基于PCNN和矩特征的遙感圖像目標(biāo)識別研究.pdf

1、近年來，基于衛(wèi)星遙感圖像的目標(biāo)識別技術(shù)得到迅猛發(fā)展，被廣泛地應(yīng)用于軍事領(lǐng)域和民用領(lǐng)域。目前，各國學(xué)者在遙感圖像飛機識別上取得了一定的突破。然而，現(xiàn)實環(huán)境遠不及理論來的理想化，遙感圖像必然存在噪聲、復(fù)雜背景等干擾，這定當(dāng)會影響后續(xù)的識別，因此現(xiàn)有的理論成果仍有不足之處，比如在識別精度、耗時量、通用性等方面還不盡如人意。為此，如何在復(fù)雜的環(huán)境中高效的識別出飛機目標(biāo)成為了本文的研究重點和關(guān)鍵。
　　眾所周知，目標(biāo)識別過程大致包括：預(yù)處理

2、、分割、特征提取及識別。而本文的研究重點——遙感圖像分割、特征提取，已取得如下成果：
　　1、為了提高遙感圖像目標(biāo)分割的精度，提出了一種基于引力搜索算法參數(shù)優(yōu)化的改進脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN-Pulse Coupled Neural Network）遙感圖像分割算法。首先，通過二次描述神經(jīng)元間的激勵和抑制關(guān)系，改進連接輸入項和動態(tài)閾值來優(yōu)化經(jīng)典PCNN模型。然后利用上述模型對輸入信息進行點火處理，并從其輸出結(jié)果中提取圖像熵和能量

3、的比值作為引力搜索算法的適應(yīng)度函數(shù)，且將熵的變化值作為引力搜索算法的收斂依據(jù)，利用引力搜索算法的全局搜索能力尋找PCNN模型中影響分割效果的關(guān)鍵參數(shù)的最優(yōu)值。最終將該算法與OTSU、最大熵直方圖算法和原始PCNN算法進行對比，并通過Matlab仿真實驗證明了本文算法更適用于遙感圖像分割。
　　2、針對幾何不變矩對仿射形變目標(biāo)描述的不足，為提高飛機類型的識別精度，給出了基于小波和仿射不變矩特征融合的飛機識別算法。首先對二值飛機圖像做

4、歸一化操作，并分別計算歸一化飛機目標(biāo)的小波矩和仿射不變矩特征值；然后通過計算樣本特征均值與標(biāo)準(zhǔn)差的商，篩選出魯棒性好、穩(wěn)定性高的特征，通過歸一化方法進行融合；最后將五種不同型號的飛機構(gòu)造成樣本集，并采用支持向量機(Support Vector Machine,SVM)方法識別測試樣本的型號。實驗將不同類型的矩特征、不同容量的樣本集就識別精度、穩(wěn)定性指標(biāo)進行了比較，結(jié)果表明，文中給出的方法提高了精度，而且在訓(xùn)練樣本集較小時仍能獲得較高的識