- 相關(guān)推薦
光學遙感圖像多目標檢測及識別算法設(shè)計與實現(xiàn)
摘要：針對目前光學遙感圖像處理與分析多集中在單目標檢測及識別領(lǐng)域的局限性，多目標檢測及識別成為了一個非常值得關(guān)注的研究課題，提出了一種光學遙感圖像多目標檢測及識別算法。首先，采用自適應閾值算法對目標快速檢測分割;然后，結(jié)合圖像金字塔思想和基于尺度不變特征變換的特征包(BoFSIFT)特征提出了一種分層的BoFSIFT特征表示目標的全局特征和局部特征，詳細地描述了目標的分布特性;最后，采用基于徑向基核函數(shù)的支持向量機為弱分類器的AdaBoost算法，經(jīng)過不斷更新權(quán)重之后得到一個強分類器對待測試目標圖像完成分類識別，識別率達到了93.52%。實驗結(jié)果表明，所提算法對多類遙感圖像目標的分割效果顯著，特征選取恰當，識別方法快速有效。
關(guān)鍵詞：光學遙感圖像;自適應閾值;基于尺度不變特征變換的特征包特征;AdaBoost算法;多類目標
引言
光學遙感圖像通常是指可見光和部分紅外波段傳感器獲取的影像數(shù)據(jù)，其直觀易理解，空間分辨率通常比較高，在有光照和晴朗的天氣條件下，圖像內(nèi)容豐富，目標結(jié)構(gòu)特征明顯，便于目標分類識別。隨著遙感技術(shù)和模式識別技術(shù)的發(fā)展，對光學遙感圖像多目標分類和識別的研究已引起了廣泛關(guān)注，它的發(fā)展對對地觀測、軍事偵察等領(lǐng)域有廣泛的意義[1]。
基于光學遙感圖像的多目標檢測與識別研究主要涉及目標分割檢測、特征提取和目標識別3個階段。目標的檢測分割階段是提取遙感圖像信息的重要準備環(huán)節(jié)，在目標點檢測的基礎(chǔ)上，依據(jù)特征把圖像劃分成多個區(qū)域[2]。文獻[3]對純海洋背景和海陸背景兩種情況下的艦船目標分別用區(qū)域生長法和先驗法完成目標分割;文獻[4]對傳統(tǒng)的圓形檢測Hough變換方法作了改進，首先是計算目標梯度場檢測油庫圓心坐標，然后通過計算梯度值加權(quán)估計半徑值以便對目標準確定位;文獻[5]首先用小波分析建筑物目標，然后結(jié)合馬爾可夫隨機場(Markov Random Field，MRF)完成檢測分割。
目標的特征提取階段對識別結(jié)果有至關(guān)重要的作用，通過提取圖像的某些直觀自然特征或變換得到的構(gòu)造特征在實現(xiàn)數(shù)據(jù)壓縮的同時，提高目標之間的特征差異性。文獻[6]提出了一種通過對遙感圖像提取局部紋理特征的紋理分類算法;文獻[7]提出了一種新的圓形目標提取方法，該方法耗時低、檢出率高、抗噪能力強;文獻[8]提出了一種新的由粗到細的飛機識別方法，采用Sobel算子提取邊緣特征和加權(quán)像素位置后識別效果明顯改善了。以上方法由于選取特征單一，對遙感圖像目標的準確識別具有一定的局限性。
文獻[9]綜合輪廓、小波系數(shù)和原來的位圖等特征對飛機型號進行識別;文獻[10]提出了一種基于光學遙感圖像形狀和紋理特征融合的艦船識別方法，取得了良好的效果;文獻[11]融合點特征和表觀特征，提高目標的正確識別率。
目標識別階段是對光學遙感圖像中的目標通過某種分類器準確定位識別。文獻[12]提出主從神經(jīng)元結(jié)構(gòu)的模糊神經(jīng)網(wǎng)絡(luò)用于大型艦船的分類識別;文獻[13]采用主成分分析(Principal Components Analysis， PCA)降維方法和有向無環(huán)支持向量機(Support Vector Machine， SVM)分類器對飛機識別取得了較高的識別率;文獻[14]提出稀疏矩陣形式為特征的目標識別方法，既對不完整的遙感圖像具有更好的魯棒性，在小樣本低采樣率情況下也能具備良好的識別性能。
目前，基于光學遙感圖像的多目標檢測及識別方法存在以下問題： 1)選用的特征對于目標旋轉(zhuǎn)的適應性較差;2)檢測和識別方法大多只能處理一種特定類別目標的檢測和識別，無法實現(xiàn)多種目標的同時檢測和識別。
針對以上問題，本文提出一種光學遙感圖像的多目標檢測及識別算法，首先采用自適應閾值分割算法實現(xiàn)多目標檢測與分割，然后在特征提取階段將圖像金字塔的分層思想與基于尺度不變特征變換的特征包(Bag of FeatureScale Invariant Feature Transform， BoFSIFT)特征有效結(jié)合，提出了一種分層的BoFSIFT特征，最后選用基于SVM的AdaBoost算法對多目標遙感圖像進行分類識別。該算法實現(xiàn)簡單，可以同時實現(xiàn)光學遙感圖像的多目標準確分類。
第11期
姬曉飛等：光學遙感圖像多目標檢測及識別算法設(shè)計與實現(xiàn)
計算機應用 第35卷
一、算法的總體框架
如圖1所示為本文算法的總體框架：在訓練過程中，采用手動分割得到目標的圖像，并進行歸一化處理，之后對其提取分層的BoFSIFT特征并訓練支持向量機得到分類器;在測試過程中，將包含多個待識別目標的光學遙感圖像通過自適應閾值分割得到待識別的目標圖像，進行歸一化處理后同樣提取分層的BoFSIFT特征，送入訓練過程得到的SVM分類器，然后采用基于支持向量機的Adaboost算法實現(xiàn)目標識別的準確識別。
圖片
圖1本文算法的總體框架
二、分割算法
閾值分割法是一種基于全局的圖像分割方法[15-17]，典型的有：分水嶺分割、區(qū)域跟蹤分割、聚類分割等。傳統(tǒng)的閾值分割法效果多依賴于圖像灰度分布良好的雙峰性質(zhì)。由于本文的遙感圖像均屬于光學遙感圖像，因此分割算法應該對光照天氣有一定的適應性。由于圖像背景往往比較復雜，多個目標間的灰度級存在較大差異，因此采用固定閾值進行多目標的同時分割是很難實現(xiàn)的。
基于以上分析本文采用局部自適應閾值分割算法[18-20]對光學遙感圖像多目標進行分割，通常這類算法具有較強的適應性，它是根據(jù)像素所在鄰域塊的像素值分布來確定該像素位置上的二值化閾值。對于一幅大小為H×H的光學遙感圖像f， f(x，y)表示第x行、第y列的像素點灰度值，本文對圖像中的每一個鄰域塊高斯加權(quán)求取一個閾值，從而構(gòu)造出整幅圖像的一個閾值平面，記為T(x，y)，然后利用這個閾值平面對圖像完成二值化操作，閾值化后的像素點灰度值g(x，y)用式(1)表示： g(x，y)=black，f(x，y)≤T(x，y)
white，f(x，y)>T(x，y) (1
經(jīng)典的局部自適應閾值分割算法主要有Bernsen法、Niblack法以及Sauvola法等。本文選取其中的Sauvola法[21]，是通過計算圖像當前點在窗口w×w內(nèi)的加權(quán)均值m(x，y)和標準差s(x，y)得出相應的閾值，以一種自適應的方式調(diào)節(jié)方差的貢獻，對w×w窗口中心像素點，給定參數(shù)k，標準差s(x，y)的最大值R，則該閾值計算公式為：
T(x，y)=m(x，y)1+ks(x，y)R-1(2
式(2)涉及到的第1個參數(shù)w的選擇對閾值分割效果影響較大： 若w取值過大，自適應程度低，則有可能失去局部處理的意義，導致算法運行速度較慢; 若w選擇過小，自適應程度高，則可能導致前景或背景內(nèi)部產(chǎn)生噪聲干擾。第2個參數(shù)k對圖像的分割效果也有著一定的影響： 隨著k取值的增大，目標的寬度變粗; 隨著k取值的減小，目標的寬度變細。第3個參數(shù)R取標準差的最大值，局部加權(quán)均值m(x，y)和標準差s(x，y)根據(jù)像素局部鄰域的對比度調(diào)節(jié)閾值的選取。當圖像的一些區(qū)域具有較高的對比度時s(x，y)≈R使得T(x，y)=m(x，y)，當局部鄰域的對比度較低時閾值T(x，y)往往低于平均值，因而可以成功地消除背景中的陰影部分。
在復雜的光學遙感圖像上采用自適應閾值算法得到的圖像分割效果如圖2所示。
圖片
圖2分割效果示意圖
由圖2可以看出，圖2(a)的分割效果較圖2(b)的分割效果要好，觀察圖2(b)可以發(fā)現(xiàn)分割框與目標有匹配不夠準確的現(xiàn)象，如船艦分割中其中一艘船的背景信息比較多，汽車分割中未能將緊挨著的多輛汽車逐一分開，油罐分割中目標由于陰影的干擾未能完全分割出來，之后可以采用滑窗法對目前初步分割出來的區(qū)域進行特征提取和識別，給出更加精確的目標區(qū)域。飛機分割中跑道也作為目標被分割出來，后期的識別方法可以很容易地對目標和非目標作一個分類處理，剔除分割出來的背景圖像。
閾值分割本身沒有將圖像的空間信息考慮在內(nèi)，并且當圖像前景與背景或目標與目標之間灰度信息可區(qū)分性不高時，可能會有冗余信息或是部分目標被遺漏。鑒于本文分割操作的出發(fā)點是將目標盡可能全部檢測出來，對于不夠準確的區(qū)域可以在后期的識別中進行進一步的精確處理。
三、特征提取
由于BoFSIFT [22-24]特征不僅僅滿足其他特征所具有的尺度縮放、亮度變化不變性，最重要的是它具備一定的旋轉(zhuǎn)魯棒性，被廣泛地用于目標圖像的特征表示。它的不足之處是對目標的分布特性不能很好地表征，而基于圖像金字塔思想的分層特征能彌補BoFSIFT特征的不足，因此本文將分層思想與BoFSIFT特征有效結(jié)合，提出了一種新的分層BoFSIFT特征用于目標圖像的特征表示。
生成BoFSIFT描述子的步驟是：1)將所有訓練集圖像的SIFT描述子進行KMeans++聚類[25]，形成K個基礎(chǔ)詞匯的單詞表;2)將圖像SIFT特征點向單詞表作投影，統(tǒng)計單詞表中每個詞匯獲得的票數(shù)，構(gòu)成一個表征這幅圖像的K維向量。
在BoFSIFT特征基礎(chǔ)上再加入空間金字塔[26]思想，形
成的分層的BoFSIFT特征，能有效地表示圖像的局部特征和全局特征，并能表示圖像關(guān)鍵點的分布特性。分層的BoFSIFT特征整個提取過程為：
1)生成圖像BoFSIFT特征描述子： 樣本數(shù)為m幅圖像，聚類中心數(shù)為K，最終提取的BoFSIFT特征是K維;
2)構(gòu)造圖像金字塔： 將原圖像分成不同的塊，構(gòu)造一個三層的圖像金字塔，第一層為整個圖像，第二層將整個圖像劃分為2×2個子塊，第3層將整個圖像劃分為4×4個子塊;
3)基于金字塔結(jié)構(gòu)的特征表示： 在圖像金字塔中的每一層子塊中生成K個視覺碼字的BoFSIFT描述子，將每層的直方圖描述子等比例組合構(gòu)造21個K維特征列向量。分層的BoFSIFT特征提取算法過程如圖3所示。
圖4中的直方圖第1行為四類目標(74×4)的特征值疊加后的表示，第2行和第3行分別為四類目標第一幅原圖像和旋轉(zhuǎn)10°后圖像的特征表示，橫向分析表明不同目標的特征可區(qū)分性較強;縱向分析表明同一目標的特征具有較高的相似度，該特征對于一定范圍的目標旋轉(zhuǎn)具有適應性。
圖片
圖3分層的BoFSIFT特征提取算法示意圖
不同目標分層的BoFSIFT特征表示如圖4所示。
圖片
圖4不同目標分層的BoFSIFT特征表示
四、識別算法
支持向量機[27]是一種在處理小樣本、非線性及高維模式識別中有很大優(yōu)勢的分類算法，能有效地克服樣本數(shù)對傳統(tǒng)的統(tǒng)計模式識別方法的依賴。SVM實際中解決的大多數(shù)分類問題屬于非線性，它通過選擇合適的核函數(shù)變換樣本到高維空間，使得變換后的樣本線性可分。AdaBoost[28]是最著名的Boosting算法之一，是一種通過訓練多個弱分類器最后級聯(lián)成強分類器的迭代算法，其算法是經(jīng)過多次判斷訓練樣本的分類正確與否以及觀察上次的總體分布準確率來確定下一次每個樣本的權(quán)值，并將新的數(shù)據(jù)集送給下層分類器進行訓練，多次訓練得到最終分類器。
本文選用基于徑向基核函數(shù)(Radial Basis Function，RBF)的SVM作為AdaBoost算法的弱分類器。
五、實驗結(jié)果
本文在新建立的遙感圖像庫上對本文所提出算法進行了測試。本文的數(shù)據(jù)庫包含在軍事和民用方面發(fā)揮重大作用的4類目標，分別是艦船、飛機、汽車和油罐，數(shù)據(jù)庫總共包含74×4幅圖像，圖例如圖5所示。
圖片
圖5遙感圖像庫的部分目標樣本圖像
5.1參數(shù)設(shè)置
1)訓練樣本數(shù)和聚類中心數(shù)對識別率的影響。
首先確定實驗訓練集和測試集的數(shù)目。設(shè)定訓練樣本Tr分別為68、108、148、188張圖像，測試樣本為108張圖像;其次設(shè)定聚類中心數(shù)K分別為10、20、30、40，金字塔層數(shù)為L=3。在不同訓練樣本數(shù)和聚類中心數(shù)下利用RBF核支持向量機進行識別，得到的識別率變化曲線如圖6所示，從圖中可以看到，當訓練樣本數(shù)為188時，聚類中心數(shù)為20時系統(tǒng)的識別率達到最大值。
圖片
圖6不同訓練樣本數(shù)和聚類中心數(shù)的平均識別率
從圖6可以看到，當訓練樣本數(shù)一定時隨著聚類中心數(shù)的變化識別率曲線在K=20時達到最大值;當聚類中心數(shù)一定時隨著訓練樣本數(shù)的變化平均識別率在Tr=188時達到最大值，因此當訓練樣本數(shù)為188時，聚類中心數(shù)為20時系統(tǒng)的識別率達到最大值。
2)金字塔層數(shù)對識別率的影響。
在以上得到的最優(yōu)參數(shù)下，即Tr=188，K=20，用訓練樣本和測試樣本的圖像金字塔多層特征(并非最高層特征)分別采用支持向量機進行訓練和識別，得到平均識別率如表1所示。
表格(有表名)
表1圖像金字塔各層的識別率
金字塔層數(shù)特征向量維數(shù)平均識別率/%
12082.41
220+8090.73
320+80+32090.74
實驗結(jié)果表明，金字塔層數(shù)越多識別率越高，即當L=3時識別率最高，雖然L=3下的識別率相比L=2識別率的提高很微小，但總體意義上證明了分層的BoFSIFT特征可以有效表示目標的全局和局部特性。
5.2目標識別結(jié)果比較
1)本文所提特征與常用的遙感圖像特征的識別結(jié)果比較。
本文對光學遙感圖像的目標提取了多種特征進行表示，統(tǒng)計了基于RBF核的SVM識別方法的平均識別率，如表2所示。
表格(有表名)
表2多種特征識別結(jié)果比較
實驗序號特征平均識別率/%耗時/s
1Shape Context59.260.057483
2Hu不變矩64.810.080390
3BoFSIFT82.410.018427
4分層的BoFSIFT90.740.095406
以上結(jié)果表明，同樣的識別方法下的不同特征對識別結(jié)果有著極大的影響，由于形狀上下文(Shape Context， SC)特征極大地依賴目標的形狀的精確檢測，因此對于復雜背景下的遙感目標的識別準確性不理想，需要做許多前期處理操作來保證提高識別率;Hu不變矩的特征維數(shù)(7維)較少，特征的表述能力有限;BoFSIFT特征很詳細地表示了目標的局部特性，但未考慮到目標特征的分布特性;而分層的BoFSIFT特征既克服了過于依賴前期處理的不足，又綜合考慮了目標的局部特征和分布特性，得到了最優(yōu)的識別效果。
2)多種識別方法識別結(jié)果比較。
利用5.1節(jié)得出的最優(yōu)參數(shù)，Tr=188，K=20，L=3，在本文所提特征的基礎(chǔ)上比較了以下識別方法的識別結(jié)果，如表3所示。
表格(有表名)
表3多種識別方法識別結(jié)果比較
實驗序號識別方法平均識別率/%耗時/s
4分層的BoFSIFT特征+RBF核SVM90.740.095406
5分層的BoFSIFT特征+(AdaBoost+RBF核SVM)93.520.028114
實驗結(jié)果表明，實驗5的AdaBoost+SVM識別方法較實驗4的SVM識別方法識別率有顯著的提高且耗時極短，說明了本文算法的可行性。本文提出的識別方法即實驗5的平均識別率混淆矩陣如圖7所示。
圖片
圖7本文方法的平均識別率混淆矩陣
分析圖7可以看出艦船的識別結(jié)果是最好的，由于飛機和汽車陰影比較嚴重，背景和前景對比度差異較小因此識別結(jié)果較差，油罐的特征點不明顯導致識別結(jié)果最差，總體來說識別結(jié)果是令人滿意的。
六、結(jié)語
本文提出了一種遙感圖像多目標檢測與識別方法，算法設(shè)計中采用自適應閾值算法分割多目標遙感圖像，構(gòu)建的分層BoFSIFT特征能夠很好地表示目標圖像的局部和全局特性，并且具有一定的旋轉(zhuǎn)適應性，基于支持向量機的AdaBoost算法既能提高識別率也提高了運行速度，總體分析所提出算法對復雜背景下的遙感圖像多目標分類識別具有一定的可行性。在分割階段基于局部鄰域塊的方法至今還沒有一致的選取鄰域塊大小的策略，且塊與塊之間存在不連續(xù)現(xiàn)象，此部分還需要進一步的研究，使算法具有更好的復雜背景的適應性。
參考文獻：
[1]JI X， QIN N. A review of target detection classification and recognition method based on optical remote sensing image[J]. Journal of Shenyang Aerospace University， 2015， 32(1)： 23-31.(姬曉飛，秦寧麗.基于光學遙感圖像的目標檢測與分類識別方法綜述[J].沈陽航空航天大學學報，2015，32(1)：23-31.)
[2]CHEN Y. Research on segmentation and extraction in optical remote sensing image[D]. Hefei： University of Science and Technology of China， 2010.(陳雁. 可見光遙感圖像分割與提取研究[D]. 合肥：中國科學技術(shù)大學， 2010.)
[3]WANG Y， MA L， TIAN Y. Stateoftheart of ship detection and recognition in optical remotely sensed imagery[J]. Acta Automatica Sinica， 2011， 37(9)： 1029-1039.(王彥情， 馬雷， 田原. 光學遙感圖像艦船目標檢測與識別綜述[J]. 自動化學報， 2011， 37(9)： 1029-1039.)
[4]HAN X， FU Y，LI G. Oil depots recognition based on improved Hough transform and graph search[J]. Journal of Electronics and Information Technology， 2011， 33(1)： 66-72.(韓現(xiàn)偉， 付宜利， 李剛. 基于改進 Hough 變換和圖搜索的油庫目標識別[J]. 電子與信息學報， 2011， 33(1)： 66-72.)
[5]ZHANG Y. Object segmentation of remote sensing image based on MRF model[J]. Microcomputer and Its Applications， 2013， 32(2)： 44-47.(張彥. 基于MRF模型的遙感圖像建筑物分割研究[J]. 微型機與應用， 2013， 32(2)： 44-47.)
[6]YANG B， ZHAO H， ZHAO Z， et al.A removed texture classification and distinction algorithm of remoted sensing martial object[J]. Microelectronics and Computer， 2004， 21(9)： 111-113.(楊斌，趙紅漫，趙宗濤，等.一個改進的遙感圖像目標紋理分類識別算法[J].微電子學與計算機，2004，21(9)： 111-113.)
[7]CHEN Z， LIU J， WANG G. A new circle targets extraction method from high resolution remote sensing imagery[C]// Proceedings of the 2011 4th International Workshop on Advanced Computational Intelligence. Piscataway： IEEE， 2011： 529-533.
[8]LIU G， SUN X， FU K， et al.Aircraft recognition in highresolution satellite images using coarsetofine shape prior[J]. Geoscience and Remote Sensing Letters， 2013， 10(3)： 573-577.
[9]HSIEH J， CHEN J， CHUANG C H， et al.Aircraft type recognition in satellite images[J]. IEE Proceedings： Vision， Image and Signal Processing， 2005， 152(3)： 307-315.
[10]ZHU C， ZHOU H， WANG R， et al.A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features[J]. IEEE Transactions on Geoscience and Remote Sensing， 2010， 48(9)： 3446-3456.
[11]LI X， SUN H， WANG H， et al.High resolution imaging target detection for multiclass correlation vector machine[J]. Science of Surveying and Mapping， 2014， 39(12)： 128-133.(李湘眷， 孫皓， 王洪偉， 等. 多核多類關(guān)聯(lián)向量機的高分辨率影像目標檢測[J]. 測繪科學， 2014， 39(12)： 128-133.)
[12]QU J， QU S， WANG Z. Featurebased fuzzyneural network approach for target classification and recognition in remote sensing images[J]. Journal of Remote Sensing， 2009， 13(1)： 67-74.(瞿繼雙， 瞿松柏， 王自杰. 基于特征的模糊神經(jīng)網(wǎng)絡(luò)遙感圖像目標分類識別[J]. 遙感學報， 2009，13(1)： 67-74.)
[13]WANG D， HE X， WEI Z， et al.A method of aircraft image target recognition based on modified PCA features and SVM[C]// Proceedings of the 9th International Conference on Electronic Measurement and Instruments. Piscataway： IEEE， 2009： 177-181.
[14]YIN F， JIAO L. Robust remote sensing image target recognition based on extending training set by rotation and sparse representation[J]. Pattern Recognition and Artificial Intelligence， 2012， 25(1)： 89-95.(殷飛， 焦李成. 基于旋轉(zhuǎn)擴展和稀疏表示的魯棒遙感圖像目標識別[J]. 模式識別與人工智能， 2012， 25(1)： 89-95.)
[15]XI Y. Research and implementation of Kmean clustering and watershed segmentation algorithm for remote sensing image[D]. Nanjing： Nanjing University of Science and Technology， 2011.(席英. 遙感圖像的K均值聚類和分水嶺分割算法的研究與實現(xiàn)[D]. 南京： 南京理工大學，2011.)
[16]YI L， ZHANG G， WU Z. A scalesynthesis method for high spatial resolution remote sensing image segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012， 50(10)： 4062-4070.
[17]GAO X， ZHANG S. Theory method and application of image segmentation[D]. Changchun： Jilin University， 2006.(高秀娟， 張樹功. 圖像分割的理論， 方法及應用[D]. 長春： 吉林大學， 2006.)
[18]LONG J， SHEN X， ZANG H， et al.An adaptive thresholding algorithm by background estimation in Gaussian scale space[J]. Acta Automatica Sinica， 2014， 40(8)： 1773-1782.(龍建武， 申鉉京， 臧慧， 等. 高斯尺度空間下估計背景的自適應閾值分割算法[J]. 自動化學報， 2014， 40(8)： 1773-1782.)
[19]SUN Y， CAI Z. An improved character segmentation algorithm based on local adaptive thresholding technique for Chinese NvShu documents[J]. Journal of Networks， 2014， 9(6)： 1496-1501.
[20]JAIN P， TYAGI V. An adaptive edgepreserving image denoising technique using tetrolet transforms[J]. Visual Computer， 2015，31(5)： 657-674.
[21]SAUVOLA J， PIETIK?INEN M. Adaptive document image binarization[J]. Pattern Recognition， 2000， 33(2)： 225-236.
[22]LOWE D. Object recognition from local scaleinvariant features[C]// Proceedings of the 7th IEEE International Conference on Computer Vision. Piscataway： IEEE， 1999： 1150-1157.
[23]LOWE D. Distinctive image features from scaleinvariant keypoints[J]. International Journal of Computer Vision， 2004， 60(2)： 91-110.
[24]SHARMA G， CHAUDHURY S， SRIVASTAVA J. Bagoffeatures kernel eigen spaces for classification[C]// Proceedings of the 19th International Conference on Pattern Recognition. Piscataway： IEEE， 2008： 1-4.
[25]ARTHUR D， VASSILVITSKII S. kmeans++： the advantages of careful seeding[C]// Proceedings of the 18th annual ACMSIAM Symposium on Discrete Algorithms Society for Industrial and Applied Mathematics. New York： ACM， 2007： 1027-1035.
[26]LAZEBNIK S， SCHMID C， PONCE J. Beyond bags of features： Spatial pyramid matching for recognizing natural scene categories[C]// Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2006： 2169-2178.
[27]HUANG Q， WU G， CHEN J， et al.Automated remote sensing image classification method based on FCM and SVM[C]// Proceedings of the 2012 2nd International Conference on Remote Sensing， Environment and Transportation Engineering. Washington， DC： IEEE Computer Society， 2012： 1-4.
[28]HE S， WANG L， XIA Y， et al.Insulator recognition based on moments invariant features and cascade AdaBoost classifier[C]// Proceedings of the 2013 International Conference on Mechatronics and Control Engineering. Zurich： Trans Tech Publications， 2013： 362-367.
【光學遙感圖像多目標檢測及識別算法設(shè)計與實現(xiàn)】相關(guān)文章：
圖像拼接算法及實現(xiàn)03-03
圖像處理中的模糊算法及實現(xiàn)03-13
分形算法應用于遙感圖像的壓縮11-22
圖像效果算法設(shè)計(一)03-07
模糊模式識別在植被和遙感圖像識別中的應用11-22
基于GPRS網(wǎng)絡(luò)的圖像傳輸自適應算法及實現(xiàn)03-07
基于BP算法紅外遙感圖像去條帶方法研究03-07