在战场监视与自动搜索反舰导弹等方面,舰船图像识别与分类均至关重要[1]。通常情况下,利用摄像机按照角度瞄准方式,拍摄目标,获取舰船图像[2]。舰船图像拍摄时,因天气与拍摄角度等因素影响,会导致舰船图像出现光照不均与透射变形等问题,不能通过人眼精准识别与分类舰船图像,无法提供精准的识别结果[3-4]。王云艳等[5]先提取图像SIFT特征,再输入支持向量机内,输出图像识别结果,该技术可有效识别图像,识别精度在85%左右,有效降低图像识别运算量。王昌安等[6]通过角度致密化方法获取图像特征预设框,通过改进方位敏感型区域插值池化预设框,降低坐标误差,建立舰船局部特征模型,通过注意力机制融合全部特征,提升类别分类效果,深度学习依据融合的特征,输出图像识别结果,该技术图像识别的召回率较高,在复杂背景下目标识别领域应用效果较优。但上述2种技术提取的图像特征,均易受几何形状与光学影响,对图像的细微变化较为敏感,影响特征提取精度,降低图像识别效果。方向梯度直方图(histogram og oriented gradients,HOG)特征,具备较优的几何与光学不变性,图像细微变化对其影响较小,特征提取效果较优。支持向量机在分类问题中应用较优,在分类过程中,考虑泛化性的同时,还考虑了最优化原理,提升分类精度[7]。为此研究支持向量机的舰船图像识别与分类技术,提升舰船图像识别与分类精度。
1 舰船图像识别与分类技术 1.1 基于方向梯度直方图的舰船图像特征提取利用HOG特征提取算法,提取舰船图像特征。该算法是先分割舰船图像,获取细胞单元,该单元尺寸较小;再提取各单元内各像素点的HOG,建立HOG特征描述器,提取舰船图像特征。具体步骤如下:
步骤1 舰船图像灰度化处理,降低噪声与局部阴影对舰船图像特征提取的影响,图像灰度化即将彩色舰船图像变更成灰度图像,公式如下:
$ I = 0.4R + 0.69G + 0.22B。$ | (1) |
其中:I为图像灰度化处理后的舰船图像;R,G,B为红、绿、蓝3个颜色通道。
步骤2 舰船灰度图像Gamma校正处理,增强或降低I的亮度,解决舰船图像照度不均匀问题[8-9],提升舰船图像特征提取效果,利用平方根方式,进行舰船灰度图像的Gamma校正处理,公式如下:
$ I'\left( {x,y} \right) = I{\left( {x,y} \right)^{{C_{Gamma}}}}。$ | (2) |
其中:
步骤3 求解Gamma处理后舰船灰度图像的梯度,分别是水平与垂直2个方向,公式如下:
$ \begin{gathered} {p_x} = I'\left( {x + 1,y} \right) - I'\left( {x - 1,y} \right),\hfill \\ {p_y} = I'\left( {x,y + 1} \right) - I'\left( {x,y - 1} \right)。\hfill \\ \end{gathered} $ | (3) |
其中:
$ \begin{gathered} \nabla p\left( {x,y} \right) = \sqrt {p_x^2} + \sqrt {p_y^2},\hfill \\ \theta = \arctan \left( {\frac{{{p_y}}}{{{p_x}}}} \right)。\hfill \\ \end{gathered} $ | (4) |
其中:
步骤4 塑造细胞单元的HOG,利用直方图通道加权投票各
步骤5 利用步骤4获取的直方图,建立HOG描述器,按照一个滑动窗口步长扫描全部舰船灰度图像,利用全部细胞单元块融合成整幅舰船图像,用于描绘舰船图像特征,完成舰船特征提取。
1.2 基于局部线性嵌入算法的舰船图像特征降维利用局部线性嵌入算法(locally linear embedding,LLE),降低提取的舰船图像特征维度,解决特征冗余与高维特征运算速度慢的问题[10]。令第i个舰船图像特征样本为
$ {\textit{z}_i} = \gamma {\omega _{ij}}{\textit{z}_j} + \gamma {\omega _{ik}}{\textit{z}_k} + \gamma {\omega _{il}}{\textit{z}_l} 。$ | (5) |
其中:
舰船图像特征实际降维时,
$ \min \sum\limits_{i = 1}^m {{{\left\| {{\textit{z}_i} - \sum\limits_{j \in {Q_i}} {\gamma {\omega _{ij}}{\textit{z}_j}} } \right\|}^2}},$ | (6) |
$ {\omega _{ij}} = \frac{{\displaystyle\sum\limits_{k \in {Q_i}} {\frac{1}{{{g_{jk}}}}} }}{{\displaystyle\sum\limits_{l,s \in {Q_i}} {\frac{1}{{{g_{ls}}}}} }} 。$ | (7) |
其中:
LLE降低舰船图像特征维度时,
$ \min \sum\limits_{i = 1}^m {{{\left\| {{\textit{z}'_i} - \sum\limits_{j \in {Q_i}} {\gamma {\omega _{ij}}{\textit{z}'_j}} } \right\|}^2}} 。$ | (8) |
其中:
利用支持向量机,对舰船图像进行识别与分类,在支持向量机内输入获取的降维后舰船图像特征集合
令获取的降维后舰船图像特征集合
$ \left\{\begin{array}{l}h\left({\textit{z}}'\right) > 0\Rightarrow {\textit{z}}'\in {w}_{1},\\ h\left({\textit{z}}'\right) > 0\Rightarrow {\textit{z}}'\in {w}_{2},\\ h\left({\textit{z}}'\right)=0\Rightarrow {\textit{z}}'\in {w}_{1}或{w}_{2}。\end{array} \right.$ | (9) |
$ \textit{z}' = \kappa {\textit{z}'_p} + r\frac{w}{{\left\| w \right\|}}。$ | (10) |
其中:
融合式(9)与式(10)获取:
$ \begin{split}h\left( {\textit{z}'} \right) =& \left\langle {w \cdot \left( {\kappa {{\textit{z}'}_p} + r\frac{w}{{\left\| w \right\|}}} \right)} \right\rangle + b =\\ &\left\langle {w \cdot \kappa {{\textit{z}'}_p}} \right\rangle + b + r\frac{{\left\langle {w \cdot w} \right\rangle }}{{\left\| w \right\|}} = r\left\| w \right\| ,\end{split}$ | (11) |
因此:
$ r = \frac{{h\left( {\textit{z}'} \right)}}{{\left\| w \right\|}},$ | (12) |
若
$ h\left( {\textit{z}'} \right) = b,$ | (13) |
融合式(12)与式(13)后获取原点至决策超平面的距离,公式如下:
$ {r_0} = \frac{b}{{\left\| w \right\|}},$ | (14) |
令舰船图像特征样本的各个类别尽可能分开,同时令各类样本尽可能远离H,可提升舰船图像识别与分类效果,即最大化
$ \begin{split} &\min \frac{{{{\left\| w \right\|}^2}}}{2},\\ &{\rm{s.t}}.\quad {y'_i}\left[ {\left\langle {w \cdot {\textit{z}'_i}} \right\rangle + b} \right] - 1 \geqslant 0 ,\end{split} $ | (15) |
相应的拉格朗日函数为:
$ L\left( {w,b,\alpha } \right) = \frac{{{{\left\| w \right\|}^2}}}{2} - \sum\limits_{i = 1}^n {\tau {\alpha _i}} \left[ {{{y'}_i}\left( {\left\langle {w \cdot {\textit{z}'_i}} \right\rangle + b} \right) - 1} \right]。$ | (16) |
其中,第i个舰船图像特征样本的拉格朗日乘子为
计算w与b的偏导,公式如下:
$ \left\{ \begin{gathered} \frac{{\partial L\left( {w,b,\alpha } \right)}}{{\partial w}} = w - \sum\limits_{i = 1}^n {\tau {\alpha _i}{y'_i}{\textit{z}'_i}} = 0 ,\hfill \\ \frac{{\partial L\left( {w,b,\alpha } \right)}}{{\partial b}} = \sum\limits_{i = 1}^n {\tau {\alpha _i}{y'_i}} = 0 ,\hfill \\ \end{gathered} \right. $ | (17) |
简化式(17)得:
$ \left\{ \begin{gathered} w = \sum\limits_{i = 1}^n {\tau {\alpha _i}{y'_i}{\textit{z}'_i}},\hfill \\ \sum\limits_{i = 1}^n {\tau {\alpha _i}{y'_i}} = 0 。\hfill \\ \end{gathered} \right. $ | (18) |
在式(16)内添加式(18),舰船图像识别与分类的求解结果,就是舰船图像识别与分类问题的对偶问题,需最大化处理
$ \begin{split} &L\left( {w,b,\alpha } \right) = \sum\limits_{i = 1}^n {\tau {\alpha _i}} - \frac{{\displaystyle\sum\limits_{i,j = 1}^n {\tau {\alpha _i}\tau {\alpha _j}{y'_i}{y'_j}\left( {{\textit{z}'_i} \cdot {\textit{z}'_j}} \right)} }}{2},\\ &{\rm{s.t}}.\quad \sum\limits_{i = 1}^n {\tau {\alpha _i}{y'_i}} = 0,{\alpha _i} \geqslant 0 。\end{split} $ | (19) |
其中:
根据Kuhn-Tucher定理可知,对偶问题最佳解需符合的判别方程如下:
$ \tau {\alpha _i}\left[ {{y'}_i\left( {\left\langle {w \cdot {\textit{z}'_i}} \right\rangle + b} \right) - 1} \right] = 0,$ | (20) |
如果式(20)的最佳解是
$ f\left( {\textit{z}'} \right) = {sgn} \left\{ {\left\langle {{w^*} \cdot {\textit{z}'_i}} \right\rangle + {b^*}} \right\} = {sgn} \left\{ {\sum\limits_{i = 1}^n {\tau \alpha _i^*{{y'}_i}\left\langle {{\textit{z}'_i} \cdot {\textit{z}'_j}} \right\rangle } + {b^*}} \right\}。$ | (21) |
其中:
$ {b^*} = - \frac{{{{\max }_{{y'_i} = - 1}}\left\langle {{w^*} \cdot {\textit{z}'_i}} \right\rangle + {{\min }_{{y'_i} = + 1}}\left\langle {{w^*} \cdot {{\textit{z}'}_i}} \right\rangle }}{2}。$ | (22) |
在式(21)内添加式(22),利用式(21)的判别规则,输出舰船图像识别与分类结果。
2 实验证明以VAIS数据集为实验对象,该数据集内包含1934幅舰船可视化图像,1353幅舰船红外图像,共包含7种舰船类型,分别是战列舰、巡洋舰、航空母舰、驱逐舰、军舰、浅水重炮舰、补给舰。选取1800幅舰船可视化图像作为测试样本,利用本文技术识别与分类测试样本内的舰船图像。
在测试样本内选择一幅军舰、一幅驱逐舰的图像,所选择的军舰图像亮度较高,驱逐舰图像亮度较低,利用本文技术对这2幅舰船图像进行图像灰度化处理与Gamma校正处理。
利用本文技术对处理后的舰船灰度图像展开特征提取,特征提取结果如图1所示。可知,本文技术可有效提取军舰与驱逐舰灰度图像特征,所提取的特征能够有效描绘军舰与驱逐舰的边缘特征,同时军舰、驱逐舰轮廓特征和背景特征差距较为显著。实验证明,本文技术可有效提取舰船图像特征。
![]() |
图 1 军舰与驱逐舰图像特征提取结果 Fig. 1 Image feature extraction results of warship and destroyer |
为缩减后续舰船图像识别与分类的计算量,利用本文技术对提取到的舰船图像特征实施降维操作,降维后的舰船图像特征样本的空间分布结果如图2所示。可知,本文技术可有效降维处理舰船图像特征样本,降维后舰船图像特征样本在样本空间中可被较好地分开,利于后续舰船图像识别与分类。
![]() |
图 2 降维后舰船图像特征样本的空间分布结果 Fig. 2 Spatial distribution results of ship image feature samples after dimensionality reduction |
利用本文技术识别与分类1600幅舰船图像,舰船图像识别与分类结果如图3所示。可知,本文技术可有效识别与分类舰船图像,仅有巡洋舰和战列舰图像存在少量样本识别与分类错误,整体舰船图像识别与分类效果较优。实验证明本文技术可精准识别与分类舰船图像。
![]() |
图 3 舰船图像识别与分类结果 Fig. 3 Ship image recognition and classification results |
舰船识别与分类在军用领域至关重要,为此研究支持向量机的舰船图像识别与分类技术,精准识别与分类舰船图像,为相关领域提供精准的舰船识别结果。
[1] |
严明, 曹国, 夏梦. 基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测[J]. 哈尔滨理工大学学报, 2019, 24(1): 78-84. |
[2] |
李余兴, 李亚安, 陈晓, 等. 基于VMD和SVM的舰船辐射噪声特征提取及分类识别[J]. 国防科技大学学报, 2019, 41(1): 89-94. |
[3] |
王成, 吴岩, 杨廷飞. 利用改进单分类支持向量机提升舰船尾流目标的检测准确率[J]. 兵工学报, 2020, 41(9): 1887-1893. DOI:10.3969/j.issn.1000-1093.2020.09.021 |
[4] |
付哲泉, 李尚生, 李相平, 等. 基于高效可扩展改进残差结构神经网络的舰船目标识别技术[J]. 电子与信息学报, 2020, 42(12): 3005-3012. DOI:10.11999/JEIT190913 |
[5] |
王云艳, 罗冷坤, 王重阳. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(7): 1212-1219. DOI:10.3969/j.issn.1007-130X.2019.07.010 |
[6] |
王昌安, 田金文, 张强, 等. 深度学习遥感影像近岸舰船识别方法[J]. 遥感信息, 2020, 35(2): 51-58. DOI:10.3969/j.issn.1000-3177.2020.02.009 |
[7] |
王周春, 崔文楠, 张涛. 基于支持向量机的长波红外目标分类识别算法[J]. 红外技术, 2021, 43(2): 153-161. |
[8] |
吕洁, 麦雄发, 谢妙. 基于二维Gabor小波和孪生支持向量机的图像识别算法[J]. 南京理工大学学报, 2022, 46(1): 113-118. |
[9] |
周慧, 严凤龙, 褚娜, 等. 基于特征金字塔模型的高分辨率遥感图像船舶目标检测[J]. 大连海事大学学报, 2019, 45(4): 131-138. |
[10] |
郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36. DOI:10.3778/j.issn.1002-8331.1903-0031 |