基于改进的OIF和SVM实现高光谱伪装目标识别的方法与流程

本发明属于图像处理领域，具体涉及一种基于改进的oif和svm实现高光谱伪装目标识别的方法。
背景技术：
：传统的伪装目标识别通过白光仪器对识别对象进行简单的放大，之后由人来观测判断，这种识别方法主要根据颜色来区分目标及其周围环境。这样识别受人的主观影响，伪装物与目标的颜色越相近，识别效果越差。基于高光谱的伪装目标识别通过成像光谱仪获取从可见光到红外所有波段的光谱图像，从而获得物体连续的光谱曲线，通过光谱反射灰度值及光谱曲线变化趋势来辨别目标、伪装物及周围环境。不同物体的光谱曲线一般都存在差异，即使颜色相近，也能准确的分辨出伪装目标。高光谱图像一般具有上百个光谱通道，其图像包含了从可见光到短波红外所有波段的信息，由于其光谱通道的增加，使得其成像光谱的波段变窄，降低了同物异谱以及异物同谱现象的发生，从而大大提高了目标的分辨率。高光谱图像识别面临的主要问题就是庞大的数据量，其所需的存储空间和运算处理时间也大大增加。而高光谱图像在波段上具有很高的相关性，其中很多波段上的数据都是冗余的，不可避免的影响了分类结果和处理时间。因此，通过数据降维来减少数据量、节约资源、减少运算量已成为高光谱图像分类的必备手段。而高光谱图像降维最简单、最有效的方法就是波段选择，通过选择所有波段中保留较完整信息的、数量较少的波段子集构成最佳波段组合，用以进行之后的高光谱图像分类处理操作。最佳指数法oif根据波段的标准差和波段间的相关系数提取最佳波段组合，计算简单。但当波段数目较多时，oif穷举法对所有可能组合一一进行计算，计算量十分庞大。支持向量机svm适合处理高维、非线性可分数据，被广泛应用到高光谱分类中。普通的svm训练需要大量的训练样本数据，并且需要包含待检测图片的全部类别，对于复杂背景或者包含新类别的场景，svm会将新类别识别为与其最相近的样本类别中，这样对分类的精度造成了极大的影响。技术实现要素：本发明的目的是改进高光谱图像的降维和分类算法，减小计算量，快速选择出最佳波段组合，在保障识别准确性的前提下，尽可能的提高识别速度；提升分类的速度和精度，同时减小复杂背景及新类对分类结果的影响。为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的，一种基于改进的oif和svm实现高光谱伪装目标识别的方法，其包括以下步骤：s1、对伪装目标高光谱图像进行波段选择，包括如下步骤：s11、对全波段图像进行去噪处理，剔除部分噪声大且信息量少的波段；s12、对s11获得的波段子集进行下采样，减小波段间的相关性与数据量，基于波段间的相关系数阈值ra对采样后相关性较大的波段进行分组，分组方法为：s121、计算第1波段与剩余所有波段间的相关系数，若第2波段～第m0波段与第1波段的相关系数均小于ra，第m0+1波段与第1波段间的相关系数大于ra，则第一组波段为第1波段～第m0波段；s122、计算第m0+1波段与剩余所有波段间的相关系数，如果第m0+2波段～第m1波段与第m0+1波段间的相关系数均小于ra，第m1+1波段与第m0+1波段间的相关系数大于ra，则第二组波段为第m0+1波段～第m1波段，按同样方法获得其它各组波段；s13、对各组进行最佳指数法oif指数计算，分组计算各波段的标准差和波段间的相关系数，由各波段标准差和波段间相关系数计算各波段组合oif指数，选择oif指数最大的组合为该组的最佳波段组合，oif指数计算表达式如下：其中，stdevi为第i个波段的标准差，rij为第i个波段与第j个波段间的相关系数，m为最佳波段组合中波段的个数；s2、进行伪装目标识别，包括如下步骤：s21、对支持向量机svm算法进行改进，将二叉树、马氏距离与svm相结合，根据各点到样本各点的平均马氏距离初识别出伪装目标光谱图像中的部分点；其中，高光谱图像中的一点为x＝(x1,x2,…,xt)，其中x1、x2、…、xt分别为该点在第1波段到第t波段的灰度值，其马氏距离d如下：其中，n为波段数，y为某一点x与某类样本roi中所有点构成的集合，μ为y的均值，s0为y的协方差矩阵，t为转置符号；计算各点到第1类样本的平均马氏距离，其中小于马氏距离阈值的点为第1类点；计算剩余各点到第2类样本的平均马氏距离，其中小于马氏距离阈值的点为第2类点；计算剩余各点到第3类样本的平均马氏距离，其中小于马氏距离阈值的点为第3类点；s22、采用基于二叉树的单类支持向量机ocsvm对剩余点进行逐步二分类，最终获得待检测图片中各点的预测类别，本发明中分别将图中各点预测为真叶子、假叶子、迷彩帽或者背景中的某一类。优选地，高光谱数据降维过程中，通过波段选择方法对高光谱数据进行降维，降维算法包括最佳指数法oif。优选地，所述s22中，ocsvm分类器训练过程包括：首先在波段选择获得的最佳波段组合上进行样本roi的标记，之后获取样本roi中的坐标信息和标签信息，将roi的坐标信息转化为对应位置点的波段信息，用以构建训练所用的数据集；之后ocsvm训练初始化参数设置为rbf核函数，通过训练获得模型参数；第一ocsvm分类器对剩余点进行分类，分出其中的第1类点；第二ocsvm分类器对剩余点进行分类，分出其中的第2类点；第三ocsvm分类器对剩余点进行分类，分出其中的第3类点。优选地，所述s11中，去噪处理的过程为：计算全波段中各波段的特征值，将各波段的特征值和设置的特征值阈值ea比较，剔除特征值小于ea的波段。优选地，在伪装目标识别过程中，先利用波段选择后的图像训练支持向量机svm分类器，再通过训练好的伪装目标识别模型对待检测的高光谱图像进行伪装目标识别。本发明与现有技术相比，具有以下有益效果：1)在oif波段选择法计算oif指数之前，依次进行去噪、采样、分组三次筛选，在保留大量有用特征，同时大大缩小了波段组合的范围，节省了运算时间，提高了波段选择的效率；2)将二叉树、马氏距离与svm相结合改进svm算法，提升高光谱图像分类速度和精度，同时减小复杂背景及新类对分类结果的影响；3)本发明的伪装目标识别适用于对各种静态伪装目标的识别，本发明的算法可以根据需要加入不同类别的样本进行训练，算法速度快、准确率高，能有效较小复杂背景及未经训练的新类别对分类结果的影响。附图说明图1为高光谱伪装目标识别整体流程图；图2为改进的oif算法流程图；图3为改进的svm分类算法流程图；图4为ocsvm分类器训练过程示意图；图5(a)为高光谱原始图像、图5(b)为全波段svm识别结果、图5(c)为本发明算法识别结果。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要注意的为，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。图1为本发明伪装目标识别整体流程图，包括s1对伪装目标高光谱图像进行波段选择、s2进行伪装目标识别两部分。波段选择改进oif算法，在计算oif指数前依次进行去噪、采样、分组三次筛选，缩小波段组合范围，减小计算量，提高波段选择效率；伪装目标识别将svm与马氏距离、二叉树相结合，实现光谱图像的分类。基于改进的oif和svm实现高光谱伪装目标识别，其改进的oif算法流程如图2所示，主要包括如下步骤：s11、剔除噪声：全波段图像中存在少量噪声影响较大，信息量较小的波段，这些波段对于特征提取的作用十分有限，波段选择前可以先将其剔除。特征值越大，波段包含的信息量就越大，先计算全波段中各波段的特征值，之后将各波段的特征值和设置的特征值阈值ea比较，剔除特征值小于ea的波段，本发明实验中从260个波段中剔除了20个噪声波段，剩余240个波段，构成去噪后的波段子集e。s12、下采样：去噪后的波段子集e中各波段间的相关性较强，对其进行n倍下采样处理，获得采样后的波段子集s，减小波段间的相关性，同时缩小波段组合范围，减小计算量。本发明中采样后剩余48个波段。波段子集分组：基于波段间的相关系数阈值ra对采样后相关性较大的波段进行分组，分组方法为：首先，计算第1波段与剩余所有波段间的相关系数，若第2波段～第m0波段与第1波段的相关系数均小于ra，第m0+1波段与第1波段间的相关系数大于ra，则第一组波段为第1波段～第m0波段；然后，计算第m0+1波段与剩余所有波段间的相关系数，如果第m0+2波段～第m1波段与第m0+1波段间的相关系数均小于ra，第m1+1波段与第m0+1波段间的相关系数大于ra，则第二组波段为第m0+1波段～第m1波段，按同样方法获得其它各组波段。本实验对采样后的波段子集s进行分组，相关系数阈值ra设置为0.7，共分为5组，第一组g1为s的第1-11波段，第二组g2为s的第12-22波段，第三组g3为s的第23-40波段，第四组g4为s的第41-47波段，第五组g5为s的第48波段。s13、求取各组最佳波段组合：分组计算各波段的标准差和波段间的相关系数，由各波段标准差和波段间相关系数计算各波段组合oif指数，oif指数最大的组合即为该组的最佳波段组合。oif指数计算公式如下：其中，stdevi为第i个波段的标准差，rij为第i个波段与第j个波段间的相关系数，m为最佳波段组合中波段的个数。本发明实验中最终的目标波段个数为15个，5个分组中的m分别设置为3、3、5、3、1。各组最佳波段及其oif指数如表1所示：表1各组最佳波段及其oif指数组别m最佳波段组合(相对于s)oifg131101121.9751g2315162129.7237g35232425262910.9775g434344479.6635g5148波段合成：对s13中获得的各组最佳波段组合进行波段合成，获得最终的波段组合。本实验中获得的最佳波段组合为s的第1、10、11、15、16、21、23、24、25、26、29、43、44、47、48波段，即全波段的第25、70、75、95、100、125、135、140、145、150、165、235、240、255、260波段。基于改进的oif和svm实现高光谱伪装目标识别，其改进的svm分类算法流程如图3所示，以三类检测样本为例，主要包括如下步骤：改进的svm算法将二叉树、马氏距离与svm相结合，先根据各点到样本各点的平均马氏距离初识别出部分点；再采用基于二叉树的ocsvm对剩余点进行逐步二分类，最终将检测图片的所有点分为各个类别及背景，本发明中分别将图中各点预测为真叶子、假叶子、迷彩帽或者背景中的某一类。改进的算法速度快、分类精度高，同时降低了各种复杂背景对svm分类结果的影响。s21、基于二叉树的平均马氏距离对所有点进行初次识别：马氏距离是一种有效计算两未知样本集相似度的方法，高光谱图像中一点到训练样本的马氏距离越小，该点与该类样本越相似。本发明通过计算各点到某类样本roi所有点的平均马氏距离对检测图片中的所有点进行初识别，识别出部分点的类别。高光谱图像中的某一点为x＝(x1,x2,…,xt)，其中x1、x2、…、xt分别为该点在第1波段到第t波段的灰度值，其马氏距离d定义如下：其中，n为波段数，y为某一点x与某类样本roi中所有点构成的集合，μ为y的均值，s0为y的协方差矩阵，t为转置符号。(1)计算各点到第1类样本的平均马氏距离：如果各点到第1类样本的平均马氏距离dij1小于第1类样本马氏距离阈值d1，该点被分为第1类点。(2)计算剩余各点到第2类样本的平均马氏距离：如果剩余各点到第2类样本的平均马氏距离dij2小于第2类样本马氏距离阈值d2，该点被分为第2类点。(3)计算剩余各点到第3类样本的平均马氏距离：如果剩余各点到第3类样本的平均马氏距离dij3小于第3类样本马氏距离阈值d3，该点被分为第3类点。s22、基于二叉树的ocsvm对剩余点进行再次识别：ocsvm针对单分类问题，只需要对待识别类型的样本进行训练即可将样本分为正类和负类。本发明采用基于二叉树的ocsvm对经过马氏距离初识别剩余的点进行分类，可以大大减小复杂背景和新类型对分类结果的影响。(1)ocsvm分类器的训练如图4所示，主要包括如下步骤：训练集、测试集的构建：首先通过envi软件在波段选择获得的最佳波段组合上进行样本roi的标记，roi类型选择为点，分别用不同颜色标定各样本，其中真叶子为绿色，假叶子为红色，迷彩帽为蓝色，背景为黄色，每类样本选择1000个点，标记完所有样本后通过envi计算roi的可分离度，符合条件，之后保存样本roi文件。matlab读取样本roi文件，获取样本roi中的坐标信息和标签信息，将roi的坐标信息转化为对应位置点的波段信息，用以构建训练所用的数据集。其中训练集和测试集的比例为1:1。确定初始化参数，完成训练：svm参数设置为rbf核函数，其中的gamma设置为0.0003，损失函数中的c设置为1000。通过matlab的libsvm软件包完成训练，获得模型参数。(2)ocsvm分类器1对剩余点进行分类：采用训练好的ocsvm分类器1对剩余点进行分类，分类出其中的第1类点。(3)ocsvm分类器2对剩余点进行分类：采用训练好的ocsvm分类器2对剩余点进行分类，分类出其中的第2类点。(4)ocsvm分类器3对剩余点进行分类：采用训练好的ocsvm分类器3对剩余点进行分类，分类出其中的第3类点。与全波段图像基础svm分类算法进行对比实验，其训练集、测试集上的准确率以及预测一张未知图像所需要的时间对比如表2所示：表2实验测试准确率与预测时间对比train_accuracytest_accuracypredict_time全波段图像svm算法分类100％99.75％619.85s本发明算法分类99.92％98.69％34.49s由上表可知，本发明的合理有效，在保证准确度不产生明显损失的同时有效减少了模型预测未知图像的时间，提高了识别效率。实施例：本发明的实例在intelcorei7-9750h，2.60ghz处理器、24.0g内存、64位windows操作系统的计算机上进行仿真实验，光谱仪的波长范围为400-1000nm，采集的原始图像为260个大小为2048×2048的tiff格式的不同波段图像，其中主要有真树叶、假树叶以及迷彩帽三类物品。本发明实验中波段选择过程中的特征值阈值ea设置为0.95，波段分组时分为5组。波段选择将成像光谱仪采集的原始光谱数据波段数由260个减少到15个；伪装目标识别将svm与马氏距离、二叉树相结合，对最佳波段组合光谱图像进行识别分类。图5(a)为实验中的高光谱原始图像、图5(b)为实验中的全波段识别结果，图5(c)实验中的发明算法识别结果。与全波段识别结果相比，本发明的算法选择出了有益于光谱分类的最佳波段组合，在损失非常少的分类精度的前提下，大大缩短了光谱图像处理时间，提高了算法的效率。以上所述各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应该理解：其依然能对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12