基于多源遥感图像融合的大中型目标识别方法.pdf

(19)中华人民共和国国家知识产权局*CN102663394A*(12)发明专利申请(10)申请公布号CN102663394A(43)申请公布日2012.09.12(21)申请号201210054296.6(22)申请日2012.03.02(71)申请人北京航空航天大学地址100191北京市海淀区学院路37号(72)发明人李波胡蕾丁浩季艳田越(74)专利代理机构北京科迪生专利代理有限责任公司11251代理人许玉明贾玉忠(51)Int.Cl.G06K9/46(2006.01)G06T7/00(2006.01)权利要求书权利要求书1页1页说明书说明书88页页附图附图44页(54)发明名称基于多源遥感图像融合的大中型目标识别方法(57)摘要本发明提供了一种基于多源遥感图像融合的大中型目标识别方法，该方法首先利用不同地物之间光谱分布以及电磁辐射的差异在多光谱和SAR图像中对图像区域进行分割，并利用目标分布的经验知识对目标的潜在区域进行提取，使特征提取和目标识别更具针对性，提高了系统识别的效率和准确性；在此基础上，利用提取目标的轮廓、空间布局等特征确定目标区域，并利用目标轮廓和子目标间空间布局关系，划分子目标区域；然后，提取子目标特征，在目标特征集和目标先验知识的指导下，利用对识别规则的执行和特征的匹配，最终实现子目标识别和目标验证。CN1026394ACN102663394A权利要求书1/1页1.基于多源遥感图像融合的大中型目标识别方法，其特征在于：(1)在目标特征层次划分的基础上，建立目标高层特征对中低层特征的选择准则，包括概念特征对属性特征、拓扑结构特征和中低层特征的选择准则，以及属性特征、拓扑结构特征对中低层特征的选择准则；(2)利用目标的概念特征对属性特征的选择准则，依据地物的光谱分布和电磁散射特性对多光谱和SAR图像分别进行区域分割，在多光谱和SAR图像分割区域中得到机场、码头、油库、桥梁、飞机、船舶类目标的潜在区域；(3)在全色图像对应的目标潜在区域中，利用空间布局和轮廓特征提取目标区域，再利用概念特征中子目标的空间关系，将目标分解为相互独立的子目标；(4)利用属性特征、拓扑结构特征对中低层特征的选择准则，在全色、多光谱和SAR图像的目标区域中分别提取子目标的特征，并进行子目标的识别与目标的验证。2.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(1)中，目标特征层次划分将目标的特征划分为五个层次：低层特征、中层特征、拓扑结构特征、属性特征和概念特征。3.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(2)中，区域分割类型为水域、植被域、普通人工建筑域、大型人工建筑域和高亮区域。4.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(3)中，空间布局分为：邻接、相交、相离、包含、平行、垂直、穿越、阵列类型；利用轮廓特征提取目标区域的方法采用基于目标与背景对比度增强的水平集法。5.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(3)中，利用感知编组的方法对目标轮廓进行描述，结合轮廓边缘的长度、曲率、空间关系先确定显著子目标的轮廓边缘，从而得到显著子目标，再利用子目标空间关系和目标轮廓边缘，获得其他非显著子目标。6.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(4)中，子目标的特征包括：在全色图像中提取的中低层特征主要包括目标的面积、外接矩长度、形状参数、边缘曲率特征；在多光谱图像中提取的中低层特征主要包括各波段的光谱值、波段间的光谱比值、NDVI值、区域各波段光谱均值；在SAR图像中提取的中低层特征主要包括灰度值、区域均值、梯度。7.如权利要求1所述的基于多源遥感图像融合的大中型目标识别方法，其特征在于：所述步骤(4)中，采用自底向上的目标验证方式，即利用中低层特征对子目标进行识别，利用拓扑结构特征和属性特征对目标验证，并排除虚警。2CN102663394A说明书1/8页基于多源遥感图像融合的大中型目标识别方法技术领域[0001]本发明涉及一种遥感图像目标自动识别方法，尤其涉及一种基于多源遥感图像特征提取技术实现大中型目标自动识别的方法，属于数字图像处理技术领域。背景技术[0002]遥感技术的应用领域涵盖了环境监测、资源调查、土地规划、灾害防治、地图测绘、气象预报等多个方面，为国民经济发展做出了重大的贡献。其中机场、港口、桥梁、油库、船舶、飞机等大中型地面目标的识别是遥感技术应用的研究热点之一。随着航空/航天遥感技术的快速发展，各种机载、星载传感器获取的可见光、雷达、多光谱等类型的图像为目标识别提供了丰富的信息源，也使信息的利用变得复杂。对同一目标不同传感器获