基于支持向量机的飞机图像识别算法.docx

基于支持向量机的飞机图像识别算法
发布:2011-09-05|作者:|来源:HYPERLINK"http://bbs.hqew.com/viewthread.php?tid=473774"\t"_blank"qihongchao|查看:902次|用户关注：
计算机的模式识别技术是目前研究的热点，本文将探讨运用图像处理技术来进行飞机图像识别。通过神经网络的图像边缘检测方法得到飞机轮廓，再进行特征提取，运用模式识别技术将目标正确的分类。传统的分类方法，如人工神经网络在处理小样本问题时一方面容易出现过学习现像，导致算法的推广性差；另一方面学习的性能差，处理非线性问题算法复杂。而统计学习理论是一种专门的小样本统计理论，基于统计学习理论的支持向量机技术是一种新
计算机的模式识别技术是目前研究的热点，本文将探讨运用图像处理技术来进行飞机图像识别。
通过神经网络的图像边缘检测方法得到飞机轮廓，再进行特征提取，运用模式识别技术将目标正确的分类。传统的分类方法，如人工神经网络在处理小样本问题时一方面容易出现过学习现像，导致算法的推广性差；另一方面学习的性能差，处理非线性问题算法复杂。而统计学习理论是一种专门的小样本统计理论，基于统计学习理论的支持向量机技术是一种新的模式识别方法，能够较好地解决小样本学习问题。本文对基于支持向量机的飞机图像识别算法做了研究。
1飞机图像识别算法
1.1基于邻域灰度变化极值和神经网络的图像边缘检测方法
要提取物体的轮廓特征首先必须在图像上得到轮廓的位置，即得到边界象素在图像上的位置。传统的边缘检测算法，如sobel算子、robert算子等有一些缺点，一是提取的边缘很粗，无法精确得到边缘象素，而且边缘具有很强的方向性，使用某一方向性的算子造成的结果是与之垂直方向的边缘较为明显，而相同方向的边缘则检测不到。本文提出了基于邻域灰度变化极值和神经网络的图像边缘检测方法。
由于图像的数据量大，边缘检测网络的训练时间较长，而非边界候选象素对于图像边缘提取作用不大。因此，本文采用一种边界候选象素提取方法，使训练数据规模可观地减少。
图像中的边缘象素都是灰度变化较大的地方，边界候选象素提取算法就是找到这些点。为此，借鉴经典图像锐化的方法，引入一个3×3的检测窗口扫描图像，考察其中心象素与其邻域象素的灰度变化的最大值，通过设定适当的阈值将原始图像变换为二值边缘图像。假定点(x，y)与其邻域灰度变化的最大值为HYPERLINK"http://www.hqew.com/tech/detail/MAX.html"\t"_blank"max，阈值为T，二值图像相应点处的值为g(x，y)，则其实现算法为：
此方法求取边界候选象素的优点是对每一象素都考虑了其邻域象素的灰度信息，更符合图像的边缘灰度变化的特点，因此对各类图像都具有广泛的适用性。经过上述提取过程得到的边界候选图像包含且完全包含全部图像的边界信息，但同时也包含其他非边界信息。因此，候选象素集合由边界象素集合与非边界象素集合组成。获得边界候选象素集合后，以边界候选象素及其邻域象素的二值输入模式作为样本集输入对边缘检测神经网络进行训练，而非边界候选象素直接判断为非边缘象素，不再输入神经网络进行训练。采用的边缘检测神经网络为HYPERLINK"http://www.hqew.com/tech/dr/200010060011/420823.html"\t"_blank"BP网络。
求得边缘后，会产生一些并不属于边缘点的噪声，在提取特征前需要将这些噪声去掉。采用一个矩形区域在图像上遍历，区域大小可自定，本文选取了HYPERLINK"http://www.hqew.com/tech/dzg/200010140014/756768.html"\t"_blank"15×15象素的区域。考察每一次区域内的象素点，如果这一区域的边缘无黑色的边缘象素，说明这一区域正好将一个封闭的噪声区域包括在内，则将这一区域内象素设置为白色，排除在边缘点之外。
图1是原图像，图2是边缘检测，做消除噪声处理的结果。

1.2特征提取
物体的几何形状在物体的识别中占重要的地位，而不同种类的物体其形状的差别是很大的，对物体的轮廓提取相应的特征，进一步的运用支持向量机进行分类。物体的形状并不因物体在图像上的位置、大小和与图像所处的角度而改变，所以提取的特征向量必须满足RST(旋转、比例、平移)不变性。物体的主轴率、紧密度、圆方差、椭圆方差、周长平方面积比等特征能很好地概括物体的轮廓特征，这5个特征满足RST不变性。
得到边缘象素后，求取主轴率、紧密度、圆方差、椭圆方差、周长平方面积比作为要提取的特征值。设轮廓边缘坐标为Pi=[xi，yi]T，轮廓为N个随机向量的集合为P。P={Pi}，i=1，2，…，N