【正文】 論 1 1 2 3 5 5第2章 目標識別算法中不變矩基本原理 6 6 6 Hu矩原理 6 Hu矩計算方法 7 9 Zernike矩多項式 9 Zernike矩定義 10 Zernike矩計算方法 10第3章 圖像目標識別算法的實現(xiàn) 13 13 14 14 14 Hu矩算法的實現(xiàn) 18 Hu矩算法的流程設計 18 19 基于Hu矩不變性的識別 21 Zernike矩算法的實現(xiàn) 23 Zernike矩算法的流程設計 24 提取Zernike矩的特征向量 25 基于Zernike矩的識別方法 26第4章 目標識別結(jié)果及分析 29 Hu矩的實驗結(jié)果及分析 29 Zernike矩的實驗結(jié)果及分析 30 程序調(diào)試中遇到的問題與解決方案 31結(jié) 論 34社會經(jīng)濟效益分析 35參考文獻 36致 謝 38附錄Ⅰ計算Hu的7個不變矩程序清單 39附錄Ⅱ 提取Zernike矩的特征向量的程序清單 40附錄Ⅲ 飛機的部分姿態(tài)圖 41 第1章 緒 論目標識別技術是現(xiàn)代軍事信息技術研究的核心問題之一，它在軍事情報收集和監(jiān)控，武器制導等領域具有重要的理論和應用價值。隨著信息技術、電子技術、計算機技術等高新技術在航空領域的廣泛應用以及現(xiàn)代戰(zhàn)爭的需要， 圖像目標識別的應用范圍將得到不斷提高和擴展。計算機視覺技術的發(fā)展，尤其是模式識別的發(fā)展，使得空中照片判讀智能化成為可能。但上述不變矩的特性只是目標在旋轉(zhuǎn)、位移和縮放條件下有效。驗證：一對一對確定身份，把一個現(xiàn)場采集到的圖像與一個已登記的圖像進行一對一比對；辨識：一對多匹配，把現(xiàn)場采集到的圖像同數(shù)據(jù)庫中的圖像一一對比，從中找出與現(xiàn)場圖像匹配的圖像。我們知道，知覺系統(tǒng)就是組織零碎而不完整的各種低級特征，使之成為較高級的描述。幾十年來，各軍事強國付出了巨大的人力物力成本來研究目標識別技術。不變矩(Invariant moments)是一種高度濃縮的圖像特征，具有平移、灰度、尺度、旋轉(zhuǎn)等多畸變不變性，因此矩和矩函數(shù)被廣泛用于圖像的模式識別、圖像分類、目標識別和場景分析中。c．H．Teh，R． T．ChinL4 和A．Khotanzad 根據(jù)噪聲靈敏度，信息冗余度和圖像描述能力等評比了多種圖像矩，發(fā)現(xiàn) Zemike 矩具有最好的圖像描述能力。在二維圖像空間中，形狀通常被認為是一條封閉的輪廓曲線所包圍的區(qū)域，所以對形狀的描述涉及到對輪廓邊界的描述以及地邊界所包圍的區(qū)域。上述方法在使用時有局限性，對一些形狀特征的描述不是獨立于形狀的大小、位置和方位，且丟失較多信息，識別效果不理想。本文研究的識別是對航拍圖像中的飛行目標進行識別。而從圖像處理識別技術在各行各業(yè)的實際應用和研究發(fā)展方向來看。因此，目標識別就成為當今最熱門的前沿課題。戰(zhàn)場惡劣環(huán)境下目標檢測和目標識別技術起著非常重大的意義。后來人們進行多方面研究，發(fā)現(xiàn)正交矩具有絕對的獨立性，沒有信息冗余現(xiàn)象，抽樣性能好，抗噪聲能力強，更適合用于多畸變不變圖像描述和識別。不變矩就是一種通過提取具有平移、旋轉(zhuǎn)和比例不變性的圖像特征，從而進行圖像識別的方法。Zernike矩方法源于Teague提出的正交矩思想，與Hu矩相比它的優(yōu)點是：它是正交矩，能夠構造任意的高階矩；它計算的是一種積分運算，對噪聲不太敏感。當我們試圖采用光學字符識別軟件去掃描電視畫面時會發(fā)現(xiàn)， 這些數(shù)字式算法極易受視域和視角的干擾， 但識別字母表中的字母時就相對簡單得多， 這是因為在這種情況下，軟件要識別的只不過是一些已經(jīng)準確地掃描進數(shù)字結(jié)構之中， 且總是以平視圖的方式出現(xiàn)的簡單輪廓而已，處理難度是顯而易見的。提取目標圖像的數(shù)值特征，再將提取的不變特征向量按特征值的區(qū)間進行分類，以實現(xiàn)對不同類別目標的準確識別。共設計四章進行闡述，具體安排如下：第1章主要對圖像目標識別進行了簡單介紹，并且講述了目標識別技術的發(fā)展以及整個任務的要求安排；第2章介紹了目標識別算法中不變矩基本原理。自1962年Hu提出代數(shù)不變矩以來，已被成功應用于很多領域。最常用的，物體的零階矩表示了圖像的“質(zhì)量”用于確定圖像質(zhì)心；；若將坐標原點移至和處，就得到了對于圖像位移不變的中心矩。不變矩就是一種通過提取具有平移、旋轉(zhuǎn)和比例不變性的圖像特征，不變矩的主要思想是使用對變換不敏感的基于區(qū)域的幾個矩作為形狀特征，從而進行圖像識別的方法。是目標區(qū)域灰度質(zhì)心。 通過提取飛機的特征值，按上述的7個不變矩進行計算，計算出圖像中目標區(qū)域的不變特征向量。旋轉(zhuǎn)90176。求出各個不變矩的均值，組成此類飛機的數(shù)據(jù)庫，用于識別目標。由于Zernike矩具有圖像旋轉(zhuǎn)不變性，而且可任意構造高階矩，所以采用其對目標進行識別研究。 計算一幅圖像的Zernike矩，必須將圖像的重心平移到坐標原點，將圖像像素點映射到單位圓內(nèi)。通過提取飛機的特征值，依據(jù)Zernike矩進行計算，計算出圖像中目標區(qū)域的不變特征向量。+003+003旋轉(zhuǎn)90176。以上分別介紹了Hu矩和Zernike矩的定義，并對它們進行了特征值的提取，說明了它們在圖像旋轉(zhuǎn)、縮放和平移的情況下基本保持不變，在圖像目標識別中具有良好的穩(wěn)定性。經(jīng)過圖像處理后，目標被突出，背景被弱化，從而使目標的辨別比較容易。因此，需要把彩色的圖像轉(zhuǎn)換為灰度圖像，再去進行圖像的識別。I=rgb2gray(I)。39。這里飛機圖片變?yōu)?，背景變?yōu)?。I=1im2bw(I，)。 圖像的二值化處理 實現(xiàn)對圖像的旋轉(zhuǎn)操作把圖像旋轉(zhuǎn)不同的角度，來驗證不變矩對圖像具有旋轉(zhuǎn)不變性。)。其中：執(zhí)行語句I2=imrotate(I，90，39。)。其中：執(zhí)行語句I3=imresize(I，2，39。39。imshow(img)， title(39。)。 圖像的平移 Hu矩算法的實現(xiàn)在進行圖像處理之后，得到了所要的航拍圖像。第二步，根據(jù)待識別目標與已知特征值的計算，辨別出待識別目標的類別。實現(xiàn)程序如下所示。y=y(:)。=sum(y.*A)。w02=(sum((yymean).^2.*A))/(^2)。w20=(sum((xxmean).^2.*A))/(^2)。將取得的均值作為各類飛機的特征值，當需要對待識別目標進行判別時，就可以直接調(diào)用這些數(shù)據(jù)。顯然，圖像中物體像素的距離值為0。計算時，先將圖像庫中各幅圖像進行人工分類，也就是標定出識別后各幅圖像對應的正確識別結(jié)果。令z_f取shu中最小的： hu_f=min(shu)進行分類判別：if hu_f= 39。endif hu_f==q2 39。endif hu_f==q4 39。end if hu_f==q6 39。end if hu_f==q8 39。end Zernike矩算法的實現(xiàn)Zernike矩作為一種基于區(qū)域的形狀描述，具有良好的旋轉(zhuǎn)不變性，能夠很好地提取圖像內(nèi)部的形狀信息，廣泛應用于基于內(nèi)容的圖像檢索、圖像描述、物體定向及模式識別等各個領域。在圖像分析中 ，由于 Zernike 多項式的正交性 ，可使信息冗余達到最優(yōu)化 ，其遞歸性質(zhì)使運用矩的快速算法成為可能。由于 Zernike 矩具有旋轉(zhuǎn)不變性特性，因此可將 作為目標的不變性特征。因而只要判斷出待識別目標在某一類的區(qū)域范圍內(nèi)，那么該待識別目標就屬于那一類的圖像。取不同的n值，計算相應的值：[A_nm，zmlist，cidx，V_nm] = zernike(img，n)。令z_f取shu中最小的： z_f=min(shu)進行分類判別：if z_f==q1 39。endif z_f==q3 39。endif z_f==q5 39。endif z_f==q7 39。endif z_f==q9 39。end 以上分別實現(xiàn)了基于Hu矩和Zernike矩對圖像目標識別算法的設計。進行程序調(diào)試，解決遇到的問題，然后進行效果分析，獲取實驗結(jié)果。得到與已知類別區(qū)域的差值：q1 = q2 = q3 = q4 = q5 = q6 = q7 = q8 = q9 = 待識別目標離已知類別區(qū)域的最小值為：hu_f = 得到識別的結(jié)果為：ans =所識別飛機的圖像是f22。將待識別圖像裝載到Matlab軟件的work文件中，通過imread語句讀出圖像。完成基本的要求，達到了識別的目的。問題1：利用不變矩進行特征值提取時，對于同一類型的飛機，原則上它們的特征值應該非常接近，可實際提取到的特征值卻相差很大。所以要將圖像進行預處理。 hu_f=min(shu)系統(tǒng)會認為程序中計算出的最小值就是該待識別目標的類型，此時，待識別目標可能不是已知類別的目標，這樣就不能夠判別出此待識別目標了。問題3：在運用兩個矩進行識別時，有的圖片還不能被準確的識別出來，存在著一定的誤差，即識別率達不到預定的標準。本章主要完成了對兩種矩的實驗結(jié)果分析以及對實驗中遇到的問題進行分析與解決。 本文從理論和試驗兩方面論證了 Hu 矩和Zernike 矩用于飛行目標識別的可行性，能夠?qū)ΥR別目標進行特征值的提取，并成功的識別出它們所屬的類型，基本滿足了設計要求。這次課程設計也有許多需要改進的地方，例如該方法只適用于圖像信息特別明顯的，對于背景復雜的，分辨率會降低。此外，隨著視頻監(jiān)控系統(tǒng)不斷向數(shù)字化和智能化發(fā)展，智能監(jiān)控技術已經(jīng)引起了越來越多的國內(nèi)外廠商和學者的重視并進行了一系列的研究。無論是在軍事上還是在日常生活中都起到了相當重要的作用。他扎實的專業(yè)基礎、廣博的知識、嚴謹?shù)闹螌W態(tài)度和坦誠待人的處世風范都給我留下了深刻印象，使我獲益非淺.實驗室中一起學習的其他老師和同學，他們對工作的熱情和其認真的學術研究態(tài)度都在時時刻刻地激勵著我，使我每碰到挫折而灰心喪氣的時候都能又一次地鼓足勇氣繼續(xù)前進。最后，再次對幫助過和關心過我的所有人，以及參與論文評閱的所有老師表示衷心的感謝！附錄Ⅰ 計算Hu的7個不變矩程序清單=sum(A)。ymean=。w11=(sum((xxmean).*(yymean).*A))/(^2)。w30=(sum((xxmean).^3.*A))/(^)。img=rgb2gray(img)。se=translate(strel(1)， [50 50])。)figure， imshow(J)， title(39。bilinear39。bilinear39。%求出A_nm值A_nm(1)=sqrt(real(A_nm(1))^2+imag(A_nm(1))^2)A_nm(2)=sqrt(real(A_nm(2))^2+imag(A_nm(2))^2)A_nm(3)=sqrt(real(A_nm(3))^2+imag(A_nm(3))^2)A_nm(4)=sqrt(real(A_nm(4))^2+imag(A_nm(4))^2)A_nm(5)=sqrt(real(A_nm(5))^2+imag(A_nm(5))^