首页>论文>正文
日期
07/20
2020
咨询
  • QQ扫一扫

  • Vision小助手
    (CMVU)

面向高分辨率卫星影像的水面船只 免疫检测方法
收藏
2020-07-20 13:55:04来源: 中国视觉网

   摘  要:利用卫星影像进行海上船只目标的检测是目前海上作战侦察系统中的一个重要研究内容,论文利用人工免疫系统克隆选择机理,提出了一种新颖的基于水面纹理变化的船只及其行驶状态检测方法。该方法将海面整体视为一个人工免疫系统,将船只视为“抗原”,将用于检测船只及其行驶状态的纹理提取模板作为“抗体”,通过对海面纹理的免疫学习,获得“抗体”,从而实现对水面船只的检测。实验结果表明,论文提出的方法不仅能提取不同大小和行驶方向的船只,而且还能对船只的行驶状态进行检测。

   关键词:卫星影像; 船只检测; 克隆学习; 纹理模板

1  引  言

   海上船只目标的自动检测是国内外极为关注的热点和难点问题,它是海上可靠捕获、精确跟踪和打击船只目标的重要基础和前提,是当今海上作战侦察系统中的一项关键技术。

   遥感卫星影像一直是获取海洋信息的一个重要来源。随着以IKONOS 为代表的新一代遥感卫星的成功发射, 卫星影像的空间分辨率和时间分辨率越来越高,尤其是我国的卫星技术在近几年有了迅速的发展,以尖兵系列为代表的国产卫星,其分辨率指标已接近或达到国外先进商业卫星的水平,利用高分辨率卫星影像实现对海上目标的侦察已成为可能。

   目前利用卫星影像进行水面船只的识别方法是以船只的形状模型为基础的[1-4],该方法依赖于对船只的边缘提取和模型的事先设定,抗噪能力有限,难以应对实战过程中待测船只和海面的多样性和多变性,而且这些方法很少涉及船只行驶状态的检测。为了解决这些问题,本文从海面纹理的检测入手,提出了一种新颖的基于海面纹理变化的船只免疫检测方法。

   人工免疫系统是模仿自然免疫系统功能的一种智能方法,它是一种受生物免疫系统启发,通过学习外界物质的自然防御机理的学习技术,具有噪声忍耐、无教师学习、自组织和记忆等进化学习特点,并结合了分类器、神经网络和机器推理等系统的一些优点,因此具有提供新颖的解决问题方法的潜力。其研究成果涉及到控制、数据处理、优化学习和故障诊断等许多领域,已经成为继神经网络、模糊逻辑和进化计算之后人工智能的又一研究热点[5]。本文利用免疫学习机理实现对海面纹理的学习,获得检测船只及其行驶状态的“抗体”(纹理模板),从而实现对水面船只及其行驶状态的智能检测。在快鸟卫星影像上的实验结果表明,本文提出的方法能有效地提取不同大小和走向的船只,并能对船只的行驶状态进行探测。

2  人工免疫系统

   免疫(immunity) 是指生物体对感染具有的抵抗能力,免疫系统是由许多执行免疫功能的器官、组织、细胞和分子等组成,其主要作用是能够辨别“自己”与“异己”物质。 人体对感染物的免疫应答分为两类:固有性免疫响应(innate immune response) 和适应性免疫响应( adaptive immune response)。 前者是先天遗传生成的天然免疫力,后者则是由免疫系统的淋巴细胞针对病原体的免疫刺激诱导适应发展而生成的。免疫系统通过进化学习来实现“自己”与“异己”的识别,人工免疫系统就是对生物免疫系统的一种模拟。由于它具备强大的信息处理能力,因此是一门充满巨大潜力的研究学科[5-9]。

免疫系统的最大特点是免疫记忆特性、抗体的自我识别能力和免疫的多样性。免疫系统具有分析、学习进入体内的外在物质,并通过产生抗体来消灭入侵抗原的特点。免疫系统所表现出来的这些自适应性、多样性、记忆能力、特异性和鲁棒性等重要特性可用于信息处理等学科的研究,为解决信息科学和自动化科学中的一些难题提供了新的契机。

   由于免疫系统本身比较复杂,因此实用的人工免疫系统模型相对较少。目前常用的人工免疫系统模型有反选择模型、克隆选择模型和免疫网络模型。本文将克隆选择模型应用于解决水面船只的检测问题。我们将水面整体视为一个人工免疫系统,其中水面为“自己”,船只为“异己”,纹理提取模板为“抗体”,系统通过克隆选择算法获取“抗体”,然后根据“抗体”提取水面纹理特征实现对水面船只的检测。

3  水面船只的免疫检测方法

   水面在遥感影像上通常呈现出一种特殊的纹理,如平静的水面呈现出镜面纹理,有波浪的水面呈现出粗糙纹理等。对于水面而言,船只是一种外来物质,船只的出现会破坏水面的纹理,可视为对水面的一种“入侵”。因此,对船只的检测可归纳为水面系统对外来物质或目标的一种检测。这种检测过程与免疫系统对抗原的检测的过程在本质上是一致的,因而可以将免疫系统的检测机理应用于解决船只的检测问题。

   针对水面船只检测的特点,本文建立了一种特殊的人工免疫系统,该系统把水面作为“自己”;船只作为水面的入侵物,即“异己”;由于船只的出现会改变水面的纹理特征,因此,本文将一种能提取这种纹理变化特征的能量模板作为“抗体”,该“抗体”获得的纹理特征是一种类似于Laws的纹理能量特征。但与传统的Laws纹理能量方法不同的是,传统方法需要事先人工确定能量模板参数,且对目标纹理的方向和比例尺较敏感[10],难以满足在实际卫星影像上检测各种走向和大小船只的要求;而本文方法能通过学习自动地确定能量模板参数,所获得的能量模板(“抗体”)能提取与目标纹理的方向和尺度变化无关的纹理特征,即能提取稳健的纹理能量特征。 能量模板的学习采用了克隆选择的学习算法,具体做法如下:

   (1)选择n个抗原(船只目标影像)作为抗原群体G,随机产生N个抗体(5*5的能量模板)形成抗体群体A。抗体的编码方式如图1所示,其中每个参数P定义为在[-100,100]内的实数, 且模板参数总和为0。                                        

(2)计算抗体集合A中所有N个抗体与抗原G的亲和力,亲和力f用下式表示:

   f=min(d2(i))/(1+ max(d1(j)))                (1) (i=1,2,… ,C2N;j=1,2,… ,N)                    

其中:

   N表示类别总数,本文取值为2;

   C2N为类间方差的总数,

C2N=N*(N-1)/2;                       (2)                        

   d2(i)表示类间方差,即

d2(i)= w1(i)*w2(i)*(u1(i)-u2(i))2          (3)                                                  

式中:

w1(i)为一类中所包含的纹理样本数;

  w2(i)为另一类中所包含的纹理样本数;

  u1(i)为一类中所有样本的纹理能量均值;

  u2(i)为另一类中所有样本的纹理能量均值;

  d1(j)表示第j类的类内方差,即

   (3) 从抗体集合A中选择k个与抗原亲和力最大的个体,产生一个新的抗体集合Anew={ai,i=1,2,.,k};

   (4) 对抗体集合Anew进行克隆操作,然后与抗体集合A中剩余的未被选择的N-k个抗体一起组成抗体集合B;

   (5) 对抗体集合B进行变异操作,产生变异后的抗体集合C。在变异过程中,具有高亲和力的抗体变异机会小,其中变异率的选择如下:

   ImageTE进行二值化操作得到二幅二值化图像ImageT1和ImageT2,二值图像中白点表示能量值大于T1或T2的像点,即属于船只或其尾迹的像点,黑点表示能量值小于T1或T2的像点,即属于水面的像点。因此,图像ImageT1中的白色区域代表了船只船体(不包含尾迹),而图像ImageT2中的白色区域则包含船只船体及其尾迹(如图4所示)。通过比较同一船只目标在图像ImageT1和图像ImageT2中的形状变化(如圆形度),可以区分出运动和静止或缓慢行驶的船只。

4实验结果与分析                              

   本文实验数据采用了分辨率为0.6米的快鸟全色卫星影像,我们采集了水面和船只样本各40幅,这些影像中既包含了不同大小的船只,又包含了不同走向和行使状态的船只。图2是通过学习得到的纹理模板,模板参数范围设定在[-100,100]。

   由于在高分辨率影像上大型船只往往会因过多的细节而造成整体纹理的破碎和噪声,从而影响对这些船只的正确检测。因此,实验中我们采用了多分辨率的检测方案,即首先制作原始影像的多级金字塔影像,然后分别在低分辨率和高分辨率影像上是实施船只检测,最后融合两者的结果得到最终的检测结果。

   图3(b)-(d)分别显示了一幅原始影像在不同分辨率下的识别结果以及它们的最终融合识别结果。从图3(b)-(c)中可见,在低分辨率下小型船只不可见,因而只有大型船只被检测出来;而在高分辨率下小型船只则可被检测出来,但大型船只检测结果显得有些破碎,缺乏整体性。因此,通过高低分辨率下检测结果的融合,我们可以得到理想的船只检测结果(见图3(d))。

图4分别显示了一幅静止船只和运动船只影

   像及其在不同阈值下的检测结果, 从图中可以看出静止船只在不同阈值下区域面积发生了变化,但它们的形状无明显变化,仍保持近似圆形;而运动船只在不同阈值下不仅区域面积发生了变化,而且它们的形状亦有明显变化,在高阈值下为近似椭圆形,而在低阈值下为长条状不规则图形。因此,通过分析目标形状特征的变化,我们可以区分静止船只和运动船只。

   图5显示了一幅原始影像及其识别结果, 从图5(a)中可见虽然影像中许多船只的大小、走向和行驶状态各不相同,但本文的方法均能有效地将它们提取出来,通过不同阈值下所提取的目标形态变化的比较,我们可以检测到船只尾迹的存在与否,从而得到这些船只的运动状况。我们先后对210艘船只进行了检测,其正确识别率达到93.5%。

5 结  论

   本文讨论了如何将免疫学习的机制应用于水面船只的检测,提出了一种基于克隆学习的水面船只检测方法,实验表明该方法能实现对不同大小、

   走向和行驶状态船只的检测。 由于本文方法只利用了一个纹理模板来提取纹理特征,计算量小,且易于用硬件实现,因而在实际应用方面具有很大潜力。

参 考 文 献

[1]蒋定定, 许兆林, 李开端,应用基本遗传算法进行水面船只目标识别研究,中国工程科学,Vol.16,No18,pp.79-81, 2004。

[2]董江曼,李应岐,邓飚,SAR图像船只目标的特征识别,陕西师范大学学报(自然科学版),Vol.32,pp.203-205, 2004。

[3]种劲松,失敏慧, 高分辨率合成孔径雷达图像船只检测方法, 测试技术学报,Vol.17,No.1,pp.37-40, 2003。

[4]陈志刚,李陆冀,一种基于模型的船只目标特征提取方法, 情报指挥控制系统与仿真技术, Vol.26 No.4, 2004。

[5]焦李成,杜海峰,人工免疫系统进展与展望, 电子学报, Vol.31,No.10,pp.1540-1548, 2003。

[6]韦巍,张国宏,人工免疫系统及其在控制系统中的应用,控制理论与应用,Vo1.19 No.2,pp.157-160,2002。

[7]肖人彬,王磊,人工免疫系统:原理、模型、分析及展望,计算机学报,Vol.25,No.12,pp.1281-1293,2002。

[8]L. N. de Castro and J. Timmis, Artificial Immune Systems: A New Computational Intelligence Approach, Springer-Verlag, Heidelberg, Germany, August 2002. ISBN:1-85233–594–7。

[9]D. Dasgupta (Ed.), Artificial Immune Systems and Their Applications, Springer–Verlag, 1999。

[10]郑宏,遗传算法在影像处理和分析中的应用,测绘出版社,2003。