[发明专利]基于骨架特征的高分辨率遥感影像飞机提取方法

权利要求书

1.一种基于骨架特征的高分辨率遥感影像飞机提取方法，包括以下步骤：

步骤1：选择基于嵌入置信度的遥感影像边缘检测算法进行边缘检测，以Matlab和Visual C++6.0为平台实现基于嵌入置信度的遥感影像边缘检测算法；

步骤2：地物目标边缘的矢量化，首先使用ArcScan对提取得到的地物目标边缘进行矢量化，然后进行矢量拓扑检查和破碎图斑自动滤除得到较好的地物目标边缘矢量对象；

步骤3：用基于约束Delaunay三角网的算法从地物的矢量边缘提取出地物骨架基线，分四步完成(1)数据预处理以减少冗余，(2)以地物目标边缘为约束条件构建约束Delaunay三角网，(3)剔除约束Delaunay三角网中位于地物目标外部的所有三角形，(4)对三角网中的每一个三角形逐一提取骨架基线；

步骤4：基于二叉树结构的目标主骨架提取算法，主骨架的提取方法是，在骨架分支处，即左右子节点均不为空处，以左右两个分支的面积作为消减标准，舍弃面积较小的分支，保留面积较大的分支，直至终止于地物目标的2个节点，即可得到主骨架；

步骤5：飞机目标主要骨架特征分析；以B-1、Challenger、DC-10、F-14、F-16、Harrier、Mig-29、Mirage等八种型号的飞机为样本进行飞机目标骨架特征分析，根据八种型号飞机目标骨架特征的相似性得到骨架几何特征参数，骨架网络测度，骨架紧凑度和机长翼展比四个合适的骨架特征参数作为下一步目标识别的判断参数；

步骤6：飞机目标的自动识别方法实现，以Matlab为实现平台，实现了基于BP神经网络的飞机目标识别方法的设计，并进行神经网络训练，完成网络训练后进行飞机目标的提取。

2.根据权利要求1所述的一种基于骨架特征的高分辨率遥感影像飞机提取方法其特征在于步骤1和2中以基于嵌入置信度的边缘检测方法为基础，建立了基于嵌入置信度的遥感图像边缘检测-基于ArcScan的边缘矢量化方法，实现了自高空间分辨率遥感影像中高效、精确提取地物目标的矢量边缘。

3.根据权利要求2所述的一种基于骨架特征的高分辨率遥感影像飞机提取方法其特征在于步骤3中将位于目标边缘外的三角形剔除，以生成地物目标内部的约束Delaunay三角网的算法，剔除的方法为：遍历约束Delaunay三角网中所有的三角形，计算每个三角形的中心，由于三角形中心一定位于三角形内部，只需计算三角形中心与地物目。

4.根据权利要求1～3中任一项所述的一种基于骨架特征的高分辨率遥感影像飞机提取方法其特征在于步骤4中基于二叉树结构的目标主骨架提取算法，主骨架提取时，在骨架分支处，即左右子节点均不为空处，以左右两个分支的面积作为消减标准，舍弃面积较小的分支，保留面积较大的分支，直至终止于地物目标的2个节点，即可得到主骨架。

5.根据权利要求1～3中任一项所述的一种基于骨架特征的高分辨率遥感影像飞机提取方法其特征在于步骤5中对β指数、Γ指数、骨架紧凑度和机长展翼比四个特征量的分析与选择。

6.根据权利要求1～3中任一项所述的一种基于骨架特征的高分辨率遥感影像飞机提取方法其特征在于步骤6中BP神经网络模型的流程设计：

①确定输入量

根据飞机目标的骨架特征分析结果，将主骨架长度面积比、β指数、Γ指数、骨架紧凑度和机长展翼比作为BP神经网络的输入向量；

②确定输出向量

基于骨架特征的高空间分辨率遥感影像中飞机目标识别的结果是类型识别，即飞机目标或者非飞机目标，以1表示飞机目标，0表示非飞机目标；

③确定隐节点的个数

确定最佳隐节点数的常用方法称为试凑法，可先设置较少的隐节点训练网络，然后逐渐增加隐节点数，用同一样本集进行训练，从中确定网络误差最小时对应的隐节点数，采用以下公式：

M=N*L]]>式2

式2中，M为隐节点个数，N为输入层节点数，L为输出层节点数。根据飞机目标识别模型的输入向量个数(5个)和输出向量个数(1个)，研究采用试凑法确定的初始隐节点个数为3个；

④训练数据的归一化处理

由于样本中骨架特征数据如果存在数量级差异，那么权重容易偏向数量级大的特征项，导致BP神经网络训练无法收敛。因此，在进行神经网络训练前，采用式3将输入数据规一化至[-1，1]之间，

Pij=Pij-PiminPimax-Pmin]]>式3

式3中，假设骨架特征为i个，训练样本共有j个，P_ij为第j个训练样本的第i个骨架特征值，P_imin为第i个骨架特征的最小值，P_imax为第i个骨架特征的最大值；

⑤基于Matlab的BP神经网络训练

把八种型号飞机目标以及搜集的其他型号飞机目标的骨架特征参数经过筛选后输入计算机，运用Matlab的trianbp函数反复训练神经网络，并对学习样本进行反复学习，直到网络模型满足识别精度要求。