【正文】 配得到的，這是尋找一組兩個輪廓之間的對應關系。 Belongie 等人所用的框架組合 SC 和薄板樣條 [15]，并表明它對于形狀匹配的任務是非常有效的。 Thayananthan 等人 [16]提出了一個 SC 匹配包括形狀連續(xù)性約束的高效動態(tài)規(guī)劃方案。我們的方 法包括通過假定輪廓點是有序的，并使用動態(tài)編程在輪廓采樣點相匹配的 SC 類似的約束。 設 p 和 q 是在兩個不同的輪廓上的兩個點，以及它們的 SCs 分別對應 pH 與 qH 。兩個點的相似度定義為他們描述符之間的距離。兩個直方圖之間的距離用 [15]中 2? 統(tǒng)計量定義 ?? ???? Kk qpqpqp khkh khkhhhqpdi s t122)()( )]()([21),(),( ? (3) 其中 K 是 SC 中 bin 的數(shù)目。 )(KHp 和 )(KHq 分別是歸一化的形狀描述符的點p 和 q 。 圖 4 區(qū)域?qū)Φ目臻g關系 (a) 不鄰接 (b) 接壤 （ c）相交 （ d）包圍 本科畢業(yè)設計論文 5 給定兩個輪廓 P 和 Q ,例如 },1,{ pi NipP ???? 和 },1,{ qj NjqQ ???? 它們之間 的匹配成本矩陣被表示為 ???????????????),(),(),(),(),(),(),(),(),(),(212221212111NqNpNpNpNqNqqpd i s tqpd i s tqpd i s tqpd i s tqpd i s tqpd i s tqpd i s tqpd i s tqpd i s tQPDi s t??????? (4) 匹配的成本可以被用來測量 [17]被用于該匹配的段 P 和 Q 。模板動態(tài)規(guī)劃之間的相似性，以及動態(tài)規(guī)劃表等于匹配成本矩陣區(qū)（ P ， Q ）。動態(tài)規(guī)劃程序運行在 )( 3nO 時間。在實踐中，我們每個輪廓在使用 100點。該段選擇需要大約 秒的標準個人電腦的英特爾酷睿 i5，在 GHz 的 2 GB 的 RAM 運行。 三 數(shù)值模擬分析空間關系 在圖像進行分割后，并在目標區(qū)域的種子確定后，在我們的方法中的下一步驟是空間關系的建模。區(qū)域?qū)Φ目臻g關系可以被定義為上下文類 [18]。根據(jù) 他們的相對位置，對應類會員是用 c? 和 c∈ {Dis,Bor, Int, Sur}分離 ,接壤 ,交叉 ,分別和包圍。 由索伊等人的作品啟發(fā)。在視覺領域 [19]語法，對區(qū)域的空間關系被定義為關系類，和 c? 表示的程度的值 區(qū)域?qū)?jīng)典。這些關系示于圖 4圖像中的所有區(qū)域之間的空間關系可以由區(qū)域關系矩陣來表示。一對地區(qū)，我們首先計算以下 : 1） 每個區(qū)域 i? 和 j? 領域 2） 兩個地區(qū)之間的公共區(qū)域 ij? 計算為共享像素的兩個地區(qū)之間的數(shù)字 3） 常見的面積與最小面積比 ),m in (/ jiijij ???? ? . ? ?nji ,1, ?? ,n 是區(qū)域的圖像中的數(shù)量。 對空間關系中，面積比 ij? 是用在下面梯形隸屬函數(shù)： 1） 不鄰接 ????? ?? o th e rw iseif ijijD is 001)(??? (5) 2） 接壤 ??????????????o the r w is eififijijijijB o r0)( ????? (6) 3） 相交 ???????????????ijijijijI n tififif????? (7) 本科畢業(yè)設計論文 6 4) 包圍 ????? ?? ???o th e r w is eififijijijSur0???? (8) 每個區(qū)域?qū)梢苑峙淠撤N程度的利用這些空間關系函數(shù)的空間關系。該功能和特定實例示于圖 5。 圖 5 （ a）隸屬函數(shù)對空間關系 (b) 示例在飛機 圖像空間關系 四 目標檢測 給定查詢圖像，分割是建立，并且目標候選區(qū)域，如第二節(jié) A 中所述獲得。然后，目標種子區(qū)域被確定與目標的參考模型相匹配的候選區(qū)域。匹配算法記錄在第二節(jié) C。 因為有缺乏空間上下文信息利用和背景干擾 ,種子區(qū)域塊通常不是整體目標和對象的某些部分，表示提取的目標缺失的部分是在第三部分圖像空間關系的描述。提取算法所示圖 1中的虛線框。 在漏件的提取過程中，我們通過一個標準函數(shù)選擇缺少的部分 ??? ?? s （ 9） 其中 ? 是根據(jù)空間關系的重量， s 是形狀相似，而 ? 表示閾值。準則函數(shù) λ的值與零進行比較。正值表示該塊是目標缺少的一部分。該閾值被初始化為種子區(qū)域的相似性，并如下文描 述的過程中進行調(diào)整。 假定 S 表示目標區(qū)域的種子和 R 表示的一組圖像塊。在接下來的兩個步驟之間的組合方案交替。 1） 搜索步驟：修復閾值 ? ，和搜索圖像塊按照標準函數(shù) R。對于每一個圖像塊，計算準則函數(shù)，其響應值。提取圖像 rtaeget，其反應是積極的。這個程序可以有效地利用動態(tài)規(guī)劃來實現(xiàn)。 本科畢業(yè)設計論文 7 2） 更新步驟：修正屬于該對象的圖像塊，它們組合在一起形成新的種子區(qū)域 S=S∪ rtarget 和 R=R?rtarget，并更新閾值 。當在搜索步驟得到不缺少的部分算法結(jié)束。這個目標塊選擇過程可以被證明收斂到局部最大輪廓的相似性 . 五 結(jié)果及評價 由于缺乏對高分辨率遙感影像的目標檢測標準數(shù)據(jù)集，我們評估 QuickBird衛(wèi)星影像的飛機探測所提出的方法。有 120張圖片約 200200像素到 600500像素的大小為 60厘米 /像素的分辨率。這些圖像包含既具有良好的對比度和雜亂的圖像的圖像，以及部分遮擋目標圖像。我們手動標記出現(xiàn)在所有測試圖像作為評價地面實況的地理空間目標。 為了定量的評價，讓面積（區(qū)域）是一個區(qū)域的面積 。然后，檢測被 標記為真陽性（ TP），如果區(qū)域（目標）同意標準的面積（地面實況） )a rg_( )a rg_( ??? etttr ut hgr ou ndA r e a etttr ut hgr ou ndA r e a (10) 每幅圖像的精度（ FPPI），用于檢測正面圖線分別示于圖 9和圖 10，其中精度 = TP /（ TP + FP） ，這是真陽性的所檢測的元素的總數(shù)量除以數(shù)和 FPPI= FP / NP，這是誤報由測試圖像的總數(shù)量除以數(shù)。 我們評估采用該方法對飛機的輪廓匹配的性能。圖 6表示出了在飛 機的輪廓實例圖像的一些匹配的結(jié)果。對于不同類型的飛行器的輪廓，該輪廓結(jié)果有較大的差異，以及匹配變得更具挑戰(zhàn)性。所提出的方法還提供了有希望的結(jié)果（參照圖 6的（ b）的例子）。 圖 6 飛機的輪廓匹配 （ a） 相似輪廓的匹配 (b) 不同的輪廓之間的匹配。注意的是，翼型件是否正確匹配。只有四分之一的配對都顯示為例證 圖 7表示出了如何檢測性能可以通過添加空間關系得到改善。我們觀察到，我們的方法可以達到很好的性能，甚至在某些困難的情況下，如在目標和陰影效果的外觀的可變性。缺少的部件，如機翼和尾部可以 使用 CBS 的模型來獲得。 圖 8顯示了一些目標檢測和分割效果。據(jù)觀察，我們的方法可以與旋轉(zhuǎn)的目標，通過復雜的背景包圍的目標，部分閉塞的目標，并且存在于圖像多目標處理。 本科畢業(yè)設計論文 8 圖 7 檢測結(jié)果 （ a）飛機的樣本圖像 (b) 沒有空間環(huán)境探測結(jié)果 (c) 檢測結(jié)果與空間情境模型 本科畢業(yè)設計論文 9 圖 8 我們的飛機準確檢測算法的結(jié)果，在第一和第三行包括一些示例圖像。在第二和第四行是所檢測的結(jié)果 為了評估 CBS 模型的可擴展性，當多個分割的 參數(shù)有所不同，我們比較了該方法的檢測性能，當 α和 β的值會有所不同。段系數(shù)的值是唯一的變量。結(jié)果歸納在表 I 中如可以看到的那樣， SC 顯著優(yōu)于矩不變量 [20]。比較清楚地顯示多個分割的優(yōu)勢。 該檢測試驗是為了憑經(jīng)驗確定輪廓的采樣數(shù)的效果也重復進行不同的設置。類似于前面的實驗中，輪廓的采樣數(shù)是唯一的變量。同時，在原則上，密集的取樣應給予更高的準確度，動態(tài)規(guī)劃的計算成本與輪廓的采樣數(shù)的平方成正比，因此更精細的采樣過于緩慢。 我們評價性能時輪廓的采樣數(shù)設定為 50， 100， 150，和 200，并將結(jié)果顯示在圖 9 中。 本科畢業(yè)設計論文 10 圖 9 檢測不同數(shù)量的采樣輪廓點時性能 一百點已被證明是足夠準確地代表了所有測試的輪廓，而較小的數(shù)目來執(zhí)行顯著惡化。在我們的實驗中，輪廓的采樣數(shù)設定為 100對檢測性能和計算成本之間進行權衡。 為了說明目標檢測空間關系對目標檢測的影響，我們還在有和不具有空間環(huán)境時測試了我們的方法。其結(jié)果示于圖 10，表明該檢測精度可以提高使用有和不具有空間環(huán)境。 本科畢業(yè)設計論文 11 圖 10 使用和不使用的空間環(huán)境檢測性能 六 總結(jié) 在這篇文章中，哥倫比亞廣播公司（ CBS）的模式已經(jīng)被提出來解決檢 測目前在地理空間目標中高分辨率遙感圖像準確性和自動性的問題。多重分割被用來產(chǎn)生候選目標區(qū)域。根據(jù)他們的相似的外形，種子區(qū)域被確定。為了獲得目標實例的缺失部分，空間關系被利用進來。我們用動態(tài)規(guī)劃效率來計算形狀的相似性，因為它利用輪廓點之間的訂購信息。飛機實驗為例演示目標的精度，魯棒性和所提出的方法的有效性。 該方法的主要限制是它不能處理用極端的視點改變（盡管它有一定的魯棒性）。這對于基于形狀的識別方法是共同的困境，并可以通過對不同的視點目標模型的集合建模的目標類克服。 CBS 的模式是一個捕捉目標的全球性特征的全球性的形狀模型。因此，所提出的方法可以用相對固定的形狀對目標的良好表現(xiàn)。一種同時考慮全局和局部形狀特征改進的形狀模型應該是我們今后的工作。 參考 [1] D. Tuia, F. Pacifici, M. Kanevski, and W. J. Emery, “Classification of very high spatial resolution imagery using mathematical morphology and support vector machines,” IEEE Geosci. Remote Sens.,vol. 47, no. 11, pp. 3866–3879, Nov. 2021. [2] R. Fergus, P. Perona, and A. Zisserman, “Object class recognition by nsupervised scaleinvariant learning,” in Proc. CVPR, Jun. 2021, vol. 2, pp. II164–II271. 本科畢業(yè)設計論文 12 [3] A. C. Berg, T. L. Berg, and J. Malik, “Shape matching and object recognition using low distortion correspondences,” in Proc. CVPR, Jun. 2021, vol. 1, pp. 26–33. [4] R. Fergus, P. Perona, and A. Zisserman, “A visual category filter for google images,” in Proc. ECCV, 2021, vol. 3021, pp. 242–256. [5] B