基于模糊神經(jīng)網(wǎng)絡(luò)的艦船目標識別方法

基于模糊神經(jīng)網(wǎng)絡(luò)的艦船目標識別方法

1基于特征的目標分類識別此特征是圖像識別目標的最基本屬性。因此，研究了不同類型的函數(shù)，并將其應用于圖像的對象分類和識別處理（koto原材料，1999）。這些特征包括線特征(Katartzisetal.,2001),平面特征(Pigeonetal.,2000),紋理特征(Haralicketal.,1973;Luo&Savakis,2001;Fukuda&Hirosawa,1999;Xiong&Zhang,1999)等等。目標的特征通?？梢苑譃?Pohl,1998):·幾何特征,如線,邊緣,脊,角,區(qū)域,相對定位等信息;·統(tǒng)計特征,如目標表面的數(shù)目,表面的周長,矩特征以及紋理特征等;·譜特征,包括目標的色彩,溫度,譜信號等?；谔卣鞯哪繕朔诸愖R別(Theodoridis&Koutroumbas,1999)是圖像處理最廣泛的應用之一,已經(jīng)有大量的方法被提出,包括模糊集理論方法(Blasch&Huang,2000),神經(jīng)網(wǎng)絡(luò)方法(Binaghietal.,2001)等等。另外,基于特征和決策融合的方法也得到了深入的研究和應用(Rolietal.,2001)。模糊神經(jīng)網(wǎng)絡(luò)方法可以有效地綜合模糊集理論和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢,因此近來已經(jīng)獲得越來越深入的研究和應用(Joshietal.,1997;Tsao,etal.,1992;Pal&Ghosh,1996)。Pal和Mitra(1999)系統(tǒng)地分析了模糊集理論與神經(jīng)網(wǎng)絡(luò)的集成,在此基礎(chǔ)上開發(fā)出了一系列的模糊多層感知器、模糊邏輯多層感知器、模糊Kohonen網(wǎng)絡(luò)進行特征評估、模式識別、規(guī)則推理和決策生成。2典型的目標特征基于研究識別艦船目標,分析了高分辨率衛(wèi)星觀測圖像中大型艦船的幾何特征、矩特征和紋理特征。2.1典型船舶目標幾何特征的提取幾何特征是目標最基本最直觀的輪廓形狀特征,因此可以很好地用于目標的檢測與識別。在高分辨率衛(wèi)星圖像中,典型艦船目標的幾何特征可以較好地呈現(xiàn)出來。盡管會受噪聲等因素的影響,但通過一定的特征提取方法還是可以有效地提取出這些目標幾何特征。一般常用于目標識別的幾何特征包括:長度L、寬度W、周長、面積A、圓率γ、質(zhì)心(X,Y)。2.2基于特定形狀的心矩描述矩特征是目標外部輪廓形狀及其像素強度分布的一種有效度量,對于大型艦船這類具有特定形狀的目標,矩特征是一種有力的描述工具。標準中心矩具有平移和尺度不變性。進一步還可以利用標準中心矩定義具有旋轉(zhuǎn)不變性的矩特征。Hu定義了7個矩特征來度量目標的矩特征,這7個矩特征具有平移、尺度和旋轉(zhuǎn)不變性。2.3角度二階矩特點圖像區(qū)域的紋理體現(xiàn)了圖像灰度層次的分布特性,紋理特征反映了圖像的精致與粗糙、平滑與不規(guī)則、一致與不一致等特性,是描述圖像的一類重要特征。最常用的中心矩紋理特征為μ2,μ3和μ4,μ2即為直方圖的方差σ2,μ3為直方圖的傾斜度,μ4為直方圖的峰度。其中μ3和μ4分別可以用σ3和σ4來標準化。角度二階矩ASM特征用于度量圖像的平滑度,若圖像中所有像素灰度層次均為Level=k,則有ASM=1。圖像越不平滑,ASM值越小。對比度CON反映了圖像的對比度,即局部灰度層次的變化特性。CON越大,圖像具有更高的對比度。倒數(shù)差分矩IDF對于低對比度的圖像具有更大的值。熵HST體現(xiàn)了圖像灰度層次分布的隨機性,圖像越平滑,其值越小。3特征提取與分析本文分析的大型艦船目標分為4個級別,分別標識為艦船Ⅰ級、艦船Ⅱ級、艦船Ⅲ級和艦船Ⅳ級。對大型艦船特征的提取將針對3類數(shù)據(jù)中的目標進行,即某型衛(wèi)星仿真數(shù)據(jù)中的大型艦船,高分辨率衛(wèi)星對地觀測成像數(shù)據(jù)中的大型艦船,以及自動檢測提取的大型艦船目標(瞿繼雙,2002)。下面將分別對上述數(shù)據(jù)中的大型艦船目標進行幾何特征、矩特征和紋理特征提取與分析。在特征提取過程中,大型艦船目標的方位姿態(tài)定位如下:包含大型艦船的最小橢圓的長軸處于垂直軸線上,艦船前端朝上。艦船仿真數(shù)據(jù)的幾何特征包括目標長度、寬度、面積、周長、甲板質(zhì)心等特征;矩特征包括7個Hu矩特征;一階紋理特征包括二階中心矩,表示目標直方圖的方差,三階中心矩為目標直方圖的傾斜度,四階中心矩為目標直方圖的峰度,并進行標準化處理;二階紋理特征分別是0°,45°,90°和135°的角度二階矩、對比度、倒數(shù)差分矩和二階紋理熵。3.1船港特征提取在仿真數(shù)據(jù)特征提取時,我們將大型艦船分為3類,即艦船Ⅰ級、艦船Ⅱ級和艦船Ⅲ級。分別對艦船Ⅰ級的A型號、艦船Ⅱ級的B型號、艦船Ⅲ級的C型號和D型號進行特征提取和特征分析。在大型艦船特征提取過程中,艦船目標是通過目標邊緣提取后進行人工介入處理獲取的。在特征提取過程中,需要注意以下幾個影響艦船特征的因素:·艦船升降機的狀態(tài)對其各類特征均有較大影響?！づ灤系母鞣N設(shè)施將影響其特征。針對升降機對艦船特征的影像,我們在提取艦船特征時,分別考慮各升降機不同狀態(tài)的特征,假定每艘艦船擁有4個升降機,于是每艘艦船將有n=C04+C14+C24+C34+C44=16種狀態(tài)。經(jīng)過對提取的仿真艦船特征數(shù)據(jù)進行分析,幾何特征、矩特征、一階紋理特征、二階紋理特征均可以很好地區(qū)分出A型號、B型號、C型號和D型號艦船,因此利用這些特征可以對各艦船進行有效的分類識別應用處理。3.2特征邊緣的提取除了對仿真數(shù)據(jù)進行特征提取分析之外,還對某型衛(wèi)星所成圖像中的A型號、B型號和D型號艦船,以及IRS-1C圖像數(shù)據(jù)中的C型號艦船進行特征提取和分析,這兩種圖像數(shù)據(jù)的分辨率分別為3m×3m和5.8m×5.8m,其中C型號艦船1和艦船2分別是不同時相下獲取的數(shù)據(jù)。這里的目標也是通過提取目標邊緣形狀后進行人工處理獲取的。在后面矩特征和紋理特征提取時也將使用相同的數(shù)據(jù)和人工獲取目標方法。3.3特征指標分析3.1和3.2中目標特征提取之前的目標獲取介入了人工處理,這在自動目標檢測和識別中是不可取的,數(shù)據(jù)處理的自主性是越來越多的圖像數(shù)據(jù)處理及應用系統(tǒng)的一個基本要求。因此,下面對艦船目標特征進行自動特征提取處理。圖1為一種從衛(wèi)星觀測圖像數(shù)據(jù)中自動檢測、識別目標(主要以大型艦船目標為識別對象)系統(tǒng)的處理流程(瞿繼雙,2002)。首先使用閾值分割方法或模糊神經(jīng)網(wǎng)絡(luò)方法對目標進行初步檢測(瞿繼雙等,2003,2004),將目標從背景中突顯分離出來,然后對目標圖像進行模板匹配處理,從而檢測、識別目標,確定出目標的基本類別,例如機場、港口、大型艦船等。如果需要進一步確定目標的特性類別,例如希望知道艦船是哪一種型號,或者模板匹配方法無法識別出目標的類別屬性時,就需要通過對目標進行深入的特征提取和分析,利用其特征進行目標識別處理,準確地確定出目標屬性。3.3.1幾何特征利用圖1所述自動目標檢測、識別系統(tǒng),對A型號和B型號艦船進行自動特征提取處理,表1中數(shù)據(jù)為該兩艘艦船的幾何特征。3.3.2矩特征表2給出了利用自動特征提取方法對A型號和B型號艦船進行特征提取獲得的Hu矩特征。3.3.3紋理特征表3和表4分別為利用自動特征提取方法對A型號和B型號艦船進行特征提取獲取的一階紋理特征和二階紋理特征,其中一階紋理特征中的傾斜度μ3和峰度μ4分別使用σ3和σ4進行標準化處理,二階紋理特征的角度二階矩ASM利用式ASM=-log10ASM進行對數(shù)處理。4模糊神經(jīng)網(wǎng)絡(luò)的分類和識別方法4.1基于函數(shù)的模糊成員函數(shù)對于目標特征集Ω中的任一特征向量F=F1,…,Fi,…,Fn構(gòu)成的模式F(本文中模式指具體用于訓練或測試的特征向量),設(shè)C=C1,…,Ck,…,CK為已知的模式可能所屬類別,定義F與Ck的距離為:dk(F)=[n∑i=1(Fi-mkiλki)rk]1rk?rk>0(1)式中,λki=2maxF∈Ck[Fi-mki](2)式(1)和(2)中的mki在具備先驗知識時由先驗知識確定,在不具備先驗知識時由下式確定:mki=∑F∈CkFi|Ck|(3)于是利用π函數(shù)定義特征F在Ck中的模糊成員函數(shù)為:μCk(F)={1-2d2k(F)0≤dk(F)<122[1-dk(F)]212≤dk(F)<10其他(4)4.2模糊性神經(jīng)網(wǎng)絡(luò)lj輸出利用神經(jīng)網(wǎng)絡(luò)方法來選擇評估特征向量F中的各分量Fi,i=1,…,n。如圖2,網(wǎng)絡(luò)包括輸入層和輸出層,特征向量分量F1,…,Fi,…,Fn在輸入層輸入,每個特征分量對應一個神經(jīng)元,網(wǎng)絡(luò)輸出層每個節(jié)點對應一類目標,每個節(jié)點擁有兩個神經(jīng)元,即一個主神經(jīng)元(白色)與一個輔助神經(jīng)元(灰色)(Pal&Mitra,1999)。輔助神經(jīng)元用于控制激活主神經(jīng)元,使其在只有輔助神經(jīng)元被激活時才能激活生成輸出。輔助神經(jīng)元與輸入神經(jīng)元進行反饋連接,第k個輸出類別至第i個特征分量的連接權(quán)值為-mki。輸入神經(jīng)元與輸出神經(jīng)元之間連接權(quán)值則是ωi的函數(shù),由下式給出:當模式F輸入時,依次激活輔助神經(jīng)元,而其他的輔助神經(jīng)元則處于不激活狀態(tài),這意味著每次只有一個主神經(jīng)元產(chǎn)生輸出結(jié)果。當?shù)趉個輔助神經(jīng)元被激活時,輸入節(jié)點i的輸入激勵值為:uik=(xik)rk(6)式中xik=Fi-mki(7)于是k個主神經(jīng)元的輸入為:yk=(n∑i=1uik×(ωiλki)rk)1rk(8)通過激勵函數(shù)g(·),可以得到該主神經(jīng)元的輸出為:vk=g(yk)(9)vk即為模式F隸屬于Ck類目標的隸屬度。對于特征向量F={F1,F2,…,Fn}構(gòu)成的模式集Ω,設(shè)Fj∈Ω為其中一個模式,則定義其與第k類目標Ck的加權(quán)距離為:zkj=[n∑i=1(Fi-mkiλkiωki)rk]1rk?rk>0?ωki∈[0?1](10)Fj相應于Ck的模糊成員值采用如下激勵函數(shù)實現(xiàn):μk(Fj)=11+(zkjfd)fe(11)上式中的fd和fe均為正常量,用于控制類成員集的模糊常量。從(11)式可以看出,Fj相應于Ck的模糊成員值μk(Fj)與加權(quán)距離zkj成反比,即zkj越小,μk(Fj)越大,而當模式Fj與Ck的中心點完全重合時,zkj=0,則μk(Fj)=1。當μk(Fj)<0.5時,則一般認為Fj不屬于Ck;而當μk(Fj)接近0.5時,表明目標在Ck與其他類目標的邊緣區(qū)域,是否屬于Ck具有很大的模糊性和不確定性。只有在μk(Fj)>0.5時,才能夠認為Fj屬于Ck的可能性比較大。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)輸出單一的結(jié)果(即在輸出層對應于每個輸入模式只有一個輸出節(jié)點產(chǎn)生有效響應)相比較,模糊神經(jīng)網(wǎng)絡(luò)甚至允許模式Fj可以同時屬于多類目標,例如Ck1和Ck2,此時將有μk1(Fj)和μk2(Fj)均大于0.5。事實上,在復雜的目標分類應用中會面臨不同兩類具有重疊區(qū)域的情況,利用模糊集可以有效地描述這種情況。當有多個成員值大于0.5,或成員值全部小于0.5時,可以取μk(Fj)值較大的一類作為模式Fj的所屬目標類別,也可以進一步利用其他信息或方法對這兩類進行進一步分析和判斷,從而確定出該模式所屬最優(yōu)的類別。4.3網(wǎng)絡(luò)特征量集的建立傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法將更大輸出值作為有效輸出響應,并設(shè)置該節(jié)點輸出值為1,而將其他輸出節(jié)點值設(shè)置為0,這樣可能會導致網(wǎng)絡(luò)訓練時出現(xiàn)震蕩,即導致近似相同的模式被分為不同的目標類別,從而使如何終止算法訓練產(chǎn)生困難。處于多類別重疊區(qū)域的模式矢量是造成這種震蕩的根源,盡管網(wǎng)絡(luò)偏差的反向繁殖可以校正權(quán)值以使偏差趨于最小,但是處于多類別重疊區(qū)域的模式的模糊性使得偏差在逐漸趨小的過程中產(chǎn)生震蕩。使用模糊神經(jīng)網(wǎng)絡(luò)方法可以利用期望的模糊輸出作為目標函數(shù),約束偏差的校正,并且那些明確地屬于或不屬于某些類的模式矢量,即成員函數(shù)值趨向于1或0的模式矢量在權(quán)值校正過程中發(fā)揮更大的作用;那些相對某些類在所屬隸屬度上比較模糊的模式矢量,主要用于校正權(quán)值以區(qū)分具有重疊區(qū)域的類的邊界區(qū)域。網(wǎng)絡(luò)訓練時不斷通過訓練樣本學習來校正網(wǎng)絡(luò)權(quán)值,以使目標函數(shù)達到最小。網(wǎng)絡(luò)使用均方差偏差和正交熵偏差作為目標函數(shù),分別定義如下:E=Μse=[∑F∈ΩtrainΚ∑k=1(dk-yΗk)2]/(Κ×|Ωtrain|)(12)E=Ce=[∑F∈ΩtrainΚ∑k=1{-dklnyΗk-(1-dk)×ln(1-yΗk)}]/(ln2×Κ×|Ωtrain|)(13)上述兩式中的Ωtrain為模式的訓練樣本集,它與測試樣本集Ωtest共同構(gòu)成特征矢量集Ω,即Ωtrain∪Ωtest=Ω,dk為訓練模式矢量相應于Ck的期望輸出,由式(4)給出,yΗk為第k個輸出節(jié)點的測試輸出值,K為所有可能的目標類別數(shù)目,|Ωtrain|為訓練樣本集的模式數(shù)量。顯而易見,無論是Mse還是Ce均隨著yΗk趨近于dk而減小,反之亦然。5目標特征模式下面應用第4部分介紹的模糊神經(jīng)網(wǎng)絡(luò)方法來對第3部分提取的大型艦船特征進行分類識別。識別過程中利用仿真數(shù)據(jù)訓練網(wǎng)絡(luò),利用衛(wèi)星觀測圖像提取的目標特征數(shù)據(jù)以及自動檢測提取的目標特征數(shù)據(jù)(瞿繼雙等,2002,2003,2004)進行測試。目標特征模式分別依次編號為1—7,其中模式1—4、7為衛(wèi)星觀測圖像提取的目標特征數(shù)據(jù),模式5和6為自動檢測提取的目標特征數(shù)據(jù)。目標類別分為艦船Ⅰ、Ⅱ、Ⅲ和Ⅳ類,其中Ⅲ和Ⅳ類屬于同一類別目標,只是具體型號不同。5.1交熵偏差ce目標識別首先利用艦船的幾何特征對其進行分類識別處理。根據(jù)訓練模式樣本的類別把目標分為4類,學習步長ε=10-4,rk=2,fd=0.5,fe=2,連接權(quán)值初始化為0.2。對于特定的模式集Ω,由于式(12)及式(13)中的Κ|Ωtrain|是常量,因此在計算過程中可以省略,下面的分類識別也進行相同的處理。表5給出了基于幾何特征的測試數(shù)據(jù)分類識別結(jié)果和期望輸出,分別利用均方差偏差Mse和正交熵偏差Ce作為網(wǎng)絡(luò)目標函數(shù),其中粗體數(shù)字格為測試模式所屬類別。從分類識別結(jié)果可以看出,基于幾何特征的識別結(jié)果精度相當高,達到85.7%,只有模式2在期望輸出中屬于Ⅳ類,被本文方法識別成為Ⅲ類目標。事實上,如前所述,Ⅲ類和Ⅳ類屬于同一類別目標,因此從廣義上說,任何Ⅲ類或Ⅳ類目標被識別為其中任何一類也可以認為正確。模式樣本的期望輸出也說明了這一點,例如特征模式1、2、5和6相對于Ⅲ類和Ⅳ類目標的模糊期望輸出值均大于0.5。在這種廣義描述下大型艦船目標分類識別的精度則達到了100%。由于選取參數(shù)的差異,在使用Mse和Ce目標函數(shù)時各模式的輸出期望值有一定的差異。值得注意的是,采用本文模糊神經(jīng)網(wǎng)絡(luò)對大型艦船目標進行分類識別時,一個模式對于目標類大于0.5的隸屬度可能多于一個,例如模式3對于Ⅱ類的隸屬度為0.56507,而對于Ⅰ類的隸屬度也為0.51362,其他模式也有這種情況,尤其是特征模式1,2,5和6相對于Ⅲ類和Ⅳ類目標出現(xiàn)這種現(xiàn)象的可能性相當大,這一點從表5數(shù)據(jù)中可以得到驗證。另外,還可能出現(xiàn)一個模式相對于所有可能目標類別的識別結(jié)果隸屬度均小于0.5的情況,例如利用Ce作為目標函數(shù)時模式7相對于4種艦船類別的識別結(jié)果最大隸屬度僅為0.30775,此時基于先驗知識可以取其具有最大值的類別為模式所屬類別,也可以根據(jù)其他特征作進一步判斷。5.2高效階次性分析下面利用艦船的二階紋理特征對其進行分類識別處理,同樣把目標分為Ⅰ、Ⅱ、Ⅲ和Ⅳ類,算法參數(shù)初始化為:學習步長ε=10-3,rk=3.2,fd=0.5,fe=2,連接權(quán)值初始化為0.2。這里首先對16個二階紋理特征分量進行重要性分析(瞿繼雙,2003),并根據(jù)3種分析結(jié)果的加權(quán)平均來確定其最終重要程度,選擇其中前10個重要的特征分量(即前10個均值最大的特征分量)來對大型艦船目標進行分類識別處理。表6給出了基于二階紋理特征的測試數(shù)據(jù)分類識別結(jié)果和期望輸出,目標函數(shù)為均方差偏差Mse,其中粗體數(shù)字格為測試模式所屬類別。從分類識別結(jié)果可以看出,基于二階紋理特征的識別結(jié)果精度相比基于幾何特征的要低,但仍然達到71.4%,如果采用廣義的Ⅲ類和Ⅳ類目標分類標準,分類精度將達到100%。從表中數(shù)據(jù)可以看出,一個模式同樣可能會出現(xiàn)相對于多個目標類別的隸屬度大于0.5的情況,此時既可以取其最大值者為模式所屬類別(本文中即采用此種判別模式),也可以進一步結(jié)合其他特征信息作分析判斷。6多時相幾何特征融合處理特征融合處理可以有效地綜合多源(時相)數(shù)據(jù)中目標體現(xiàn)出的不同類別或不同度量的特征屬性,從而構(gòu)建更有區(qū)分性的特征空間,使基于特征的目標分類識別準確性得到顯著改善(Blasch&Huang,2000,Jorgeetal.,1999)。在前述基于幾何特征或二階紋理特征分類識別結(jié)果中,均出現(xiàn)了一個模式具有