基于目标色域的海上目标检测
作者：Saeed Mirghasemi · Hadi Sadoghi Yazdi ·Mojtaba Lotfizad
摘要
海上目标检测在军事领域和船舶导航中有着重要的应用。本文为了解决海上目标检测的问题，提出了一种基于粒子群算法（PSO）和模糊控制（FCM）相结合的新的监督聚类方法。以目标和非目标像素在RGB彩色空间中的颜色成分为特征对分类算法进行训练。本文以色彩空间的形式建立了一种新的分类器，并且其中的色彩空间是基于目标得到的（TCS）。
本文实际上是将RGB彩色空间通过一个的矩阵转换生成了一个新的色彩空间。然后使用粒子群算法搜索最能体现目标像素和非目标像素之间类聚空间区别的转换矩阵。换言之，本文使用PSO算法解决在线性和二次变换域中的优化问题（二次转换中的一个NP难题），即最小化FCM聚类技术的目标函数。本文的主要目的是为了证明在目标分类领域中只使用颜色特征和颜色空间转换的方法能够达到一定的分类效果。实验结果表明，新方法在彩色图像中能够有效地找到海上目标。
关键词：监督聚类 粒子群优化 模糊C均值 色域 图像分割 线性和二次变换 海上目标检测
介绍
海上目标检测
通过图像处理对海上目标进行检测的方法，根据图像的种类可以被分为以下四种：
- 雷达图像
- 红外图像
- 卫星图像
- 可见光图像
这四种类型中的第一个同时也是最受关注的一个，是基于雷达图像的海上目标探测。雷达系统是在大雾、下雨、下雪等恶劣天气条件下进行目标检测的必不可少的设备[1]。两种重要的雷达图像分别是SAR和ISAR图像。逆合成孔径雷达（ISAR）是一种成像技术，用于生成海军、航空或地面目标的中/高分辨率图像（公制或亚公制）。这一领域的研究大多涉及雷达成像技术，而不是图像处理技术。合成孔径雷达图像是研究的最多的雷达图像之一。目前，在合成孔径雷达图像中有两种检测方法。一种是直接方法，即直接检测船舶。另一种是间接途径。也就是说，它首先检测船舶的兴波，然后根据兴波来检测船舶。在直接方法中，船舶检测方法有很多，比如自适应门限法[2][3]、概率神经网络（PNN）模型法[4]、双参数恒虚警比（CFAR）检测法[4][5]和分形检测法等[6]。利用船舶兴波的检测方法主要有Radon变换、霍夫变换、数学形态学和小波分析等[7]。然而，在合成孔径雷达图像中
运动缓慢或者处于静止的船舶的兴波不容易被检测到[8]。此外，所有基于合成孔径雷达的方法成本都很大而且有两个严重的缺点：
- 合成孔径雷达只能获得目标点，因此无法用于目标的识别；
- 存在一些无法被雷达检测到的目标，比如木船。
第二类目标检测方法是基于红外图像的目标检测。雷达图像通常不会被应用在军事领域，因为它们会暴露成像系统的位置。因此研究人员研究了船舶的可见光和红外图像，这些图像通常比雷达图像更加连续并且更容易补偿环境造成的影响[9]。红外系统用于在光线较弱的情况下进行图像增强。为了从场景中提取出目标，我们通常需要知道关于图像类型和目标特征的预先信息。红外图像的分割是基于这样一个事实，即目标必须要有比周围环境更高或者更低的温度，然后利用目标的边缘或者灰度值分布的峰值对目标进行表征。发表在[10] 上面内容的是近年来红外图像研究的论文之一。其作者使用主成分分析、贝叶斯分类和小波去噪等方法来对海上目标进行分类。此外也有几篇论文指出了基于统计分析方法的局限性和不足之处[11]。红外图像主要有三个问题：
- 低信噪比
- 灰度值分布广
- 军舰或小艇有着相似的船尾
第三类目标检测方法是利用可视化的卫星图像对海上目标进行检测的方法[12][13]。第四类目标检测方法中的一种就是利用的高分辨率的卫星图像。高分辨率图像可以更准确和可靠地识别船舶并能更准确的为目标分类。然而，基于高分辨率的检测技术必须处理更大程度的非均匀性，并且必须考虑到后向散射强度的固有非高斯性质[13]。胡先生等人提出了一种基于累积投影曲线（CPC）的小型船舶数量估计方法，该方法只适用于船舶静止停靠在海岸的特殊图像。[12]是少数的在实验颜色坐标系的背景下，用颜色特征对目标进行检测的研究之一。这篇文章给出了一种两个群聚之间面积重叠程度的定义，并开发了一种计算重叠率的算法。利用这一理论，他们还开发了一种新的用于图像分割的层次聚类融合算法，并将其应用于高分辨率图像中的船舶检测。
最后一类目标检测的方法是利用可见光图像的目标检测。这类方法大多使用灰度值特征进行目标检测[11][14]。在这类方法的研究中，[11]所做的研究是最为前沿的。该文章的研究内容是通过获取目标和海洋背景的最大李雅普诺夫指数来计算不同的混沌。但是这种方法不适用于包含除目标以外的一些低混沌目标的图像。同样，该作者在在一篇基于自然特征的目标检测的文章中也提到过这种方法[14]。虽然该方法对某些图片的处理结果相当可观，但还是存在上述缺陷，需要对多个帧进行分析以获得准确的结果。为了回顾所提及的方法，我们提供了表1，用于讨论和比较不同的海上目标检测方法中的一些重要方面。表中的评价方法是基于以往的研究所提出的建议，可能在未来随着研究的进展而变化。
根据上文所提及的各种原因，现有的方法仍然受到一个或者多个缺点的限制，所以寻找一种新的目标检测方法仍然是十分重要的。本文是基于颜色特征的海上目标检测的研究之一。
- 不同海面目标探测方法的若干重要问题比较
|
点目标检测 |
军事认可 |
成像成本 |
场景先验条件 |
|
|
SAR图像 |
是 |
否 |
高 |
否 |
|
红外图像 |
是 |
好 |
高 |
是 |
|
卫星图像 |
否 |
好 |
高 |
否 |
|
可见光图像 |
否 |
好 |
低 |
否 |
|
TCS |
否 |
好 |
低 |
是 |
彩色空间
颜色特征能够在图像处理中得到频繁的使用主要是由于两个重要因素。首先，颜色是一个功能强大的表达形式，它通常能简化对象从而将对象从场景中识别和提取出来。其次，
人类虽然只能识别出约20多级的灰度值，但是却能分辨数千种的颜色和强度[15]。而色彩空间（也称为颜色模型或颜色系统）的目的是以某种普遍接受的标准的方式促进颜色的规格化[15]。一些论文，如[16]，提出了基于运动、颜色和纹理等信息的通用分割方法，指出了颜色作为模式识别问题的有效特征之一的重要性。
颜色模型是一个抽象的数学模型，是一种用数字表达颜色的方式，通常是三到四个值或颜色成分（比如RGB和CMYK都是颜色模型）。许多颜色空间之间可以通过由的矩阵表示的线性变换关系相互关联。因此，任何一个给定的颜色或者彩色图片都可以通过一个的变换矩阵，来用另一个色彩空间进行表达。例如，将RGB色彩空间转换到YCBCR色彩空间的表达式如下所示：
（1）
在计算YCBCR空间的输出成分时，R、G和B各部分的输入成分都需要被考虑在内[17]。YCbCr彩色空间是在全球数字分量视频标准制定过程中，作为ITU-R BT.601的一部分所开发出来的。Y表示亮度分量，Cb和Cr分别表示蓝差和红差色度分量。CIE通过描述光源、观察者和用于推导颜色描述值的方法来标准化颜色顺序系统。虽然研究人员已经提出了很多种色彩空间，但是[18][19][20]基于颜色视觉理论，利用三类椎体的和与差，建立了一种新的色彩空间。另一个关于颜色空间的观点是选择最佳空间。在这一类方法中，通过比较RGB颜色空间（如HSI、HSV和LAB）的不同变换来找到分离出数码相机拍摄的彩色图像中的目标/杂波或前景/背景等的最佳方法[21]。一些研究人员在计算机视觉中使用不同的颜色空间来进行一些特定的应用，例如使用HSV颜色空间进行皮肤检测[22]、使用来自HSV颜色空间[23]H和V分量的颜色直方图进行人物跟踪、使用基于K-L1变换[24]的新空间进行人脸识别、使用到CIELAB、CIELUV颜色空间[25]进行唇部跟踪、通过RGB彩色空间[26]光源恒定不变进行目标识别和使用CIELAB彩色空间来进行图像复原[27]。在[28]中，讨论了用于检测特殊的表面缺陷的六种颜色空间的特点。结果表明，当在RGB空间中进行聚类分析时，可以很好地检测到这些缺陷。[29]的作者在两种分类算法的应用中使用了两种不同的色彩空间。通过对结果的可视化评估，他们还得出结论：在所有使用到的颜色空间中，RGB空间是最好的。
通过颜色特征进行分割的主要优点在于，可以独立地对图像中目标的大小和位置进行检测[30]。在大多数情况下，彩色图像的分割比单色图像的分割更有用，因为相比于单色图像彩色图像能显示出更多的图像特征[31]。彩色图像的分割的计算成本要比单色图像高出很多，但随着计算速度的提高和彩色传感器成本的降低，这已不再是一个主要问题。事实上，在过去的十年中，彩色图像分割技术有了显著的发展。
分类概念
机器学习领域分为两大类：监督学习和无监督学习。在监督学习中，需要给算法提供两个具体的数据：数据点和代表每种场景下要学习的概念的标签。然后我们的目标是：对一个新的、没见过的且需要被分类的场景进行学习后，算法需要为这个场景预测一个标签。监督分割通常用于可以预先获取对象颜色样本的应用中，例如，对象跟踪、人脸/手势识别和图像检索等。为了避免过度拟合，这些算法试图在训练数据的拟合性和良好的泛化之间达到平衡，这通常被称为偏差/方差困境。这类算法的结果通常是在训练集（称为测试集）中不相交的一组实例上进行评估的。文章[32]对常用的监督分割技术进行了评估。在这一领域中最常用的方法有传统的统计方法、极大似然法、决策树法、最近邻法、支持向量机法和神经网络法。文章[33][34]和文章[35]分别介绍了利用监督聚类对目标检测和建筑物识别的实际应用中的一些例子。
聚类问题的本质是找到一种求得非线性优化问题的全局解的理想方法。这通常是一个很难完成的任务。事实上，这是一个NP难题，即多项式时间内无法解决的问题[36]。本文的主要目的是建立一种新的基于监督分类法的目标颜色空间，在该分类法中会人为的将待分类群聚的一些特征加入到分类器中去。在我们的监督分类器中，从目标和非目标中手动提取样本像素（每个目标和非目标以25times;25子图像的形式表示），然后用这些像素的颜色分量训练该方法。因此，我们尝试获得一个新的基于转换的空间，该空间在目标和非目标的颜色成分之间有更大的特征区别。
相关工作
如前所述，许多利用了色彩特征的研究成果已经被发表出来。在这里，我们将回顾一些为目标检测而创建了新的颜色空间的研究成果。[37][38][39]开发了几种用于皮肤和面部检测的颜色空间。De Dios等人在[38]提出了一种新的颜色空间，YCgCr，这种色彩空间使用的是最小的色差（g-y）而不是在YCbCR中选择出来的最大色差（b-y）。在[39]中提出了一种基于Mumford-Shah模型的色彩空间和水平集分割方法。在[37]中构造了一种新的肤色聚类颜色空间，并介绍了图像数据与光源颜色之间的相关性的概念。
在一些其他的应用中也需要创建新的颜色空间。例如，在[40]中提出了一种用于膀胱肿瘤检测的新颜色空间。在这个新的颜色空间中，他们对荧光成分进行了非线性变换，从而使荧光像素和非荧光像素更好地分离。贾等人在[41]中提出了一种基于新颜色空间模型的阈值化方法，并将其运用到背景去除当中。在[42]中提出了一种检测彩色图像中镜面反射导致的高光的方法。帕内塔等人在[43]中介绍了一种将颜色空间分割成不同的成分，然后在单个颜色平面上执行边缘检测的方法。此外，他们还介绍了一种基于对PCA算法的改进的新的色彩空间。通过对算法的结果进行分析，他们可以确定每种算法所适合的色彩空间和边缘检测器。
FCM方法被广泛地应用于生物医学工程，如检测梗塞病变[44]、乳腺癌[45][46]、肺结节检测[47]和淋巴结切片分析[48]。同时它也被广泛地应用于其他领域，如SAR图像中的船舶检测[49]、道路种子提取[50]、火灾检测[51]、面部检测[52]、唇部分割[53]，此外还被应用于一种基于多项式的模式分类神经网络当中[54]。
本文的组织结构如下；第2章专门介绍本文所提出的新的方法。在2.1和2.2中分别介绍了线性和二次转换。在2.3节中讲解了本文所提出的方法的实现过程中的PSO。第3章专门介绍实验结果，从不同的角度测试本文所提出的新颜色空间。本文的第4章简要回顾了本文所提出的方法及其创新之处，并且在附录中对PSO进行了简单的介绍。
提出的方法
在本节中，我们介绍了一种基于全新的PSO和FCM的组合，用于建立新的基于目标的颜色空间的转化算法。这个转化算法可以是线性的也可以是二阶的。我们需要创建一个3times;3的转换
全文共16538字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[780]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
