標(biāo)的圖像，并進(jìn)行歸一化處理，之后對(duì)其提取分層的BoFSIFT特征并訓(xùn)練支持向量機(jī)得到分類器;在測(cè)試過(guò)程中，將包含多個(gè)待識(shí)別目標(biāo)的光學(xué)遙感圖像通過(guò)自適應(yīng)閾值分割得到待識(shí)別的目標(biāo)圖像，進(jìn)行歸一化處理后同樣提取分層的BoFSIFT特征，送入訓(xùn)練過(guò)程得到的SVM分類器，然后采用基于支持向量機(jī)的Adaboost算法實(shí)現(xiàn)目標(biāo)識(shí)別的準(zhǔn)確識(shí)別。
圖片
圖1本文算法的總體框架
二、分割算法
閾值分割法是一種基于全局的圖像分割方法[15-17]，典型的有：分水嶺分割、區(qū)域跟蹤分割、聚類分割等。傳統(tǒng)的閾值分割法效果多依賴于圖像灰度分布良好的雙峰性質(zhì)。由于本文的遙感圖像均屬于光學(xué)遙感圖像，因此分割算法應(yīng)該對(duì)光照天氣有一定的適應(yīng)性。由于圖像背景往往比較復(fù)雜，多個(gè)目標(biāo)間的灰度級(jí)存在較大差異，因此采用固定閾值進(jìn)行多目標(biāo)的同時(shí)分割是很難實(shí)現(xiàn)的。
基于以上分析本文采用局部自適應(yīng)閾值分割算法[18-20]對(duì)光學(xué)遙感圖像多目標(biāo)進(jìn)行分割，通常這類算法具有較強(qiáng)的適應(yīng)性，它是根據(jù)像素所在鄰域塊的像素值分布來(lái)確定該像素位置上的二值化閾值。對(duì)于一幅大小為H×H的光學(xué)遙感圖像f， f(x，y)表示第x行、第y列的像素點(diǎn)灰度值，本文對(duì)圖像中的每一個(gè)鄰域塊高斯加權(quán)求取一個(gè)閾值，從而構(gòu)造出整幅圖像的一個(gè)閾值平面，記為T(x，y)，然后利用這個(gè)閾值平面對(duì)圖像完成二值化操作，閾值化后的像素點(diǎn)灰度值g(x，y)用式(1)表示： g(x，y)=black，f(x，y)≤T(x，y)
white，f(x，y)>T(x，y) (1
經(jīng)典的局部自適應(yīng)閾值分割算法主要有Bernsen法、Niblack法以及Sauvola法等。本文選取其中的Sauvola法[21]，是通過(guò)計(jì)算圖像當(dāng)前點(diǎn)在窗口w×w內(nèi)的加權(quán)均值m(x，y)和標(biāo)準(zhǔn)差s(x，y)得出相應(yīng)的閾值，以一種自適應(yīng)的方式調(diào)節(jié)方差的貢獻(xiàn)，對(duì)w×w窗口中心像素點(diǎn)，給定參數(shù)k，標(biāo)準(zhǔn)差s(x，y)的最大值R，則該閾值計(jì)算公式為：
T(x，y)=m(x，y)1+ks(x，y)R-1(2
式(2)涉及到的第1個(gè)參數(shù)w的選擇對(duì)閾值分割效果影響較大： 若w取值過(guò)大，自適應(yīng)程度低，則有可能失去局部處理的意義，導(dǎo)致算法運(yùn)行速度較慢; 若w選擇過(guò)小，自適應(yīng)程度高，則可能導(dǎo)致前景或背景內(nèi)部產(chǎn)生噪聲干擾。第2個(gè)參數(shù)k對(duì)圖像的分割效果也有著一定的影響： 隨著k取值的增大，目標(biāo)的寬度變粗; 隨著k取值的減小，目標(biāo)的寬度變細(xì)。第3個(gè)參數(shù)R取標(biāo)準(zhǔn)差的最大值，局部加權(quán)均值m(x，y)和標(biāo)準(zhǔn)差s(x，y)根據(jù)像素局部鄰域的對(duì)比度調(diào)節(jié)閾值的選取。當(dāng)圖像的一些區(qū)域具有較高的對(duì)比度時(shí)s(x，y)≈R使得T(x，y)=m(x，y)，當(dāng)局部鄰域的對(duì)比度較低時(shí)閾值T(x，y)往往低于平均值，因而可以成功地消除背景中的陰影部分。
在復(fù)雜的光學(xué)遙感圖像上采用自適應(yīng)閾值算法得到的圖像分割效果如圖2所示。
圖片
圖2分割效果示意圖
由圖2可以看出，圖2(a)的分割效果較圖2(b)的分割效果要好，觀察圖2(b)可以發(fā)現(xiàn)分割框與目標(biāo)有匹配不夠準(zhǔn)確的現(xiàn)象，如船艦分割中其中一艘船的背景信息比較多，汽車分割中未能將緊挨著的多輛汽車逐一分開(kāi)，油罐分割中目標(biāo)由于陰影的干擾未能完全分割出來(lái)，之后可以采用滑窗法對(duì)目前初步分割出來(lái)的區(qū)域進(jìn)行特征提取和識(shí)別，給出更加精確的目標(biāo)區(qū)域。飛機(jī)分割中跑道也作為目標(biāo)被分割出來(lái)，后期的識(shí)別方法可以很容易地對(duì)目標(biāo)和非目標(biāo)作一個(gè)分類處理，剔除分割出來(lái)的背景圖像。
閾值分割本身沒(méi)有將圖像的空間信息考慮在內(nèi)，并且當(dāng)圖像前景與背景或目標(biāo)與目標(biāo)之間灰度信息可區(qū)分性不高時(shí)，可能會(huì)有冗余信息或是部分目標(biāo)被遺漏。鑒于本文分割操作的出發(fā)點(diǎn)是將目標(biāo)盡可能全部檢測(cè)出來(lái)，對(duì)于不夠準(zhǔn)確的區(qū)域可以在后期的識(shí)別中進(jìn)行進(jìn)一步的精確處理。
三、特征提取
由于BoFSIFT [22-24]特征不僅僅滿足其他特征所具有的尺度縮放、亮度變化不變性，最重要的是它具備一定的旋轉(zhuǎn)魯棒性，被廣泛地用于目標(biāo)圖像的特征表示。它的不足之處是對(duì)目標(biāo)的分布特性不能很好地表征，而基于圖像金字塔思想的分層特征能彌補(bǔ)BoFSIFT特征的不足，因此本文將分層思想與BoFSIFT特征有效結(jié)合，提出了一種新的分層BoFSIFT特征用于目標(biāo)圖像的特征表示。
生成BoFSIFT描述子的步驟是：1)將所有訓(xùn)練集圖像的SIFT描述子進(jìn)行KMeans++聚類[25]，形成K個(gè)基礎(chǔ)詞匯的單詞表;2)將圖像SIFT特征點(diǎn)向單詞表作投影，統(tǒng)計(jì)單詞表中每個(gè)詞匯獲得的票數(shù)，構(gòu)成一個(gè)表征這幅圖像的K維向量。
在BoFSIFT特征基礎(chǔ)上再加入空間金字塔[26]思想，形
成的分層的BoFSIFT特征，能有效地表示圖像的局部特征和全局特征，并能表示圖像關(guān)鍵點(diǎn)的分布特性。分層的BoFSIFT特征整個(gè)提取過(guò)程為：
1)生成圖像BoFSIFT特征描述子： 樣本數(shù)為m幅圖像，聚類中心數(shù)為K，最終提取的BoFSIFT特征是K維;
2)構(gòu)造圖像金字塔： 將原圖像分成不同的塊，構(gòu)造一個(gè)三層的圖像金字塔，第一層為整個(gè)圖像，第二層將整個(gè)圖像劃分為2×2個(gè)子塊，第3層將整個(gè)圖像劃分為4×4個(gè)子塊;
3)基于金字塔結(jié)構(gòu)的特征表示： 在圖像金字塔中的每一層子塊中生成K個(gè)視覺(jué)碼字的BoFSIFT描述子，將每層的直方圖描述子等比例組合構(gòu)造21個(gè)K維特征列向量。分層的BoFSIFT特征提取算法過(guò)程如圖3所示。
圖4中的直方圖第1行為四類目標(biāo)(74×4)的特征值疊加后的表示，第2行和第3行分別為四類目標(biāo)第一幅原圖像和旋轉(zhuǎn)10°后圖像的特征表示，橫向分析表明不同目標(biāo)的特征可區(qū)分性較強(qiáng);縱向分析表明同一目標(biāo)的特征具有較高的相似度，該特征對(duì)于一定范圍的目標(biāo)旋轉(zhuǎn)具有適應(yīng)性。
圖片
圖3分層的BoFSIFT特征提取算法示意圖
不同目標(biāo)分層的BoFSIFT特征表示如圖4所示。
圖片
圖4不同目標(biāo)分層的BoFSIFT特征表示
四、識(shí)別算法
支持向量機(jī)[27]是一種在處理小樣本、非線性及高維模式識(shí)別中有很大優(yōu)勢(shì)的分類算法，能有效地克服樣本數(shù)對(duì)傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別方法的依賴。SVM實(shí)際中解決的大多數(shù)分類問(wèn)題屬于非線性，它通過(guò)選擇合適的核函數(shù)變換樣本到高維空間，使得變換后的樣本線性可分。AdaBoost[28]是最著名的Boosting算法之一，是一種通過(guò)訓(xùn)練多個(gè)弱分類器最后級(jí)聯(lián)成強(qiáng)分類器的迭代算法，其算法是經(jīng)過(guò)多次判斷訓(xùn)練樣本的分類正確與否以及觀察上次的總體分布準(zhǔn)確率來(lái)確定下一次每個(gè)樣本的權(quán)值，并將新的數(shù)據(jù)集送給下層分類器進(jìn)行訓(xùn)練，多次訓(xùn)練得到最終分類器。
本文選用基于徑向基核函數(shù)(Radial Basis Function，RBF)的SVM作為AdaBoost算法的弱分類器。
五、實(shí)驗(yàn)結(jié)果
本文在新建立的遙感圖像庫(kù)上對(duì)本文所提出算法進(jìn)行了測(cè)試。本文的數(shù)據(jù)庫(kù)包含在軍事和民用方面發(fā)揮重大作用的4類目標(biāo)，分別是艦船、飛機(jī)、汽車和油罐，數(shù)據(jù)庫(kù)總共包含74×4幅圖像，圖例如圖5所示。
圖片
圖5遙感圖像庫(kù)的部分目標(biāo)樣本圖像
5.1參數(shù)設(shè)置
1)訓(xùn)練樣本數(shù)和聚類中心數(shù)對(duì)識(shí)別率的影響。
首先確定實(shí)驗(yàn)訓(xùn)練集和測(cè)試集的數(shù)目。設(shè)定訓(xùn)練樣本Tr分別為68、108、148、188張圖像，測(cè)試樣本為108張圖像;其次設(shè)定聚類中心數(shù)K分別為10、20、30、40，金字塔層數(shù)為L(zhǎng)=3。在不同訓(xùn)練樣本數(shù)和聚類中心數(shù)下利用RBF核支持向量機(jī)進(jìn)行識(shí)別，得到的識(shí)別率變化曲線如圖6所示，從圖中可以看到，當(dāng)訓(xùn)練樣本數(shù)為188時(shí)，聚類中心數(shù)為20時(shí)系統(tǒng)的識(shí)別率達(dá)到最大值。
圖片
圖6不同訓(xùn)練樣本數(shù)和聚類中心數(shù)的平均識(shí)別率
從圖6可以看到，當(dāng)訓(xùn)練樣本數(shù)一定時(shí)隨著聚類中心數(shù)的變化識(shí)別率曲線在K=20時(shí)達(dá)到最大值;當(dāng)聚類中心數(shù)一定時(shí)隨著訓(xùn)練樣本數(shù)的變化平均識(shí)別率在Tr=188時(shí)達(dá)到最大值，因此當(dāng)訓(xùn)練樣本數(shù)為188時(shí)，聚類中心數(shù)為20時(shí)系統(tǒng)的識(shí)別率達(dá)到最大值。
2)金字塔層數(shù)對(duì)識(shí)別率的影響。
在以上得到的最優(yōu)參數(shù)下，即Tr=188，K=20，用訓(xùn)練樣本和測(cè)試樣本的圖像金字塔多層特征(并非最高層特征)分別采用支持向量機(jī)進(jìn)行訓(xùn)練和識(shí)別，得到平均識(shí)別率如表1所示。
表格(有表名)
表1圖像金字塔各層的識(shí)別率
金字塔層數(shù)特征向量維數(shù)平均識(shí)別率/%
12082.41
220+8090.73
320+80+32090.74
實(shí)驗(yàn)結(jié)果表明，金字塔層數(shù)越多識(shí)別率越高，即當(dāng)L=3時(shí)識(shí)別率最高，雖然L=3下的識(shí)別率相比L=2識(shí)別率的提高很微小，但總體意義上證明了分層的BoFSIFT特征可以有效表示目標(biāo)的全局和局部特性。
5.2目標(biāo)識(shí)別結(jié)果比較
1)本文所提特征與常用的遙感圖像特征的識(shí)別結(jié)果比較。
本文對(duì)光學(xué)遙感圖像的目標(biāo)提取了多種特征進(jìn)行表示，統(tǒng)計(jì)了基于RBF核的SVM識(shí)別方法的平均識(shí)別率，如表2所示。
表格(有表名)
表2多種特征識(shí)別結(jié)果比較
實(shí)驗(yàn)序號(hào)特征平均識(shí)別率/%耗時(shí)/s
1Shape Context59.260.057483
2Hu不變矩64.810.080390
3BoFSIFT82.410.018427
4分層的BoFSIFT90.740.095406
以上結(jié)果表明，同樣的識(shí)別方法下的不同特征對(duì)識(shí)別結(jié)果有著極大的影響，由于形狀上下文(Shape Context， SC)特征極大地依賴目標(biāo)的形狀的精確檢測(cè)，因此對(duì)于復(fù)雜背景下的遙感目標(biāo)的識(shí)別準(zhǔn)確性不理想，需要做許多前期處理操作來(lái)保證提高識(shí)別率;Hu不變矩的特征維數(shù)(7維)較少，特征的表述能力有限;BoFSIFT特征很詳細(xì)地表示了目標(biāo)的局部特性，但未考慮到目標(biāo)特征的分布特性;而分層的BoFSIFT特征既克服了過(guò)于依賴前期處理的不足，又綜合考慮了目標(biāo)的局部特征和分布特性，得到了最優(yōu)的識(shí)別效果。
2)多種識(shí)別方法識(shí)別結(jié)果比較。
利用5.1節(jié)得出的最優(yōu)參數(shù)，Tr=188，K=20，L=3，在本文所提特征的基礎(chǔ)上比較了以下識(shí)別方法的識(shí)別結(jié)果，如表3所示。
表格(有表名)
表3多種識(shí)別方法識(shí)別結(jié)果比較
實(shí)驗(yàn)序號(hào)識(shí)別方法平均識(shí)別率/%耗時(shí)/s
4分層的BoFSIFT特征+RBF核SVM90.740.095406
5分層的BoFSIFT特征+(AdaBoost+RBF核SVM)93.520.028114
實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)5的AdaBoost+SVM識(shí)別方法較實(shí)驗(yàn)4的SVM識(shí)別方法識(shí)別率有顯著的提高且耗時(shí)極短，說(shuō)明了本文算法的可行性。本文提出的識(shí)別方法即實(shí)驗(yàn)5的平均識(shí)別率混淆矩陣如圖7所示。
圖片
圖7本文方法的平均識(shí)別率混淆矩陣
分析圖7可以看出艦船的識(shí)別結(jié)果是最好的，由于飛機(jī)和汽車陰影比較嚴(yán)重，背景和前景對(duì)比度差異較小因此識(shí)別結(jié)果較差，油罐的特征點(diǎn)不明顯導(dǎo)致識(shí)別結(jié)果最差，總體來(lái)說(shuō)識(shí)別結(jié)果是令人滿意的。
六、結(jié)語(yǔ)
本文提出了一種遙感圖像多目標(biāo)檢測(cè)與識(shí)別方法，算法設(shè)計(jì)中采用自適應(yīng)閾值算法分割多目標(biāo)遙感圖像，構(gòu)建的分層BoFSIFT特征能夠很好地表示目標(biāo)圖像的局部和全局特性，并且具有一定的旋轉(zhuǎn)適應(yīng)性，基于支持向量機(jī)的AdaBoost算法既能提高識(shí)別率也提高了運(yùn)行速度，總體分析所提出算法對(duì)復(fù)雜背景下的遙感圖像多目標(biāo)分類識(shí)別具有一定的可行性。在分割階段基于局部鄰域塊的方法至今還沒(méi)有一致的選取鄰域塊大小的策略，且塊與塊之間存在不連續(xù)現(xiàn)象，此部分還需要進(jìn)一步的研究，使算法具有更好的復(fù)雜背景的適應(yīng)性。
參考文獻(xiàn)：
[1]JI X， QIN N. A review of target detection classification and recognition method based on optical remote sensing image[J]. Journal of Shenyang Aerospace University， 2015， 32(1)： 23-31.(姬曉飛，秦寧麗.基于光學(xué)遙感圖像的目標(biāo)檢測(cè)與分類識(shí)別方法綜述[J].沈陽(yáng)航空航天大學(xué)學(xué)報(bào)，2015，32(1)：23-31.)
[2]CHEN Y. Research on segmentation and extraction in optical remote sensing image[D]. Hefei： University of Science and Technology of China， 2010.(陳雁. 可見(jiàn)光遙感圖像分割與提取研究[D]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)， 2010.)
[3]WANG Y， MA L， TIAN Y. Stateoftheart of ship detection and recognition in optical remotely sensed imagery[J]. Acta Automatica Sinica， 2011， 37(9)： 1029-1039.(王彥情， 馬雷， 田原. 光學(xué)遙感圖像艦船目標(biāo)檢測(cè)與識(shí)別綜述[J]. 自動(dòng)化學(xué)報(bào)， 2011， 37(9)： 1029-1039.)
[4]HAN X， FU Y，LI G. Oil depots recognition based on improved Hough transform and graph search[J]. Journal of Electronics and Information Technology， 2011， 33(1)： 66-72.(韓現(xiàn)偉， 付宜利， 李剛. 基于改進(jìn) Hough 變換和圖搜索的油庫(kù)目標(biāo)識(shí)別[J]. 電子與信息學(xué)報(bào)， 2011， 33(1)： 66-72.)
[5]ZHANG Y. Object segmentation of remote sensing image based on MRF model[J]. Microcomputer and Its Applications， 2013， 32(2)： 44-47.(張彥. 基于MRF模型的遙感圖像建筑物分割研究[J]. 微型機(jī)與應(yīng)用， 2013， 32(2)： 44-47.)
[6]YANG B， ZHAO H， ZHAO Z， et al.A removed texture classification and distinction algorithm of remoted sensing martial object[J]. Microelectronics and Computer， 2004， 21(9)： 111-113.(楊斌，趙紅漫，趙宗濤，等.一個(gè)改進(jìn)的遙感圖像目標(biāo)紋理分類識(shí)別算法[J].微電子學(xué)與計(jì)算機(jī)，2004，21(9)： 111-113.)
[7]CHEN Z， LIU J， WANG G. A new circle targets extraction method from high resolution remote sensing imagery[C]// Proceedings of the 2011 4th International Workshop on Advanced Computational Intelligence. Piscataway： IEEE， 2011： 529-533.
[8]LIU G， SUN X， FU K， et al.Aircraft recognition in highresolution satellite images using coarsetofine shape prior[J]. Geoscience and Remote Sensing Letters， 2013， 10(3)： 573-577.
[9]HSIEH J， CHEN J， CHUANG C H， et al.Aircraft type recognition in satellite images[J]. IEE Proceedings： Vision， Image and Signal Processing， 2005， 152(3)： 307-315.
[10]ZHU C， ZHOU H， WANG R， et al.A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48(9)： 3446-3456.
[11]LI X， SUN H， WANG H， et al.High resolution imaging target detection for multiclass correlation vector machine[J]. Science of Surveying and Mapping， 2014， 39(12)： 128-133.(李湘眷， 孫皓， 王洪偉， 等. 多核多類關(guān)聯(lián)向量機(jī)的高分辨率影像目標(biāo)檢測(cè)[J]. 測(cè)繪科學(xué)， 2014， 39(12)： 128-133.)
[12]QU J， QU S， WANG Z. Featurebased fuzzyneural network approach for target classification and recognition in remote sensing images[J]. Journal of Remote Sensing， 2009， 13(1)： 67-74.(瞿繼雙， 瞿松柏， 王自杰. 基于特征的模糊神經(jīng)網(wǎng)絡(luò)遙感圖像目標(biāo)分類識(shí)別[J]. 遙感學(xué)報(bào)， 2009，13(1)： 67-74.)
[13]WANG D， HE X， WEI Z， et al.A method of aircraft image target recognition based on modified PCA features and SVM[C]// Proceedings of the 9th International Conference on Electronic Measurement and Instruments. Piscataway： IEEE， 2009： 177-181.
[14]YIN F， JIAO L. Robust remote sensing image target recognition based on extending training set by rotation and sparse representation[J]. Pattern Recognition and Artificial Intelligence， 2012， 25(1)： 89-95.(殷飛， 焦李成. 基于旋轉(zhuǎn)擴(kuò)展和稀疏表示的魯棒遙感圖像目標(biāo)識(shí)別[J]. 模式識(shí)別與人工智能， 2012， 25(1)： 89-95.)
[15]XI Y. Research and implementation of Kmean clustering and watershed segmentation algorithm for remote sensing image[D]. Nanjing： Nanjing University of Science and Technology， 2011.(席英. 遙感圖像的K均值聚類和分水嶺分割算法的研究與實(shí)現(xiàn)[D]. 南京： 南京理工大學(xué)，2011.)
[16]YI L， ZHANG G， WU Z. A scalesynthesis method for high spatial resolution remote sensing image segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50(10)： 4062-4070.
[17]GAO X， ZHANG S. Theory method and application of image segmentation[D]. Changchun： Jilin University， 2006.(高秀娟， 張樹(shù)功. 圖像分割的理論， 方法及應(yīng)用[D]. 長(zhǎng)春： 吉林大學(xué)， 2006.)
[18]LONG J， SHEN X， ZANG H， et al.An adaptive thresholding algorithm by background estimation in Gaussian scale space[J]. Acta Automatica Sinica， 2014， 40(8)： 1773-1782.(龍建武， 申鉉京， 臧慧， 等. 高斯尺度空間下估計(jì)背景的自適應(yīng)閾值分割算法[J]. 自動(dòng)化學(xué)報(bào)， 2014， 40(8)： 1773-1782.)
[19]SUN Y， CAI Z. An improved character segmentation algorithm based on local adaptive thresholding technique for Chinese NvShu documents[J]. Journal of Networks， 2014， 9(6)： 1496-1501.
[20]JAIN P， TYAGI V. An adaptive edgepreserving image denoising technique using tetrolet transforms[J]. Visual Computer， 2015，31(5)： 657-674.
[21]SAUVOLA J， PIETIK?INEN M. Adaptive document image binarization[J]. Pattern Recognition， 2000， 33(2)： 225-236.
[22]LOWE D. Object recognition from local scaleinvariant features[C]// Proceedings of the 7th IEEE International Conference on Computer Vision. Piscataway： IEEE， 1999： 1150-1157.
[23]LOWE D. Distinctive image features from scaleinvariant keypoints[J]. International Journal of Computer Vision， 2004， 60(2)： 91-110.
[24]SHARMA G， CHAUDHURY S， SRIVASTAVA J. Bagoffeatures kernel eigen spaces for classification[C]// Proceedings of the 19th International Conference on Pattern Recognition. Piscataway： IEEE， 2008： 1-4.
[25]ARTHUR D， VASSILVITSKII S. kmeans++： the advantages of careful seeding[C]// Proceedings of the 18th annual ACMSIAM Symposium on Discrete Algorithms Society for Industrial and Applied Mathematics. New York： ACM， 2007： 1027-1035.
[26]LAZEBNIK S， SCHMID C， PONCE J. Beyond bags of features： Spatial pyramid matching for recognizing natural scene categories[C]// Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2006： 2169-2178.
[27]HUANG Q， WU G， CHEN J， et al.Automated remote sensing image classification method based on FCM and SVM[C]// Proceedings of the 2012 2nd International Conference on Remote Sensing， Environment and Transportation Engineering. Washington， DC： IEEE Computer Society， 2012： 1-4.
[28]HE S， WANG L， XIA Y， et al.Insulator recognition based on moments invariant features and cascade AdaBoost classifier[C]// Proceedings of the 2013 International Conference on Mechatronics and Control Engineering. Zurich： Trans Tech Publications， 2013： 362-367.
【光學(xué)遙感圖像多目標(biāo)檢測(cè)及識(shí)別算法設(shè)計(jì)與實(shí)現(xiàn)】相關(guān)文章：
都市頻道制作網(wǎng)的設(shè)計(jì)與實(shí)現(xiàn)05-29
城市旅游網(wǎng)站的設(shè)計(jì)與實(shí)現(xiàn)論文（精選6篇）05-07
醫(yī)學(xué)圖像領(lǐng)域中數(shù)字圖像處理的應(yīng)用論文04-19
基于BP網(wǎng)遙感影像分類研究與應(yīng)用08-10
談地理圖像投影導(dǎo)學(xué)法08-21
數(shù)據(jù)關(guān)聯(lián)算法綜述及其性能評(píng)估05-05