一种利用单类支持向量机检测河流目标的方法与流程

本发明涉及图像处理与计算机视觉领域，尤其涉及一种利用单类支持向量机方法检测遥感图像中河流目标的方法。

背景技术：

目标检测与跟踪是图像处理与计算机视觉领域的热门研究方向之一，在军事上的成像制导、跟踪军事目标，以及民事方面的安防监控、智能人机交互等方面均有着重要的研究价值。

现有的检测方法中，目标检测研究的难点在于对目标的有效表征，以及各种原因造成的目标尺度、旋转角度、光照等发生变化而引起的目标匹配问题。目标的表征在某种程度决定了匹配算法，包括：利用局部轮廓特征表示目标，首先提取图像目标的轮廓，并通过自动选取阈值滤去噪声边缘，得到显著性轮廓，从而能有效减少轮廓段数，降低后续特征提取及整个检测过程的时空复杂度。为了克服目标的尺度、旋转等变化，Lowe提出尺度不变特征变换(SIFT)，通过计算多尺度高斯差分图像并寻找局部极大值点的方法，得到在一定范围内尺度、旋转不变特征。

在目标检测中，除了目标自身的特征外，还可以利用上下文约束表征，实现图像目标的有效检测。在遥感图像目标检测中，由于图像尺寸较大而且复杂，为了避免产生较多的虚警，需要采取一定的措施尽量去除虚警目标。一般采用的方法是先由简单特征筛选出候选目标区域，然后再对候选区域进行精细检测。再有的，针对遥感图像飞机目标的检测问题，先使用级联式分类器检测出候选目标窗口，然后以Hough森林算法对候选窗口进行二次判断，滤除虚警，提高了检测效率，节省了运算时间。

常用的分类方法如K-最近邻分类器、贝叶斯分类方法都具有过程较为复杂的缺点。

如K-最近邻是分类器算法中最通俗易懂的一种，计算测试样本到各训练样本的距离，取其中最小的K个，并根据这K个训练样本的标记进行投票得到测试样本的标记。算法的思路清晰简单，然而对于海量数据计算量过大，每个训练样本都有一个距离必须度量，耗费大量时间。

贝叶斯分类方法需要采用多个阶段完成计算：第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。

第二阶段——分类器训练阶段，这个阶段的任务就是生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。这一阶段是机械性阶段，根据前面讨论的公式可以由程序自动计算完成。

第三阶段——应用阶段。这个阶段的任务是使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。这一阶段也是机械性阶段，由程序完成。

河流是遥感图像中的重要目标，河流目标检测在军事和民事方面都有广泛应用。现有技术中，在目标检测环节，图像目标检测中往往利用多种特征如颜色(光谱)特征、形状结构特征、纹理特征、上下文特征、SIFT特征等。在实际目标检测应用中，特征选择的原则是应能有效的对目标进行表征，对于不同的目标，特征选择结果也不同。

光谱特征是图像像素的灰度值，表示地面目标的光谱反射特性，经常作为地物类别划分的依据，但不能反映待检测目标的几何结构特征。原始图像经过分割后产生的图像斑块具有形状结构特征，基于图像斑块内的像素坐标组成的矢量构造一个协方差矩阵，进一步可以提取该图像斑块的长宽比、形状指数、密度、主方向等特征。基于图像分割的特征提取，受分割方法和结果的影响很大，因此具有较高的不确定性。而纹理的表示方法很多，最常用的是基于灰度共生矩阵的纹理特征描述。灰度共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征，是定义一组纹理特征的基础。纹理特征对于一般的目标地面目标，区分性往往不强，常用的纹理特征有同质性、对比度、能量、熵等。

总之，现有的技术中：1.对于遥感图像河流目标检测方法采用的特征有颜色(光谱)特征、形状结构特征、纹理特征、上下文特征、SIFT特征等，算法复杂，检测的结果不够准确。

2.在目标检测任务中，要求从背景中检测出特定的目标类别，而背景中包含的类别数量不确定，一般无法对背景中的类别进行自动学习。

技术实现要素：

为了解决现有技术中无法通过训练样本进行学习及检测结果不够准确的问题，本发明提供一种利用单类支持向量机检测河流目标的方法，其具有：仅需要一类训练样本，采用单类分类向量机方法，克服了目标检测中非目标类别样本选择的困难，并使目标检测过程中的学习阶段简化，提高检测效率；同时通过粗筛选和精细检测两个环节提高了检测的准确度。

本发明解决问题所采用的技术方案是：采用以下步骤：

A.选择波段：在遥感图像中选取波段组合进行地物区分和河流提取，以便对水体、植被以及其他地面物体进行识别；

B.特征分析与选择：选择A环节处理过的图像，进行光谱特征分析：光谱分析采用的光谱特征是：河流等水体目标在遥感图像中，以灰度值区分河流目标；

C.粗筛选过程：基于光谱特征，提取河流候选区域：选择若干目标样本，提取每个像素的光谱值作为分类特征，利用公式x_i＝(r_i，g_i，b_i)生成特征向量，利用生成的特征向量对单类支持向量机进行训练，训练时采用RBF核函数进行训练，并通过10折交叉验证确定分类模型，对整个遥感影像进行单类分类，得到水体类别提取结果；其中，r_i对应红色分量；g_i对应绿色分量；b_i对应蓝色分量；||x_i-x_j||表示空间中任意两点x_i和x_j之间的欧氏距离；γ为核参数。

D.精细检测过程：针对C环节中的结果，对河流候选区域进行图像分割，生成形状特征：在C环节粗筛选环节所得结果的基础上，采用图像分割技术，设置阈值参数，将大于阈值且相邻的像素进行合并，生成不同大小的目标类别连通区域，再由每个连通区域内的像素计算得到形状特征指数并设定面积阈值进行小区域去除，最后将去除小面域的图像合并到背景区域；其中，边界长e：边界象素的个数，一个象素的边界长为1；面积A：组成该对象的象素总数，其中一个象素边缘的长设为1。

E.目标检测：设定形状指数阈值，并根据D环节得出的形状特征指数确定河流目标，实现目标检测。

所述的D环节的精细检测过程：采用阈值分割方法，以面积A的值为阈值，提取目标候选区域，同时生成形状特征S。

进一步的，所述的波段选择环节，选择遥感图像的4、3、2波段，分别赋予红、绿、蓝色，进行地物区分。

进一步的，所述的特征分析与选择环节灰度值为10～20。

进一步的，所述的精细检测过程中图像分割时的阈值参数为：Th=10；面积阈值为：AT=50。

进一步的，所述的目标检测环节中的形状指数阈值为ST=2.5。

本发明的有益效果是：本发明使用单类支持向量机方法仅需要一类训练样本，克服了目标检测中非目标类别样本选择的困难，并使目标检测过程中的学习阶段简化，提高检测效率；同时通过粗筛选和精细检测两个环节提高了检测的准确度。

附图说明

图1为遥感图像示意图。

图2为利用单类支持向量机方法确定的河流候选区域示意图。

图3为利用最近邻分类方法确定的河流候选区域示意图。

图4为利用贝叶斯分类方法确定的河流候选区域示意图。

图5去除小于50像素的小区域示意图。

图6形状特征指数大于2.5时的匹配结果示意图。

具体实施方式

如图1～2所示，一种利用单类支持向量机检测河流目标的方法，采用以下步骤：

A.遥感图像的波段选择，选取适合地物区分和河流提取的波段组合：选择遥感图像的4、3、2波段，分别赋予红、绿、蓝色，这些波段的组合成假彩色图像，其地物图像丰富，鲜明、层次好，能够较好的对水体、植被等进行识别。

B.特征分析与选择：选择A环节处理过的图像，进行光谱特征分析：光谱分析采用的光谱特征是河流等水体目标的一个显著特征：在遥感图像中，河流目标具有较低的灰度值为10～20。

C.粗筛选过程：基于B环节中灰度特征的光谱分析，提取河流候选区域：首先，选择1000个像素作为目标类别样本，提取每个像素的光谱值作为分类特征x_i＝(r_i，g_i，b_i)，生成1000个特征向量x_i，其中，r_i为红色分量，g_i为绿色分量，b_i为蓝色分量。利用这些特征向量对单类支持向量机进行训练。给定l个训练样本，单类支持向量机最优化问题求解，即

且满足(w^Tφ(x_i)+b)≥1-ξ_i，ξ_i≥0 (2)。

其中，C>0是惩罚系数，φ(x_i)是将向量x_i映射到高维空间的函数；w是特征空间中分类面的法向量，w^T是w的转置，b是w的截距，ξ_i是松弛因子。

通用的，K(x_i，x_j)≡φ(x_i)^Tφ(x_i)为支持向量机中的核函数。

在训练过程中，将特征向量和类别标号组合在一起，作为训练的输入参数，即（x_i，y_i），其中y_i是类别标号，在本分类方法中，y_i=1，即类别都是正类。在训练中选择RBF核函数其中，||x_i-x_j||表示空间中任意两点x_i和x_j之间的欧氏距离，并通过10折交叉验证获得分类参数。10折交叉验证方法是随机地将这1000个训练样本划分为10个相等的子集，轮流地选择其中9个子集作为训练，另外1个子集作为测试，这样，每个子集都会被用来作为测试数据，根据正确分类样本的比例计算交叉验证的精度。变换不同的参数组合，即惩罚系数C和核函数中的核参数γ值，选择获得最佳交叉验证精度的组合作为单类支持向量机分类模型参数，同时w、b也随之确定。利用确定的分类模型，对整个遥感影像进行单类分类，得到水体类别提取结果。

单类支持向量机只需要河流目标类别的样本进行学习，就能得到所需要的河流目标类别分类结果，减少了训练阶段的任务。而采用多类分类方法提取单一目标类别，需要将图像划分成多个地物类别，大大增加的工作量。

在本实施例中，如图3、图4分别是采用最近邻分类和贝叶斯分类方法得到的河流目标提取结果。利用贝叶斯分类方法，需要将实验图像划分为不透水表面、林地、草地和水体四个类别，并分别为每个类别选取训练样本，增加了学习阶段的工作量和不确定性，使总体分类难度增加。与图2中采用一类训练样本的单类支持向量机方法相比，分类结果非常相近，而单类支持向量机方法的训练更加容易。

D.精细检测过程：对河流候选区域进行图像分割，生成形状特征：在C环节粗筛选环节所得结果的基础上，采用图像阈值分割方法，将目标候选区域提取出来，同时生成形状特征。由于河流候选区域图像中只有白色和黑色像素，设置阈值参数Th=10，将大于阈值且相邻的像素进行合并，生成不同大小的目标类别连通区域，再由每个连通区域内的像素计算得到形状特征，计算方法如公式（3）。

根据实际河流目标检查要求，去除小区域候选目标，以面积阈值AT=50进行小区域去除，即将面积特征A<50的候选目标去除，合并到背景区域，结果如图5所示。

根据实际应用要求，河流目标应具有一定的面积，相关形状特征描述如下。

边界长e：边界象素的个数，一个象素的边界长为1。

面积A：组成该对象的象素总数，其中一个象素边缘的长设为1。

形状特征指数：

边界长除以4倍的面积的平方根，S是描述对象边界与面积的关系，边界越长，值越大。

E.根据形状特征指数确定河流目标，实现目标检测：形状信息是遥感影像目视判别中的一个非常重要的因素，对于一幅遥感图像，通过分割提取形状信息，得到一个带有多个属性的图像对象集合，在这个集合中将每个图像对象的形状特征与河流目标的属性进行匹配，筛选出河流目标。河流目标形状特征主要是具有较大的形状特征指数，选择数值2.5作为阈值进行判断。

在D环节去除小区域目标的基础上，依据分割生成的候选目标形状特征指数，将形状特征指数阈值设置为ST=2.5，进行河流目标特征匹配。当候选目标区域的形状特征指数值S>2.5时，作为目标匹配结果保留，如果形状特征指数值S≤2.5，则作为背景去除，检测结果如图6所示。

在小区域目标去除和特征匹配过程中，所设定的行政特征阈值应该根据实际需要调整，不同的应用要求有不同的参数。

本发明采用单类支持向量机对河流目标进行检测，流程简单，计算量大大的减小，加快了工作效率，值得推广使用。