[发明专利]一种光学遥感图像坦克群的识别方法

说明书

技术领域

本发明涉及一种图像处理方法，具体是一种光学遥感图像坦克群的识别方法。属于图像处理技术。

背景技术

当前战争中，坦克的大量投入，使其成为主要的防御对象。由于坦克的机动特性，反坦克雷弹系统向智能化的发展成为技术进步的必然。作为该系统的关键环节技术之一，目标识别日益受到研究者的广泛重视。目前的坦克识别技术主要是运用电子设备，利用雷达分析回波频率和波形以区分不同类型的目标，如《探测与控制学报》发表的《多源干扰对坦克模糊识别的影响》，或通过分析毫米波辐射信号进行识别，如IEEE Transactions on Image Processing上发表的《High Range Resolution MMW Rader Target Recognition Approaches withApplication》。

本文从图像处理角度，提出了一种光遥感图像中的坦克群目标自动识别方法，鉴于可见光图像中光照和阴影对坦克群的干扰比较大，本文采用区域生长算法和宽度模板，在尽量保留坦克特征的同时，将坦克群分离开，进而转化成单个坦克目标的识别，然后提取感兴趣区域，最后结合坦克的几何特征和K-mean分类算法，以此作为目标识别准则，进行去除虚警和识别，取得了良好的检测结果。

发明内容

本发明的技术目的是从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法，可以克服传统背景技术中存在的不足。根据可见光遥感图像中坦克群目标的特点，提出了一种新的坦克群识别方法，该方法将一种新型的宽度模板与区域生长算法结合起来，以对3阈值KSW最佳熵分割的结果进行有效分离和更好的提取感兴趣区域，并且方便了后续的特征提取。在目标识别准则设计中，结合了坦克的几何特征和K-mean分类算法，保证了识别结果的准确性和鲁棒性。

本发明一种光遥感图像中的坦克群目标自动识别方法，通过以下技术方案实现，本发明方法步骤如下：

步骤一：图像分割，通过KSW最佳熵3阈值(threshold1＜threshold2＜threshold3)分割后，图像被分为4类，考虑光照和阴影的影响，将大于threshold1和小于threshold3的灰度归为目标类，将小于threshold1和大于threshold3的归为背景类；

步骤二：将区域生长算法应用于二值图像填充，通过扫描全图寻找种子点，生长准则是将相邻相同像素值的点合并，停止条件则是遍历完一个连通域；

步骤三：通过一种新的宽度模板来分离坦克目标，去除连体效应，完成感兴趣区域的提取；

步骤四：几何特征处理，根据坦克的长、宽、面积等几何特征提取坦克目标；

步骤五：将均值、方差和纹理特征作为K-mean分类的特征向量，分类准则：满足坦克几何特征的同时，属于某一类的疑似目标数目较多的为坦克目标；满足坦克几何特征的同时，属于某一类的疑似目标数目较少的为非坦克目标。

本文对可见光遥感图像中坦克群的自动识别，主要有以下特点和作用：(1)从图像处理角度提出一种光遥感图像中的坦克群目标自动识别方法；(2)通过KSW最佳熵多阈值分割的处理和基于区域生长算法的区域填充，降低了光照和阴影的干扰；(3)通过宽度模板的使用，消除了坦克的连体效应，同时去除部分虚警，提取出了感兴趣区域；(4)最后结合坦克的几何特征和经典的K-mean分类算法作为识别准则，得到了较好的识别效果。

附图说明

图1为本发明坦克群目标自动识别的流程图。

图2为原始图像；

图3为图2均衡图像；

图4对图3KSW3阈值分割；

图5为区域填充后的结果图；

图6宽度模板处理后的结果；

图7K-mean分类后的效果；

图8为最终目标识别结果；

图9KSW最佳熵3阈值分割

图10为最小误差分割的结果

图11另一张原始图像；

图12为图11处理后的目标识别结果；

图1中：

101KSW最佳熵3阈值分割

102区域填充处理

103宽度模板处理

104几何特征判决

105K-mean分类和识别坦克

具体实施方式

下面本发明将结合附图中的实施例作进一步描述：