【正文】 出目標(biāo)，對航空圖片進(jìn)行自動(dòng)識(shí)別，對提高判讀效率，減少誤判率，提供快速、準(zhǔn)確的軍事情報(bào)具有十分重要的意義。人類視覺系統(tǒng)對信息的收集和處理是一個(gè)由粗到精的過程，并且具有選擇性和層次性，為完成某個(gè)特定的任務(wù)，人眼首先粗略搜尋所獲得的所有信息并初步處理，確定出哪些信息與任務(wù)有關(guān)，哪些信息與任務(wù)無關(guān)。基于各種手段的目標(biāo)識(shí)別技術(shù)涌現(xiàn)了出來，其中許多技術(shù)已取得了應(yīng)用上的極大成功。M．R．Teague建議用 ZMS來產(chǎn)生不變矩。對于形狀的區(qū)域特征主要有形狀的不變性、區(qū)域的面積、形狀縱橫比等。這一技術(shù)與計(jì)算機(jī)的結(jié)合的必將成為代替人腦對視覺信息進(jìn)行處理加工的一種手段。這就需要識(shí)別系統(tǒng)具有不變性識(shí)別能力（即平移、旋轉(zhuǎn)以及縮放不變性）。因而在圖像目標(biāo)的識(shí)別算法中，最關(guān)鍵的是要得到具有不變性的目標(biāo)特征，目標(biāo)特征的不變性既要保證目標(biāo)在縮放、旋轉(zhuǎn)、平移等情況下的不變性，又應(yīng)對不同目標(biāo)具有明確的差異而便于進(jìn)行有效的區(qū)別。本次課程設(shè)計(jì)任務(wù)是設(shè)計(jì)基于Hu矩和Zernike矩的圖像目標(biāo)識(shí)別的算法。第3章介紹了目標(biāo)識(shí)別算法的實(shí)現(xiàn)。如。的歸一化階中心矩定義為： （）其中 （）下列7個(gè)二維不變矩是由歸一化的二階和三階中心矩得到的?？s小3倍縮小5倍擴(kuò)大2倍平移10度平移25度平移50度從表中可以看出圖像在發(fā)生尺度、位置以及旋轉(zhuǎn)變化時(shí)，其特征向量是基本保持不變的。在模式識(shí)別中，一個(gè)重要的問題是對目標(biāo)的方向性變化也能進(jìn)行識(shí)別。對同種飛機(jī)，記錄特征值如表2所示。第3章 圖像目標(biāo)識(shí)別算法的實(shí)現(xiàn)本文分別采用Hu矩和Zernike矩對圖像目標(biāo)進(jìn)行識(shí)別。程序如下：I=imread(39。 彩色圖像轉(zhuǎn)換為灰度圖像對圖像的尺寸調(diào)整對于同一副圖片，對其放大和縮小不同的倍數(shù)，并不影響圖像的特征值，這也驗(yàn)證了圖像的縮放對不變矩的計(jì)算基本沒有影響。 圖像的尺寸調(diào)整 對圖像進(jìn)行二值化處理為了使圖片的信息更加突出，有助于和背景的區(qū)分，使整個(gè)圖像呈現(xiàn)出明顯的黑白效果。其中：執(zhí)行語句I=1im2bw(I，)。I2=imrotate(I，90，39。 圖像的旋轉(zhuǎn)實(shí)現(xiàn)對圖像的縮放操作為了驗(yàn)證不變矩對圖像具有縮放不變性，試驗(yàn)中要對圖像進(jìn)行縮放的變化，改變不同的參數(shù)，進(jìn)而提取圖像的最終特征值。bilinear39。)。其中：執(zhí)行語句se=translate(strel(1)， [50 50])。 Hu矩算法的流程設(shè)計(jì)。A=A(:)。w03=(sum((yymean).^3.*A))/(^)。 調(diào)用格式如下：load hdata算得的各類飛機(jī)的特征值： Hu矩實(shí)驗(yàn)數(shù)據(jù)表特征值第一組第二組第三組第四組第五組第六組第七組f22f15殲10殲7f164f14f大黃蜂f18ff18 基于Hu矩不變性的識(shí)別設(shè)a(i，j)為一個(gè)經(jīng)二值化的圖像，值為1的像素代表圖像中的物體；值為0的像素代表圖像背景。分別計(jì)算各類圖像的各個(gè)特征值，將同一類別圖像中各幅圖像的特征向量求平均，得到一個(gè)表示該類圖像的特征向量，最后計(jì)算待識(shí)別圖像與各類圖像的街區(qū)距離，然后進(jìn)行判別。所識(shí)別飛機(jī)的圖像是f1539。所識(shí)別飛機(jī)的圖像是f1439。利用Zernike多項(xiàng)式的快速遞推性質(zhì)計(jì)算各階；對求模，進(jìn)而得出，作為識(shí)別的特征依據(jù)。根據(jù)Zernike 矩提取各個(gè)飛機(jī)的特征向量，同Hu矩一樣，再將每一類的飛機(jī)進(jìn)行求和，最后再取均值。將求得的特征值取絕對值：A_nm(x)=sqrt(real(A_nm(x))^2+imag(A_nm(x))^2)。所識(shí)別飛機(jī)的圖像是殲739。所識(shí)別飛機(jī)的圖像是f1839。具體的說明了圖像獲取與預(yù)處理過程，以及特征值的提取過程和算法的設(shè)計(jì)。 f22的圖像經(jīng)過運(yùn)算后，利用Hu矩實(shí)現(xiàn)了對飛行目標(biāo)的特征提取，并基本能成功的識(shí)別出未知目標(biāo)的類型，滿足設(shè)計(jì)要求。但是Zernike矩的運(yùn)算速度較慢，Zernike矩的優(yōu)點(diǎn)在于它的識(shí)別率比較高，因?yàn)閆ernike矩可以任意構(gòu)造高階矩，高階矩包含更多的圖像信息。將彩色圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行計(jì)算，此外，便于提取圖像的特征，這里將圖像統(tǒng)一轉(zhuǎn)換成等大小的處理這樣可以有效的減小誤差。例如，運(yùn)用Hu矩對已知類別（殲10）進(jìn)行識(shí)別，結(jié)果如下所示：q1 = q2 = q3 = q4 = q5 = q6 = q7 = q8 = q9 = hu_f = ans =所識(shí)別飛機(jī)的圖像是f18。同時(shí)證明目標(biāo)圖像無論是旋轉(zhuǎn)、縮放還是平移，其空間不變矩基本變化不大。隨著時(shí)代的進(jìn)步，這項(xiàng)技術(shù)也在不斷的發(fā)展完善，智能監(jiān)控在未來必將有廣闊的應(yīng)用前景并為社會(huì)帶來巨大的經(jīng)濟(jì)效益。感謝和我在同一寢室生活的同學(xué)，還有其他在我身邊一起渡過畢業(yè)設(shè)計(jì)生活的同學(xué)，是他們使我的畢業(yè)設(shè)計(jì)期間的生活充滿色彩和樂趣，使我能在學(xué)習(xí)之余得到身心的放松，能一次又一次地勇敢面對學(xué)習(xí)和生活中遇到的各種困難。%計(jì)算均值w00=。%計(jì)算中心距h1=w20+w02h2=(w20w02)^2+4*w11^2h3=(w303*w12)^2+(3*w21w03)^2h4=(w30+w12)^2+(w21+w03)^2h5=(w303*w12)*(w30+w12)*[(w30+w12)^23*(w21+w03)^2]+(3*w21w03)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]h6=(w20w02)*((w30+w12)^2(w21+w03)^2)+4*w11*(w30+w12)*(w21+w03)h7=(3*w21w03)*(w30+w12)*((w30+w12)^23*(w21+w03)^2)+(3*w21w30)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]附錄Ⅱ 提取Zernike矩的特征向量的程序清單clear allimg=imread(39。J = imdilate(img，se)。)。A_nm(6)=sqrt(real(A_nm(6))^2+imag(A_nm(6))^2)。[A_nm，zmlist，cidx，V_nm] = zernike(img，12)。img=imrotate(img，90，39。imshow(img)。w21=(sum((xxmean).^2.*(yymean).*A))/(^)。xmean=。從論文選題、研究，到最后的論文寫作過程中，他都以認(rèn)真、細(xì)致和熱情的態(tài)度給以我指導(dǎo)。隨著人類生活水平的不斷提高，在日常生活中，人們就常常積攢了大量的相片，所以需要把這些大量的圖片信息進(jìn)行分類，本項(xiàng)研究成果可以實(shí)現(xiàn)圖片的自動(dòng)分類，提高分類效率。結(jié)論本次課程設(shè)計(jì)主要是在Matlab平臺(tái)基礎(chǔ)上對基于Hu矩和Zernike矩的圖像目標(biāo)識(shí)別方法進(jìn)行研究。 end 這樣，當(dāng)待識(shí)別的飛機(jī)目標(biāo)不在已知類別當(dāng)中時(shí)，程序就會(huì)自動(dòng)判別出待識(shí)別目標(biāo)圖像不在已知的類別中。解決的方法:由于圖像采用的是彩色圖像，里面包含的信息量較大，因此，影響特征值的精確度。 f22的圖像通過運(yùn)行的結(jié)果可知，運(yùn)用Zernike矩對已知目標(biāo)進(jìn)行識(shí)別，能夠準(zhǔn)確識(shí)別出目標(biāo)的類型。在Matlab中進(jìn)行運(yùn)算，讀入待識(shí)別目標(biāo)(f22)，運(yùn)用Hu矩進(jìn)行識(shí)別。所識(shí)別飛機(jī)的圖像不是已知的類別39。所識(shí)別飛機(jī)的圖像是f1439。所識(shí)別飛機(jī)的圖像是f1539。如果最小值超出了已知目標(biāo)的D距離，就可以判斷此待識(shí)別的目標(biāo)為異類圖像。這一特性在模式識(shí)別與匹配中特別有用。所識(shí)別飛機(jī)的圖像是ff1839。所識(shí)別飛機(jī)的圖像是f16439。所識(shí)別飛機(jī)的圖像是f2239。設(shè)p1，p2為給定圖像中的二個(gè)像素，其在圖像中的位置坐標(biāo)分別為（x1，y1），(x2，y2)，若D為距離量度函數(shù)，點(diǎn)p1和p2之間的距離D，即街區(qū)距離定義為： （）根據(jù)此距離量度，與（x1，y1）的D距離小于或等于某個(gè)值d的像素組成（x1，y1）為中心的菱形。h1=w20+w02h2=(w20w02)^2+4*w11^2h3=(w303*w12)^2+(3*w21w03)^2h4=(w30+w12)^2+(w21+w03)^2h5=(w303*w12)*(w30+w12)*[(w30+w12)^23*(w21+w03)^2]+(3*w21w03)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]h6=(w20w02)*((w30+w12)^2(w21+w03)^2)+4*w11*(w30+w12)*(w21+w03)h7=(3*w21w03)*(w30+w12)*((w30+w12)^23*(w21+w03)^2)+(3*w21w30)*(w21+w03)*[3*(w30+w12)^2(w21+w03)^2]下面利用這7個(gè)不變矩對各類飛機(jī)的所有圖像提取特征值，再將每一類的飛機(jī)進(jìn)行求和，最后再取均值。計(jì)算中心矩：w00=。x=x(:)。第一步，找目標(biāo)的特征值。Translated39。程序如下：I=imread(39。)。既是對原圖像進(jìn)行旋轉(zhuǎn)90度的操作。39。)。其中：執(zhí)行語句I=imresize(I，[300，300])既是把原圖像大小改變?yōu)?00300的圖像。)表示讀入圖片f221，I=rgb2gray(I)即把圖片f221變?yōu)榛叶葓D像。將彩色圖像轉(zhuǎn)換為灰度圖像由于彩色圖像包含的信息太多，包含的背景信息量也很大，這樣會(huì)影響判別結(jié)果的準(zhǔn)確度與運(yùn)行的速度。即當(dāng)去判別目標(biāo)是否屬于此類飛機(jī)時(shí)，求待識(shí)別目標(biāo)和已知目標(biāo)的街區(qū)距離，如果待識(shí)別目標(biāo)在某一類別的區(qū)域內(nèi)，那么此待識(shí)別的目標(biāo)就屬于此類型的飛機(jī)。從 Zernike矩公式（）可以看出，對于實(shí)二維圖像，其Zernike矩為一復(fù)數(shù)，將其實(shí)部和虛部分別記為和，則有： （） （） 由于實(shí)際問題中所需處理的圖像通常為數(shù)字圖像，而需要將式（）和（）離散化，又由于Zernike多項(xiàng)式在單位圓內(nèi)是正交的，因此需要將所考慮的圖像轉(zhuǎn)換為單位圓內(nèi)的極坐標(biāo)形式，為此，Mukundan 和Ramakrishnan提出了如下的變換形式：對于的圖像，令坐標(biāo)原點(diǎn)位于圖像的中心，則，對于像素，引入2個(gè)參數(shù)，唯一對應(yīng)于該像素，其定義為： （）如果，則：如果，則：容易看出，取值從1到，取值從1到8，由參數(shù)可定義相應(yīng)的極坐標(biāo)：