基于知識圖譜的目標識別模型

王海晏，江 濤，王 芳，鄧世杰

(空軍工程大學，陜西 西安 710038)

0 引言

高光譜成像技術是建立在成像光譜學基礎上的全新的綜合性遙感技術，其集光譜分光技術、光電轉換技術、探測器技術、光學成像技術于一體[1]。其利用成像光譜儀納米級的光譜分辨率，在幾十或幾百個波段同時對地表地物成像，能夠實現地物空間信息、輻射信息、光譜信息的同步獲取，因而在資源勘察，災害檢測，海洋、陸地科學研究，軍事探測等方面有巨大的應用價值和發展前景。

自光譜成像技術出現以來，目標探測已經發展了許多年。從光譜維的角度出發發展出了約束能量最小化算法(constrained energy minimizatio，CEM)，自動色彩均衡算法(automatic color equalization，ACE)，恒虛警檢測算法(reed-xiao detector，RXD)，光譜角匹配算法(spectral angle mapper，SAM)，光譜相關系數映射算法(spectral correlation coefficient mapping，SCM)，光譜信息散度算法(spectral information divergence，SID)[2-4]等第一代探測算法，這些算法奠定了目標探測的主基調，利用信號處理原理，從光譜角度出發通過對背景信號的抑制從而突出目標信號實現目標探測。

在發展過程中又出現了一個新的分支——結合空間信息的探測算法。雖然高光譜空間分辨率受到了限制，但是空間信息還是有可挖掘之處。文獻[5]從4個方面論述了空間輔助信息對高光譜遙感數據分析的輔助作用。文獻[6]研究了鄰域信息對待測中心像元的影響，在圖像稀疏特性的基礎上將像元的鄰域信息應用到分類中，提出了WJSRC算法。文獻[7]將光譜維和空間維結合成SAM_SURF算法，其中光譜特征識別所用的算法是SAM，空間特征識別所用的算法是SURF，最后顯示空譜聯合識別結果。

對空間信息的利用從本質上看也是利用多角度信息減小不確定性，于是考慮將人的先驗知識用知識圖譜的方式在識別過程中加以利用。文獻[8]在雷達目標識別應用領域，為提升雷達目標識別精度，構建了一種基于目標特性知識圖譜，主要描述面向雷達目標識別領域的行業知識圖譜技術。文獻[9]提出了以知識為中心的地物目標識別，這個框架能夠更好地利用知識,能夠在不同的算法中最大程度地實現知識共享。

雖然利用先驗知識進行目標識別已經有了一定的發展，但是在高光譜目標識別中，依然沒有具體模型，因此本文針對知識圖譜對高光譜數據進行目標識別存在的問題，提出一種基于融合光譜、空間和人先驗知識的識別模型。

1 知識圖譜

1.1 目標屬性

由人的視覺處理系統可以知道，僅從視覺角度可以通過物體的顏色、形狀輪廓、運動和深度等信息再結合主觀經驗進行目標識別。而基于人的主觀經驗識別出的目標特征是指人在實踐過程中，逐步抽象出來的更高級的物體的屬性。以飛機目標為例，屬性主要包含外形輪廓、顏色、運動等。此外在高光譜圖像中，數據是一個三維立方體，包含了二維平面信息和第三維光譜信息，因此屬性中還應當包含光譜維信息。

1.2 關聯關系

要理解關聯關系，首先看人對目標的識別過程。圖1是普通高光譜圖像的目標，數據是ABU數據集中Urban中的一幅圖像，目標是船只，由美國的機載可視紅外成像光譜儀(AVIRIS)所拍攝。

圖1 示例圖像Fig.1 Example image

僅根據圖1(a)很難對圖中的目標做出判斷，然而對照圖1(b)則能夠知道圖像中可能是船，或者說在人的大腦認知中認為是船的概率比較高。這和大腦中存儲的知識有關，進一步說就是利用了知識之間的關聯性。人們的認知就是船是在水里的，于是問題可以變成對水體的尋找，水和船變成了關聯較大的一組概念，在高光譜圖像空間維中往往蘊含豐富的信息，如果能充分利用其中信息，再結合人的主觀經驗，使得最終決策更高效。

關聯關系包括目標與目標之間以及目標與地區之間的主要關聯關系類型等。這個關聯過程主要通過圖連接來實現，如果實體之間存在直接連接，則說明其關聯關系緊密，反之則不然。例如在不同飛機目標之間、飛機和跑道、飛機和航站樓、飛機和停機坪存在關聯關系。

2 目標屬性計算方法

2.1 形狀輪廓

為了尋找邊緣，在數字圖像處理中，使用梯度的概念來完成。一幅圖像f在位置(x,y)處的梯度用?f來表示，?f表達式為

(1)

式(1)中，?f是一個向量，大小用M(x,y)表示，其值為

(2)

例如Sobel、Canny等檢測算子都是在此基礎上發展起來的。

Sobel算子是一種用于邊緣檢測的離散微分算子，它結合了高斯平滑和微分求導。該算子用于計算圖像明暗程度近似值，根據圖像邊緣旁邊明暗程度把該區域內超過某個數的特定點記為邊緣。其在x和y方向上的梯度計算方法為

(3)

(4)

對外形輪廓進行模板匹配時，有以下幾點要求或問題：1) 匹配算法要簡單，準確率要較高。由于還有其他識別步驟，該過程使用復雜的算法，會降低整個識別過程的實時性。2) 匹配過程不能受目標位置平移的影響。由于目標在圖像中的位置未知，因此要求匹配算法不能對目標位置變化敏感。3) 匹配過程需要減小分辨率不對應造成的影響。實際運用中大部分圖像都可能是異源圖像，在匹配過程中要求算法能在不同分辨率之間圖像進行匹配。4) 算法還需要解決目標旋轉問題。目標具有顯著的輪廓特征，那么隨著目標的旋轉，算法結果差異很大，也會造成最終漏判誤判。針對以上要求及問題，設計了一種模板匹配算法——特征點匹配算法(feature point matching algorithm)。

步驟1 求得目標區域和模板圖像的中心，設(x,y)為非零像元坐標，則其中心(x0,y0)計算公式為

(5)

步驟2 選定特征點位置。以中心(x0,y0)作為坐標原點，在坐標軸上C2距離處分別取4個特征點。設特征點坐標為(xti,yti)，則

(xti,yti)∈{(x0-C2,y0),(x0,y0-C2),
(x0+C2,y0),(x0,y0+C2)}，

(6)

式(6)中，C2=min{x0,y0,b}，b為設定的距離常數。

步驟3 以特征點為基礎，計算非零像元與特征點之間的歐式距離和。設特征點(xti,yti)對應的特征值為ti，則

(7)

步驟4 4個特征值組成目標圖像特征向量Ttar= (t1,t2,t3,t4)，利用上述過程同樣可以獲得模板圖像的特征向量Tsam，設兩個向量之間的相似度為S，則

(8)

根據cos-1函數值的特點S距離越接近0，表示目標和模板越相似。

2.2 光譜匹配

光譜角匹配是一種基本的目標識別算法，它通過計算光譜向量之間的夾角來衡量待識別像素光譜與已知目標光譜之間的相似程度，從而進行判定該像素是否包含目標。其數學表達式為

(9)

式(9)中，X是像元向量，Y是目標向量。Dsam值越接近0則兩個光譜向量越相似。

3 實驗仿真分析

3.1 光譜和外形輪廓

實驗數據是美國加州圣地亞哥North Island海軍機場高光譜圖像，由AVIRIS機載成像光譜儀拍攝。原始圖像大小為 100 × 100，空間分辨率為3.5 m。在人們認知中對飛機最敏感的是其外形輪廓，因此利用光譜和外形輪廓屬性進行識別。圖像模板如圖2所示。

首先利用光譜角匹配方法(spectral angle mapper, SAM)利用參考光譜(參考光譜用目標像元平均值代替)進行匹配，然后對匹配結果利用輪廓識別進行背景剔除，以10×10大小窗口進行識別，在圖中會出現5個待識別目標，如圖3所示。

圖2 圖像模板Fig.2 Image template

圖3 待識別目標Fig.3 Target to be identified

以圖2中模板為基礎對圖3中目標和背景進行識別，設置C1=2，由式(5)—(7)可得各圖像的中心和特征向量，模板 0、目標1和背景1的中心和特征向量如表1所示。

表1 圖像中心和特征向量Tab.1 Image center and feature vector

由式(8)得目標1和模板0的相似度為0.200，背景1和模板0的相似度為0.397，同理可得各目標、背景圖像和模板圖像的匹配結果如表2。

表2 C1=2模板匹配結果Tab.2 Template matching results when C1=2

從表2中可以看出目標與模板相似度值明顯低于背景與模板的相似度，從而很容易將目標和模板分開。同時在目標與模板中的最小值總出現在模板7附近，可以判斷目標與模板7最為接近。從圖3中目標輪廓可以看出匹配結果與實際情況相符。為了更直觀體現以表2數據為基礎，畫出目標相似度雷達圖如圖4。

圖4 相似度雷達圖Fig.4 Similarity radar image

由圖4可以看出目標1,2,3在模板7附近雷達圖明顯有內凹的趨勢，說明目標輪廓與模板7附近最為相似，可以判斷目標朝向與模板7朝向相似。驗證了提出的特征點匹配方法對物體識別的有效性以及對方位判別的能力。最終識別檢測概率和虛警率如表3所示，其中檢測概率和虛警率分別為

Pd=Nt/St，

Pf=Nb/Sb，

(10)

式(10)中，Nt為正確像元數；St為目標像元數；Nb為錯誤識別像元數；Sb為背景像元總數，如圖3(a) 所示，Sb=100×100。

表3 檢測概率和虛警率Tab.3 Detection probability and false alarm rate

由此可知輪廓識別后可以在相同檢測概率的條件下，有效降低其虛警率，保證目標識別的準確性。

3.2 光譜和地物關聯關系

利用圖1中的ABU數據集，目標是要尋找船只，通過知識圖譜之間的關聯關系可以知道，船只和水體的關聯程度較高，因此轉而尋找水體。由于水體的光譜特征比較顯著因此可在圖中優先識別水體，以水的光譜作為匹配光譜識別圖中水體區域，在水體區域內再進行二次識別，結果如圖5所示。

由圖5(b)、(c)可以看出通過水體識別的方式能夠有效減少水體之外的地物的干擾，提高識別的準確率。圖5(d)是ROC曲線，其橫軸表示虛警概率，其縱軸表示檢測概率，根據不同門限值可以得到一組虛警和檢測概率的坐標，進而畫出接收機特性曲線(ROC)[10-11]。從曲線的分布可以看出，基于關聯關系的方法其ROC曲線始終在光譜角匹配識別的曲線上方，說明在同樣虛警率的情況下，基于關聯關系的方法檢測率更高，或者說在同樣檢測概率的情況下，基于關聯關系方法的虛警率更低。進而說明了基于知識圖譜方法對提高檢測效率的有效性。

圖5 識別效果Fig.5 Recognition effect

4 結論

本文在充分考慮人的先驗知識、空間信息和光譜信息的基礎上，引入知識圖譜作為識別框架，充分利用形狀輪廓以及地物之間關聯關系等信息，結合光譜匹配的方法進行地物識別，在測試數據集上表現良好，能有效區分地物輪廓并提高檢測效率，表明該方法具有一定的可實踐性。在后續的研究中將擴展目標屬性，構建更加全面的知識圖譜和光譜庫以適應更廣泛、更復雜的地物。