采用独立分量分析Zernike矩的遥感图像飞机目标识别

第６卷第１期　智能系统学报　Ｖｏ１．６　Ｎｏ．１　２０１１年２月　ＣＡＡＩ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｓｙｓｔｅｍｓ　Ｆｅｂ．２０１１　ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－４７８５．２０１　１．０１．００６　采用独立分量分析Ｚｅｒｎｉｋｅ矩的　遥感图像飞机目标识别　刘富　，于鹏　，刘坤　（１．吉林大学通信工程学院，吉林长春１３００２２；２，哈尔滨工业大学深空探测基础研究中心，黑龙江哈尔滨１５０００１）　摘要：为了提高遥感图像目标自动识别系统的准确性，提出了一种新的采用独立分量分析（ＩＣＡ）Ｚｅｒｎｉｋｅ矩的飞机　目标识别方法．首先对分割后的目标区域进行独立分量分析处理，将待识别目标形状转换到标准形式，然后对标准　化后的图像目标提取Ｚｅｎｆｉｋｅ矩作为特征向量进行识别．通过实验表明此方法具有鲁棒性，能有效地消除遥感图像　目标尺度、旋转、平移、反转和扭曲影响，能够有效地识别遥感图像飞机目标．　关键词：独立分量分析；Ｚｅｒｎｉｋｅ矩；遥感图像；飞机目标识别　中图分类号：ＴＰ３９１．４１　文献标识码：Ａ文章编号：１６７３－４７８５（２０１１）０１　０５１－０６　Ｒｅｓｅａｒｃｈ　ｃｏｎｃｅｒｎｉｎｇ　ａｉｒｃｒａｆｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ｂａｓｅｄ　ｏｎ　ＩＣＡ　Ｚｅｒｎｉｋｅ　ｉｎｖａｒｉａｎｔ　ｍｏｍｅｎｔｓ　ＬＩＵ　Ｆｕ　，ＹＵ　Ｐｅｎｇ　，ＬＩＵ　Ｋｕｎ　（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ　１３００２２，Ｃｈｉｎａ；２．Ｄｅｅｐ　Ｓｐａｃｅ　Ｅｘｐｌｏｒａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ，　Ｈａｒｂｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ　１５０００１，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｏ　ｐｒｏｍｏｔｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ａｎ　ａｕｔｏｍａｔｉｃ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ（ＡＴＲ）ｓｙｓｔｅｍ　ｆｏｒ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ，ａ　ｎｏｖｅｌ　ｆｅａｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ｐｒｏｐｏｓｅｄ　ｆｏｒ　ａｎ　ａｉｒｐｌａｎｅ　ｔａｒｇｅｔ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｌｇｏｒｉｔｈｍ　（ＩＣＡ）ｗｉｔｈ　Ｚｅｒｎｉｋｅ　ｉｎｖａｒｉａｎｔ　ｍｏｍｅｎｔｓ．Ｆｉｒｓｔ，ｔｈｅ　ｄｉｖｉｄｅｄ　ｒｅｇｉｏｎ　ｏｆ　ｉｎｔｅｒｅｓｔ（ＲＯＩ）ｗａｓ　ａｎａｌｙｚｅｄ　ｗｉｔｈ　ｔｈｅ　ＩＣＡ　ｍｅｔｈｏｄ．Ａｌｓｏ，ｔｈｅ　ｓｈａｐｅ　ｏｆ　ｔｈｅ　ｔａｒｇｅｔ　ｗａｓ　ｃｈａｎｇｅｄ　ｔｏ　ｃａｎｏｎｉｃａｌ　ｆｏｒｍ．Ｔｈｅｎ，ｔｈｅ　ｉｎｖａｒｉａｎｔ　ｍｏｍｅｎｔｓ　ｏｆ　ｎｏｒｍａｌｉｚｅｄ　ｓｈａｐｅｓ　ｃｏｕｌｄ　ｂｅ　ｅｘｔｒａｃｔｅｄ．Ｔｈｅｙ　ｗｏｕｌｄ　ｐｏｔｅｎｔｉａｌｌｙ　ｂｅ　ｕｓｅｄ　ａｓ　ａ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒ　ｔｏ　ｄｏ　ｆｕｒｔｈｅｒ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｈｅ　ｅｘｐｅｒｉ—　ｍｅｎｔ　ｄｅｍｏｎｓｔｒａｔｅｓ　ｔｈａｔ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｉｓ　ｒｏｂｕｓｔ．Ｉｔ　ｃａｎ　ｅｌｉｍｉｎａｔｅ　ｔｈｅ　ｅｆｆｅｃｔｓ　ｏｆ　ｓｃａｌｉｎｇ，ｒｏｔａｔｉｏｎ，　ｔｒａｎｓｌａｔｉｏｎ，ｒｅｆｌｅｃｔｉｏｎ，ａｎｄ　ｓｋｅｗｉｎｇ　ｏｆ　ｔｈｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｔａｒｇｅｔ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｉｓ　ｍｅｔｈｏｄ　ｃａｎ　ｒｅｃｏｇｎｉｚｅ　ａｎ　ａｉｒｐｌａｎｅ’Ｓ　ｔａｒｇｅｔ　ｆｒｏｍ　ｔｈｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ｅｆｆｅｃｔｉｖｅｌｙ．　Ｋｅｙｗｏｒｄｓ：ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｌｇｏｒｉｔｈｍ（ＩＣＡ）；Ｚｅｒｎｉｋｅ　ｉｎｖａｒｉａｎｔ　ｍｏｍｅｎｔｓ；ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ；ａｉｒｃｒａｆｔ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　随着遥感技术的发展，遥感影像广泛应用于环　在物体识别的过程中，物体的形状是非常重要　境监测、资源调查、军事侦查等众多领域．遥感图像　的特征之一．形状特征是图像的核心特征，也是人类　目标自动识别成为研究的热点，特别是军事目标的　视觉系统进行物体识别时所识别的关键信息之一．　自动识别领域更是研究的重点．遥感影像在拍摄过　具有仿射不变关系的目标匹配、识别一直是物体形　程中，摄像机的拍照距离要远远大于景物本身的尺　状特征研究的重点　４。．　寸．由于遥感影像是远距离成像，因此在高空的遥感　遥感图像在提取目标物体的形状特征前，首先　感应元件的主光轴与地面的关系可以看成是垂直关　要对遥感图像进行预处理，消除噪声对图像的影响．　系，由摄像机透视成像原理可知同一景物目标在不　然后通过阈值分割的方法将目标区域提取出来，对　同遥感图像中可以用仿射变换来近似表示…．　感兴趣区域进行处理并提取不变特征．这里提出了　一种基于独立分量分析Ｚｅｒｎｉｋｅ矩的目标形状特征　收稿日期：２０１０￣３４－２０．　基金项目：军队科研基金资助项目（９１４０Ａ０３０４０５０８ＨＴ０１７８）　识别方法．首先将分割结果进行区域连通和形态学　通信作者：刘富．Ｅ・ｍａｉｌ：ｌｉｕｆｕ＠ｊｌｕ．ｅｄｕ．ｃｎ．　操作，提取目标的轮廓．然后对轮廓进行独立分量分　－５２・　智能系统学报　第６卷　析处理，并利用高阶中心矩将目标区域轮廓转换成　标准形式．对标准化后的图像提取Ｚｅｒｎｉｋｅ不变矩作　为特征向量进行识别．实验表明具有仿射变换关系　的图像经过ＩＣＡ处理后具有一致的标准形式，本方　法能够有效地实现遥感图像目标的自动识别．　Ｘ　＝∑ａｉｊＳｊ（ｔ），ｉ＝１，２，…，　＝１　写成向量形式为　Ｘ（ｔ）Ｗ－－Ａｓ（　）．　ＩＣＡ用于图像特征提取的方法　引通常是将ｋ　个类别的ｍ幅图像（共ｋ×ｍ幅）看作是由　×ｍ个　统计独立的源图像经过线性混合而得到的，通过寻　找分离矩阵ｗ，得到分离的各独立分量ｓ，并以独立　１　仿射变换　由遥感图像的成像原理可知，同一景物在不同　遥感图像中表现形式不同，这种不同可由仿射变换　关系表示．１个仿射变换可以表示成１个非奇异的　分量为基向量构造特征空间，将每一幅待识别目标　图像投影到特征空间，即用独立分量的线性组合表　线性变换加上１个平移变换：　＝Ａｘ＋　式中：Ａ是仿射矩阵，满足非奇异性，即ｄｅｔ（Ａ）≠０．　该仿射矩阵用来表示图像的尺度、旋转和视角改变　的程度，Ａ可以分解表示成：　Ａ＝［　吕一…ｓｉｎ　０　］．　式中：ｓ、　、０分别代表了变化尺度、扭曲和旋转角　度；　和　分别是沿着　和Ｙ轴方向的尺度变化因　子．２×１阶矩阵　表示相对坐标平移，Ｘ是坐标Ｘ经　过仿射变换后的结果．这样，仿射变换可以看成是一　系列变换产生的组合．　这里假设有图形　和图形ｙ，两者具有仿射变　换关系，可以表示为　ｍ１　ｘ　ｉ　］・　㈩　式中：（互　，　）、（　，Ｙ）分别为图形１ｙ和图形ｌ，上点的　坐标；ｔｘ和ｔ　表示平移，将它们移到等式的左边可　以得到：　ｍ１　ｌ２－　２２㈣Ｙｌ由式（２）可知通过坐标平移，将坐标原点移到图形　的中心　］，就可将式（１）简化为　：Ａｌ，．　２　基于ＩＣＡ的目标形状标准化　独立分量分析（ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ，　］ＣＡ）是盲信号分离（ｂｌｉｎｔｔ　ｓｏｕＴｃｅ　ｓｅｐａｒａｔｉｏｎ，ｚｓｓ）的　一个重要分支　］，它在不知道盲信号的混合矩阵和　数量的情况下就能得到各个输人信号．假设存在Ⅳ　个独立的源信号，表示成矢量形式：Ｓ（ｔ）＝　［　Ｉ（ｆ）Ｓ２（　）…ＳⅣ（￡）］　，ｔ＝０，１，２，…，以及　个观　测信号Ｘ（ｔ）＝［Ｘ　（ｔ）Ｘ　（ｔ）…Ｘ　（ｔ）　个观测　信号是由Ⅳ个源信号线性瞬时混合而成的，即在每　个时刻ｔ都有如下关系式：　示一个目标图像．此方法多用于降低图像噪声和提　取图像特征．　设　是待识别的目标，则　＝ａＩＳｌ＋ａ２￥２＋…＋ａｋ￣ｍＳ　×　．　式中：　是独立分量基，（ｏ　，ｏ　，…，　）则是待识　别目标　在特征空间的投影系数，用式（３）求得：　（。ｌ，ｎ２，…，０　）＝　×（　）一　．　（３）　提取投影系数作为目标提取的特征值，构造合适的　分类器实现分类．　本文提出的算法是将分割后的目标形状数据转　化为标准形式，使用独立分量分析和高阶中心矩来实　现标准化．基于ＩＣＡ的目标形状标准化分２步完成．　１）是先对目标形状区域进行ＰＣＡ白化处理，由　上文知　和ｙ是具有仿射变换关系的目标图形．由　文献［８］可知对具有仿射变换关系的图形区域进行　ＰＣＡ白化处理，可将它们之问的仿射变化关系转换　为正交等式关系：　Ｙｈ：Ｑｙｂ．　式中：ｙ’ｈ和ｙｈ分别是＇ｙ和ｙ经过白化处理所得到的　结果，Ｑ是正交矩阵可以由看出图形ｙｈ可以由ｙｂ经　过尺度、平移等变换获得．图１中（ａ１）、（ａ２）和（ａ３）是　具有仿射变换关系的图形，（ｂ１）、（ｂ２）和（ｂ３）分别是　（ａ１）、（ａ２）和（ａ３）经过ＰＣＡ白化处理后的结果．　（ａ１）　目　（ａ２）　（ａ３）　ｂ，－Ａ　（ｂ２）　（ｂ３）　图１　形状图片和经过ＰＣＡ白化处理结果　Ｆｉｇ．１　Ｓｈａｐｅ　ｐｉｃｔｕｒｅｓ　ａｎｄ　ｐｒｏｃｅｓｓｉｎｇ　ｒｅｓｕｌｔｓ　ｂｙ　ＰＣＡ　ｗｈｉｔｅｎｉｎｇ　第１期　刘富，等：采用独立分量分析Ｚｅｒｎｉｋｅ矩的遥感图像飞机目标识别　・５３・　２）采用快速独立分量分析算法（ＦａｓｔＩＣＡ）　］，　求得矩阵Ｑ．这里如果假设’ｙｈ为标准型，根据求得　的矩阵Ｑ可将ｙ　转化为＇ｙ　．同理可知任意具有仿　射变换关系的图形均可由ＩＣＡ转化为统一的标准　形式．　假设信号源含有２个独立分量，有２个观测信　号的独立分量分析模式为　Ｘ［ｋ］＝Ｍ・ｆ［ｋ］．　：　三　ｙ、。。，　ｌ２Ｊ＞Ｊ　１Ｊ；　其他．　这样就能确保　是具有仿射关系的图形的标　准形式．图２中（ａＩ）、（ｂ１）和（ｃ１）是具有仿射关系　的图像，（ａ２）、（ｂ２）和（ｃ２）是经过ＩＣＡ处理后的图　像，（ａ３）、（ｂ３）和（ｃ３）是经过三阶中心矩旋转之后　的图像．可以看到经过ＩＣＡ处理和高阶矩旋转后的　图形具有一致的标准形式．　式中：　ｋ］＝［ｉ　［ｋ］ｉ　［ｋ］ｒ表示是２个独立信号　源的矢量表示形式；　［ｋ］＝［Ｘ　［ｋ］Ｘ　［ｋ］ｒ是２个　观测信号的矢量表示形式；　是索引数据；Ｍ是一个　２×２的混合矩阵．如果观测信号　［ｋ］已知，就可以　通过ＩＣＡ算法计算出２个独立状态分量ｆ　［　］、　ｉ　［ｋ］．如果观测信号Ｘ　［ｋ］、Ｘ　［ｋ］是待识别目标形　状区域坐标，而　［ｋ］和　：［ｋ］是与目标形状有仿射　变换关系的坐标，通过公式，有　『ｋ］：　．ｆ『ｋ］．　（４）　式中：　是一个由Ａ和　构成的新的混合矩阵，对　于式（４）通过ＩＣＡ能够得相同的独立分量ｉ［ｋ］＝　［ｆ　［　］ｆ　［　］ｒ，无论是Ｘ还是　的独立分量都是相　同的．将计算出的独立分量ｆ　［ｋ］和　［ｋ］作为目标　形状标准形式的像素坐标，得到新的目标标准形状　，即上文中的　．　从图２可以看到具有仿射关系的图形经过独立　分量分析处理后得到的图像之间有旋转，采用三阶　中心距将经过ＩＣＡ处理后的形状坐标转化到一致　Ａ㈤Ｖ㈦的标准形式　ｌ　．计算公式如下：　＝　式中：　是经过ＩＣＡ处理后的图形像素坐标；ｖ㈦Ｖ㈦Ｖ　　是　经过三阶中心距转化后的目标标准形式．定义三阶　中心距１１，】Ｉ２、“２．１为：　１．２＝，ｎｌ２—２　玎Ｌ１１一ｏｔｍｏ２＋２卢　玎｝１ｏ；　Ｈ２．１＝ｍ２Ｉ一２ａｍ１１一卢ｍ２０＋２ａ　ｍ０１．　式中：ｍ。。是目标形状的二维矩，定义为　１　Ｎ　－Ｉ。口　ｍｐｑ　：ｙ　；　＝　＝ｍ——ｏｏ　，　——，　。　ｍｏ０　和　即是给定目标形状的重心坐标值．因为采用　的是ＦａｓｔＩＣＡ算法，ＩＣＡ处理过程是从初始矩阵　Ｑ（０）开始的，由于Ｑ（０）的不确定性使得ｌ，。　可能　存在关于直线Ｙ＝　对称的２种可能，利用三阶中心　矩的性质执行以下操作：　图２Ｆｉｇ．２　Ｓｈａｐｅ　ｐｉ　形状图片和经过ＩＣＡ处理的标准型　ｃｔｕｒｅｓ　ａｎｄ　ｎｏｒｍａｌｉｚｅｄ　ｒｅｓｕｌｔｓ　ｂｙ　ＩＣＡ　３　基于标准化形状的不变矩特征提取　Ｚｅｍｉｋｅ矩特征具有旋转不变性等特征，目前已　在目标识别领域中得到较为广泛的研究应用¨　．　Ｚｅｒｎｉｋｅ多项式是｛（　（　，Ｙ）｝＝Ｒ　（ｒ）ｅ　，其中尺　是实值径向多项式设．设＿厂（　，Ｙ）是图像亮度函数，　阶的Ｚｅｒｎｉｋｅ矩定义为　ｚ　＝　ｎ　２３３［　（　，ｙ）］Ｅｆ（　，ｙ）］ｄｘｄｙ．　＋ｖ２≤１　Ｚｅｍｉｋｅ矩具有旋转不变性、对噪声的健壮性、　没有信息冗余和表示方法有效等优点．这里提取标　准形式的前３６个Ｚｅｒｎｉｋｅ矩作为特征向量进行识　别．图３中（ａ）、（ｂ）和（Ｃ）是对图２中标准形式　（ａ３）、（ｂ３）和（ｃ３）提取的Ｚｅｒｎｉｋｅ矩．实验结果表明　经过ＩＣＡ标准化后，得到具有仿射关系的图形的　Ｚｅｒｎｉｋｅ矩非常相似，可以大大减少仿射变换对识别　的影响．　・５４・　智能系统学报　第６卷　６　５　４　３　２　１　０　０　Ｏ　图３标准型提取的Ｚｅｒｎｉｋｅ不变矩　Ｆｉｇ．３　Ｚｅｒｎｉｋｅ　ｉｎｖａｒｉａｎｔ　ｍｏｍｅｎｔｓ　ｅｘｔｒａｃｔｉｏｎ　ｂａｓｅｄ　Ｏｎ　ｎｏｒｍａｌｉｚｅｄ　ｍｏｄｅｌ　４实验结果及分析　４．１实验１　实验采用基于图像特征的匹配方法对飞机目标　进行识别．实验共采用了８０幅卫星图像数据，对　１８０个飞机目标进行识别，所用数据为ＱｕｉｃｋＢｉｒｄ卫　星图像，图像分辨率为０．６４　ｍ．飞机形状提取采用　的方法是改进区域分割方法¨引，使用快速ＩＣＡ算法　完成目标形状的标准化，采用最小欧氏距离准则的　特征匹配实现分类．　图４和图５是含有相同型号飞机的不同卫星遥　感图片处理结果，图６是含有不同型号飞机的卫星　图片处理结果．图４（ｂ）、图５（ｂ）和图６（ｂ）分别是　飞机目标形状经过ＩＣＡ处理后的标准形式；图４　（ｃ）、图５（ｃ）和图６（ｃ）是对标准形式图像提取的　Ｚｅｒｎｉｋｅ不变矩特征．　ｆａ）某型号　机遥感罔像　１Ｏ　２Ｏ　３０　４０　（ｂ）标准化结果　ｆｃ）提取的Ｚｅｍｉｋｅ矩　图４实验结果１　Ｆｉｇ．４　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　１　机　图５实验结果２　Ｆｉｇ．５　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　２　（ａ）不同型号毪机遥感图像　一～　㈣标准化结果　（ｃ）提取的Ｚｅｍｉｋｅ矩　图６实验结果３　Ｆｉｇ・６　Ｔｈｅ　ｒｅｓｕｌｔ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　３　实验结果分析：可以看到在不同遥感图像中的　同一型号飞机的ＩＣＡ标准形式相似，同一类型飞机　的Ｚｅｒｎｉｋｅ矩几乎相同的；同时也可以看到不同型号　飞机的Ｚｅｒｎｉｋｅ矩有明显不同，提取的特征具有良好　的可分性．本实验正确识别飞机１７４个，识别率为　９６．７％，实验结果表明本方法是一种有效的遥感图　像飞机目标识别算法．　４．２实验２　本实验的图片是从卫星图片中分割出的５种型　号飞机的形状，如图７．对飞机形状进行仿射变换，　分别取仿射变换的参数：０∈｛０。，３０。，６０。，１０８。｝、　（ｓ　＝Ｓ　＝１）、（Ｓ　＝Ｓ　＝２）、（ｓ　＝１，５　＝２）、　∈｛０，　第ｌ期　刘富，等：采用独立分量分析Ｚｅｒｎｉｋｅ矩的遥感图像飞机目标识别　．５５．　０．２５，０．５，０．７５｝，每种飞机得到４８种经过尺度变换　和角度变换的测试样本图像，共得到２４０幅测试样　５　结束语　本图像．　图７从卫星图片中分割出的５种型号飞机形状　Ｆｉｇ．７　Ｔｈｅ　５　ｋｉｎｄｓ　ｏｆ　ｐｌａｎｅ　ｃｏｎｔｏｕｒ　ｄｉｖｉｄｅｄ　ｆｒｏｍ　ｓｅｎｓ－　ｉｎｇ　ｉｍａｇｅｓ　图８为遥感图像飞机形状仿射变化结果，（ａ）　的变换参数为０＝０。，Ｓ　＝Ｓ　＝ｌ，ＯＬ＝０；（ｂ）的变换参　数为０＝３０。，ｓ　一　＝１，Ｏ／＝０．２５；（Ｃ）的变换参数为　０＝６０。，Ｓ　＝Ｓ　＝２，　＝０．７５；（ｄ）的变换参数为０＝　１０８。，ｓ　＝ｓ　＝２，ＯＬ＝０．５；（ｅ）的变换参数为０＝　１０８。，Ｓ　＝１，　＝２；　＝０．　口圜囵　口　ｒａ）　（ｂ）　（Ｃ）　（ｄ）　（ｅ）　图８　飞机形状仿射变换结果　Ｆｉｇ．８　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ａｆｉｆｎｅ　ｔｒａｎｓｆｏｒｍ　分别使用本文提出的基于ＩＣＡＺｅｒｎｉｋｅ不变矩、　Ｚｅｒｎｉｋｅ不变矩”　、ＩＣＡ不变矩　和仿射不变矩　。　作为特征向量，设计神经网络分类器进行识别，验证　各种方法的分类效果，识别结果如表１所示．　表１实验结果　Ｔａｂｌｅ　１　Ｔｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｅｘｐｅｒｉｍｅｎｔ　％　实验结果分析：通过实验可以看到１ＣＡＺｅｒｎｉｋｅ　矩比其他不变矩表现好，经典Ｚｅｒｎｉｋｅ矩对图像尺度　变化和旋转是不变的，但无法消除扭曲对图像的影　响．本文算法相对于经典Ｚｅｍｉｋｅ矩利用ＩＣＡ标准　化消除了仿射变换关系图像中尺度变换和图像扭曲　的影响，所以分类效果好．　我们也可以看到本文算法识别率高于ＩＣＡ不　变矩，这是因为在提取ＩＣＡ不变矩时，提取的是待　识别图像在全部独立分量为基向量的特征空间中的　投影系数，将投影系数作为目标识别的特征量，这就　使得这种方法易受到噪声的干扰．而在本文提出的　算法中，使用的是前３６个Ｚｅｒｎｉｋｅ矩，从而消除了高　阶噪声的影响．实验结果表明ＩＣＡＺｅｒｎｉｋｅ矩优于其　他不变矩．　本文提出了一种采用独立分量分析Ｚｅｒｎｉｋｅ矩　的飞机目标识别方法，该方法基于目标分割，对目标　区域进行独立分量分析处理并利用高阶中心矩将目　标形状转换成标准形式，提取Ｚｅｒｎｉｋｅ不变矩作为特　征向量进行飞机目标识别．实验结果证明，该方法性　能鲁棒、抗干扰性能好、识别率高，能够准确识别高　分辨率遥感图像中的飞机目标．随着遥感技术的不　断发展，遥感图像分辨率越来越高，能够获得更准　确、更完善的飞机轮廓，提出的方法将具有更高的实　际应用价值．下一步的工作是利用本文方法运算速　度快、准确率高的特点，将算法应用于实时遥感图像　的飞机目标自动识别，也可扩展到其他目标的自动　识别．　参考文献：　［１］安玮，李宏，徐晖，等．模式识别巾的透射变换与仿射变　换［Ｊ］．系统工程与电子技术，１９９９，２１（１）：５７—６２．　ＡＮ　Ｗｅｉ，ＬＩ　Ｈｏｎｇ，ＸＵ　Ｈｕｉ，ｅｔ　ａ１．Ｐｒｏｊｅｃｔｉｖｅ　ｔａｎｓｆｏｒｍａｔｉｏｎ　ａｎｄ　ａｆｉｎｅ　ｔａｎｓｔｂｒｍａｔｉｏｎ　ｉｎ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．Ｓｙｓｔｅｍｓ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃｓ，１９９９，２１（１）：５７－６２．　［２］ＺＵＬＩＡＮＩ　Ｍ，ＢＨＡＧＡＶＡＴＨＹ　Ｓ，ＭＡＮＪＵＮＡＴＨ　Ｓ．Ａｆｉｆｎｅ—　ｉｎｖａｒｉａｎｔ　ｅｕｒｖｅ　ｍａｔｃｈｉｎｇ［Ｃ］／／ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒ—　ｅｎｃｅ　ｏｎ　Ｉｍａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ．Ｓｉｎｇａｐｏｒｅ，２００４，５：３０４１—　３０４４．　［３］ＡＶＲＩＴＲＩＳ　Ｙ，ＸＩＲＯＵＨＡＫＩＳ　Ｙ，ＫＯＩ　Ｉ　Ｉ　ＡＳ　Ｓ．Ａｆｆｉｎｅ—ｉｎｖａｒ—　ｉａｎｔ　ｃｕｒｖｅ　ｎｏｒｍａｌｉｚａｔｉｏｎ　ｆ０ｒ　ｏｂｊｅｃｔ　ｓｈａｐｅ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ．　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ａｎｄ　ｒｅｔｒｉｅｖａｌ＿Ｊ］．Ｍａｃｈｉｎｅ　Ｖｉｓｉｏｎ　ａｎｄ　Ａｐｐｌｉ—　ｃａｔｉｏｎｓ，２００１，１３（２）：８０－９４．　［４］ＷＯＬＯＶＩＣＨ　Ｗ　Ａ，ＵＮＥＩ　Ｍ．Ｔｈｅ　ｄｅｔｅｒｍｉｎａｔｉｏｎ　ｏｆ　ｉｍｐｌｉｃｉｔ　ｐｏｌｙｎｏｍｉａｌ　ｃａｎｏｎｉｃａｌ　ｃｎｌ３／ｅｓ　ｌ　Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔ—　ｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１　９９８，２０（１　０）：　１０８０—１　０９０．　［５］ＬＥＥ　Ｔ　Ｗ．Ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｎｌｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ　ｔｈｅｏｒｙ　ａｎｄ　ａｐ—　ｐｌｉｃａｔｉｏｎｓ［Ｍ］．Ｂｏｓｔｏｎ，ＵＳＡ：Ｋｌｕｗｅｒ　Ａｃａｄｅｍｉｃ　Ｐｕｂｌｉｓｈ—　ｅｐｓ，１９９８：８７—１０９．　［６］ＬＥＥ　Ｊ　Ｊ，ＵＤＤＩＮ　Ｍ　Ｚ，ＫＩＭ　Ｔ　Ｓ．Ｓｐａｔｉｏｔｅｍｐｏｒａｌ　ｈｕｍａｎ　ｆａ—　ｃｉａｌ　ｅｘｐｒｅｓｓｉｏｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｕｓｉｎｇ　ｆｉｓｈｅｒ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏ—　ｎｅｎｔ　ａｎａｌｙｓｉｓ　ａｎｄ　ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　ｍｏｄｅｌ［Ｃ］／／Ｔｈｅ　３０ｔｈ　Ａｎ—　ｎｕａ］Ｉｎｔｅｒｎａｔｉｏｎａｌ　１ＥＥＥ　ＥＭＢＳ　Ｃｏｎｆｅｒｅｎｃｅ．Ｖａｎｃｏｕｖｅｒ，　Ｃａｎａｄａ。２００８：２５４６—２５４９．　［７］ＬＩ　Ｙｕｎｘｉａ，ＦＡＮ　Ｃｈａｎｇｙｕａｎ．Ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂｙ　ｎｏｎｎｅｇａ—　ｔｉｖｅ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ［Ｃ］／／２００９　Ｆｉｆｔｈ　Ｉｎｔｅｒ－　ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｎａｔｕｒａｌ　Ｃｏｍｐｕｔａｔｉｏｎ．＿ｒｉａｎｊｉｎ．Ｃｈｉ—　ｎａ，２００９，２：５５５—５５８．　［８］ＦＵＫＵＮＡＧＡ　Ｋ．Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　ｓｔａｔｉｓｔｉｃａｌ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉ—　ｔｉｏｎ［Ｍ］．２ｎｄ　ｅｄ．Ｓａｎ　Ｄｉｅｇｏ，ＵＳＡ：Ａ（：ａｄｅｍｉｃ　Ｐｒｅｓｓ，　・５６・　１９９０：４１７－４２５．　智能系统学报　第６卷　Ｊｏｕｒｎａｌ　ｏｆ　Ｉｎｎｅｒ　Ｍｏｎｇｏｌｉａ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，２００９，　［９］ＨＹＶＲＩＮＥＮ　Ａ．Ｆａｓｔ　ａｎｄ　ｒｏｂｕｓｔ　ｆｉｘｅｄ—ｐｏｉｎｔ　ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　ｉｎｄｅｐｅｎｄｅｎｔ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，１９９９，１０（３）：６２６－６３４．　３０（２）：２２２—２２５．　作者简介：　刘富，男，１９６８年生，教授、博士生　导师，主要研究方向为计算机视觉、模　式识别等．承担国家“８６３”计划项目等　［１Ｏ］王晓红，赵荣椿．矩技术在计算机图像学中的应用综述　［Ｊ］．中国体视学与图像分析，２００２，７（１）：５３－５７．　ＷＡＮＧ　Ｘｉａｏｈｏｎｇ，ＺＨＡＯ　Ｒｏｎｇｃｈｕｎ．Ｍｏｍｅｎｔ　ｔｅｃｈｎｉｑｕｅ　３０余项，获得发明专利２项，发表学术　论文４０余篇．　ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　ｃｏｍｐｕｔｅｒ　ｉｍａｇｅ　ｓｃｉｅｎｃｅ：ａ　ｒｅｖｉｅｗ［Ｊ］．Ｃｈｉ—　ｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｔｅｒｅｏｌｏｇｙ　ａｎｄ　Ｉｍａｇｅ　Ａｎａｌｙｓｉｓ，２００２，７　（１）：５３－５７．　［１　１］ＫＨＯＴＡＮＺＡＤ　Ａ，ＨＯＮＧ　Ｙ　Ｈ．Ｉｎｖａｒｉａｎｔ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂｙ　Ｚｅｒｎｉｋｅ　ｍｏｍｅｎｔｓ『Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｐａｔｔｅｒｎ　Ａ—　于鹏，男，１９７８年生，硕士研究生，主　要研究方向为计算机视觉、模式识别．　ｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９０，１２（５）：４８９－４９７．　［１２］郑楠．遥感图像中飞机目标的识别分类算法研究［Ｄ］．　长春：吉林大学电子科学与工程学院，２００７．　ＺＨＥＮＧ　Ｎａｎ．Ａｌｇｏｒｉｔｈｍ　ｒｅｓｅａｒｃｈ　ｆｏｒ　ａｉｒｃｒａｆｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｉｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ［Ｄ］．Ｃｈａｎｇ—　ｃｈｕｎ：Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉｌｉｎ　Ｕｎｉｖｅｒｓｉｔｙ，２００７．　刘坤，男，１９８５年生，硕士研究生，主　要研究方向为计算机视觉、模式识别．　［１３］郝敏，麻硕士，侯振杰．Ｚｅｒｎｉｋｅ矩的不变性与计算实现　［Ｊ］．内蒙古农业大学学报，２００９，３０（２）：２２２—２２５．　ＨＡ０　Ｍｉｎ，ＭＡ　Ｓｈｕｏｓｈｉ，ＨＯＵ　Ｚｈｅｎｊｉｅ．Ｉｎｖａｒａｎｃｅ　ａｎａｌｙｓｉｓ　ａｎｄ　ｃｏｍｐｕｔａｔｉｏｎ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　Ｚｅｒｎｉｋｅ　ｍｏｍｅｎｔｓ［Ｊ］．　■■■　２０１１中国智能（产业）博览会　２０１　１．９．１６一ｌ８北京全国农业展览馆　Ｃｈｉｎａ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｉｎｄｕｓｔｒｉｅｓ　Ｅｘｐｏ　２０　１　１　为贯彻落实温家宝总理提出“感知中国”的科技纲领，推进国家“十二五”建设的新举措，激发广大科技工作　者投身建设创新型国家的积极性和创造热情，进一步推动智能科学技术担当起信息化向智能化高端发展进程中　的历史重任，欣逢纪念中国人工智能学会成立３０周年和世界人工智能科学诞生５５周年，经中国科学技术协会批　准，得到国家科学技术部、工业和信息化部、教育部、住房和城乡建设部、中国科学院、中国工程院、国家自然科学　基金委员会悉心指导，由中国人工智能学会主办，中国电子学会、中国计算机学会、中国通信学会、中国自动化学　会、中国系统仿真学会、中国仪器仪表学会、中国图象图形学学会、中国中文信息学会、中国计算机用户协会支持　合作，北京东方炬峰展览有限公司承办的“首届中国智能博览会”（简称智博会）将于２０１１年９月１６—１８日在北　京全国农业展览馆盛大开幕．届时，本届“智博会”组委会将诚邀科技、教育、农业、机械、轻工、通信、电力、交通、建　筑、金融、卫生、安全、国防等专业领域的政府官员、专家学者、国际友人和企业精英参会，共同见证与分享“智能体　验・智慧生活”的核心主题．　本届智博会将秉承和弘扬理解、交流、创新与合作的智博理念，向社会各界传达智能科技和智慧生活的最新　信息，展现丰富多彩的智能新型能源、创新成果、新兴产业以及智慧生活体验，搭建智能产业与科技民生的桥梁，　激发广大热爱智能科学技术的有志之士相互交流，以及实现更美好生活的强烈愿望，深入探讨智能化进程中的多　元时代现象，广泛推进学术、科技、工程、产业以及资本合作的多边共赢之路，关注全球重大问题给国际社会和科　技民生带来的挑战和影响，共同展望物联网、云计算、智能电网、智能交通、智能通信、智能计算机、智能机器人、智　能建筑等智能化领域的美好未来．　网址：ｗｗｗ．ｃｉｉｉｅ．ｃｏｎ．ｃｎ．