遥感影像目标识别中的多尺度分析

摘要：

针对遥感影像目标特性随分辨率变化的问题，提出了目标识别的多尺度分析方法。首先，基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因，这种变化主要是由混合像元在目标中所占的比例决定的；然后，根据多尺度影像中的目标提取实验，分析并验证了目标提取误差随着尺度变化的规律；最后，基于遥感影像目标的多尺度特性分析，进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看，目标的形状结构特征随着尺度的变化而发生改变，而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征，揭示了目标特征随尺度变化规律，对多尺度遥感影像自动目标识别具有指导意义。

关键词：

多尺度；混合像元；结构；目标识别；遥感

0引言

目标识别是图像处理和分析领域中核心的研究课题，在军事领域有着重要应用[1-4]，如制导武器、无人机等对目标进行检测、跟踪、识别和选择攻击点等。由于战场环境的复杂性和目标类型的不断增加，以及应用要求的不断提高，使自动目标识别技术面临很大的挑战。目标识别是基于图像目标的特征，根据识别算法进行分析和决策，输出目标识别结果。由于图像本身的复杂性和目标的多样性，图像目标自动识别仍不能完全应用于生产作业中。

目标识别方法按照所提取的特征不同，可以分为基于颜色（光谱）的方法、基于形状和结构特征的方法、基于纹理的方法、基于上下文的方法、基于小波分解的方法、基于不变矩特征的方法。其中，基于小波分解的目标识别方法主要利用小波的多尺度特性，提取目标在不同尺度上的特征，进行目标的判别[5]。尺度在目标的检测和识别中起着重要作用，任何目标特征的提取都是在一定的尺度上进行的，不同的尺度产生不同的结果。目标识别中多尺度方法大都是基于一幅原始图像，通过各种方法导出一系列不同尺度的图像，利用多尺度特征进行目标的识别[6-8]。直接利用传感器获得的多种分辨率图像，研究多尺度识别的文献较少。随着传感器自动变焦能力的增强，各种传感设备获取不同分辨率图像变得更加容易，因此利用实际获取的多尺度（多分辨率）图像能够得到更真实的信息，也是自动检测、识别目标的必然要求。

在同一场景的不同分辨率图像中，可提取的图像目标特征类型是不同的，即使同样的特征，不同的分辨率得到的目标特征值也不相同。例如，在多分辨率的遥感图像中，提取的机场目标的形状特征存在显著的差异。在图像目标识别中，用得最多的特征是光谱（颜色）、形状和结构以及纹理特征[9-10]。本文基于同一场景的多分辨率图像，研究图像中目标的形状结构特征随分辨率变化情况，分析这种变化对目标识别的影响。

1遥感科学中的尺度问题

从遥感的角度，尺度是从天空测量地球的空间量度范围和时间量度间隔，因此尺度更多地作为观测的维数，而不是被观测现象的维数。空间尺度可直接看作为有效分辨率单元，对于同一地物类别，不同的空间分辨率，它的光谱响应值并非与像元大小线性相关[11]。由于辐射测量值随传感器分辨率变化的非线性性，同一目标表现的特征在不同尺度的图像中不是平均或平分对应关系，会随着尺度的变化产生差异，这就是遥感中的尺度问题[12]，也是多尺度目标识别中有待于解决的关键问题。另一个尺度问题是不同尺度之间的转换，即同一地物不同观测尺度的参数估计结果是否要求一致，如何提高参数估计精度。如专题制图仪（Thematic Mapper， TM）影像得到广泛应用后，人们发现用TM影像估算的农田面积显著不同于过去用甚高分辨率辐射仪（Advanced Very High Resolution Radiometer， AVHRR）图像估算的农田面积；这种差别随地区不同而不同，缺乏规律性。分析这种差异的产生，主要是由于田块边缘的混合像元造成的，而田块边界的长度正比于混合像元的数量[13]

2遥感影像目标识别中的尺度问题

在目标识别中，混合像元出现在目标和背景的边缘，不同尺度的影像中，混合像元表现出不同的特征，对目标识别结果产生影响。例如，地面目标的形状结构特征在不同尺度中有显著变化。一般情况下，目标提取的误差主要发生在边缘，随着分辨率的提高，目标边缘变得更加清晰，因此，误差变小；而在低分辨率的图像中，目标边缘占的比例较大，尤其是线状目标，从而影响到目标的结构变化。如图1所示的机场目标，在低分辨率图像中，每条跑道与中间地带宽度的比例几乎相等，而随着分辨率的提高，中间地带比例逐渐增大，以至于接近跑道宽度的2倍。在各个分辨率图像中的跑道中间地带和跑道的宽度比例如表1所示，单位为像素。这种结构特征的变化在多分辨率图像中是非常明显的，因此，在目标识别和信息提取中，目标特征随尺度的变化是一个关键问题。

3目标识别中的多尺度分析

3.1多尺度影像中的混合像元分析

目标识别中，不同尺度目标的形状结构差异，主要是由于边缘的混合像元造成的。地面目标，特别是线状目标，其边缘的混合像元占目标本身的比例随着尺度的增大而增加，因此，目标所表现出特征的误差也相应增大。如图2所示的模型，目标识别中的混合像元表现的形式有3种：第1种是混合像元在目标两侧，中间是单一目标类；第2种情况是随着尺度的增大，目标本身小于图像的空间分辨率，目标被包含在一个混合像元之中；第3种是介于前两种之间的情况，虽然目标大于一个像元的面积，但是会分布在两个混合像元之中。

图片

图2目标识别中混合像元的3种形式

第1种情况，影像中目标的大小会随着尺度的变化而变化，如果混合像元特征接近目标类别，则和目标分到一起，从而目标比实际面积增大，反之如果混合像元与背景分到一起，目标就会比实际减小，而且，增大或者减小的比例为一个像元。假设目标和混合像元的总宽度为n个像元，则目标变化的比例为1/n，因此，误差会随着n的减小而增大。第2种情况n为1，目标小于一个像元的宽度，这时目标会随着混合像元的特征出现或者消失，如果混合像元能从背景中分辨出来，按照影像分辨率计算，目标就会增大，如果和背景混合在一起，目标就在该尺度上消失。第3种情况具有和第2种情况相似的特征，此时n为2，因此误差所占的比例为1/2。总之n的值越小，混合像元所占的比例越大，从而目标识别中的误差越大，以至在大尺度场景中，目标识别的结果由混合像元所决定。因此，图像目标识别中的误差与其所占的像素数目密切相关，当像素数n很小的时候，意味着目标特征的量化值是不可靠的，只能提供定性的信息。

3.2地面目标的多尺度特征分析

在实际遥感影像目标识别中，目标的特征随着尺度的变化而变化，而且具有一定的规律性。如图3所示的桥梁目标，通过在高分辨率影像中测量其宽度约为35m。在由小到大的多尺度影像中，测量并计算的桥面宽度与像素数目如表2所示，表中数据是在多次测量基础上取得的平均值。

从以上实验和分析中可以看出，目标边缘的混合像元要么被分为目标类别，要么被分为背景类别，因此，混合像元所占的比例决定了目标测量的误差，从而引起目标的形状结构变化。其中一个重要问题是，误差发生的方向，本实验中误差都作为目标的一部分，不论是亮度较大的桥梁，还是亮度较暗的船坞目标，其边缘的混合像元都向它们“靠拢”，被分成目标类别。因此，混合像元与哪个类别相近，与各个类别的辐射测量值的高低无关，而是在于目标与背景的关系。例如：在如图3（g）所示的影像中，桥梁目标延伸到陆地后，其亮度和宽度没有明显变化，但是在此影像中却不能分辨，说明混合像元“融合”到背景之中了，可见，相同的目标，随着背景的不同，混合像元表现出的特征差别明显。

3.3多尺度中影像中的优势类别

在多尺度目标识别中，随着尺度的变化，混合像元被划分为目标或者背景，与特定目标及其周围地物类别相关。即使是同一地物目标，周围地物类别不同，混合像元的分类倾向也不同。例如图3所示，同样是道路（桥梁），在海面上随着尺度增大，仍能很好地识别；而在延伸到植被中间后，随着尺度增大逐渐消失了。由于同一目标表现的特征在不同尺度的图像中不是平均或平分对应关系，混合像元的辐射测量值难以由各个端元计算得出，因此也不能提前判断混合像元被划分为目标或者背景，目标识别中的误差方向也不能确定。

在目标识别中，目标和背景边界的混合像元总是被划分为两者之一，这里将混合像元所归属的那个类别称为“优势类别”，即与混合像元特征相近的类别。因此，在目标识别中，目标边缘的混合像元总是被分到优势类别。优势类别在混合像元中并不是占的面积大，也不是辐射值高的类别。从前面的实验结果中分析，在一个尺度上的优势类别，在其他尺度上同样是优势类别，以此作为多尺度影像中混合像元引起误差的判断依据。

另一方面，在大尺度场景中，目标识别往往是在背景中发现“异常”，如前面实验中，即使海面桥梁目标宽度所占像元的比例不足30%，也能发现目标的存在。这是由于海面桥梁在大尺度影像中小于一个像元，作为混合像元，它的特征并不一定是接近桥梁目标，只是在海面背景上面显现的“异常”。而这种“异常”是由于桥梁目标产生的，这里桥梁目标就是优势类别。

4结语

多分辨率图像可以从多个尺度上提取和分析目标特征，有利于图像目标的识别。本文针对同一场景的多个分辨率图像，研究了图像目标的形状结构特征。从结果中看出，形状特征作为目标识别的主要特征，在多尺度图像上并不能保持严格的比例关系或一致性。这种目标结构的显著变化，是由于图像目标边缘处的误差产生的，而且这种误差具有和尺度相关的规律性。本文揭示了这些尺度相关的特性及其规律，有利于提高目标识别和信息提取精度。

参考文献：

[1]

李新德，杨伟东，DEZERT J.一种飞机图像目标多特征信息融合识别方法[J].自动化学报，2012，38（8）：1298-1307.

[2]

刘振，姜晖，王粒宾.基于加权两向二维线性鉴别分析的SAR目标识别方法[J].计算机应用，2013，33（2）：534-538.

[3]

何强，蔡洪，韩壮志，等.基于非线性流形学习的ISAR目标识别研究[J].电子学报，2010，38（3）：585-590.

[4]

刘婧，孙继银，朱俊林，等.基于模板匹配的前视红外目标识别方法[J].弹箭与制导学报，2010，30（1）：17-20.

[5]

陈方涵，苗华，陈宇，等.基于小波多尺度积的目标识别[J].光学学报，2009，29（5）：1223-1226.

[6]

汪西莉，刘芳，焦李成.融合上下文信息的多尺度贝叶斯图像分割[J].计算机学报，2005，28（3）：386-391.

[7]

李博，曹鹏，栗伟，等.基于尺度空间中多特征融合的医学影像分类[J].计算机应用，2013，33（4）：1108-1111，1114.

[8]

李朝晖，王冰，陈明.基于小波多尺度和最大似然法的红外目标探测[J].光学学报，2009，29（12）：3404-3408.

[9]

明冬萍，骆剑承，沈占锋，等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学，2005，30（3）：18-20.

[10]

PERMUTER H， FRANCOS J， JERMYN I. A study of Gaussian mixture models of color and texture features for image classification and segmentation [J]. Pattern Recognition， 2006， 39（4）： 695-706.

[11]

苏理宏.遥感尺度问题研究进展[J].地球科学进展，2001，21（8）：544-548.

[12]

宫鹏.遥感科学与技术中的一些前沿问题[J].遥感学报，2009，13（1）：16-27.

[13]

李小文.地球表面时空多变要素的定量遥感项目综述[J].地球科学进展，2006，16（4）：771-780.