技术领域

本发明涉及目标识别、图像处理领域，是一种基于广义证据理论实现面空背景下多光谱图像未知目标识别的方法。

背景技术

在战场环境下，目标识别的主要对象是误闯和入侵我国领空的飞机目标，包含非合作目标和敌对目标。从机器学习的角度看，处理模式识别问题时，研究者需要对所有可能出现的目标类别建立模版数据库，并选取其中所有目标类别样本进行训练。然而，非合作目标和敌对目标是无法建立其完整数据库的。当飞机目标是数据库外的未知目标，也就是非合作目标或敌对目标时，由于其数据库的不完整，容易将该目标误判为数据库的其他已知目标。误将敌方飞机判别为我方飞机或者将我方飞机误判为敌方飞机都会带来灾难性的后果，故研究未知目标识别方法具有重要的军事价值。

信息融合技术是协同利用多源信息，以获得对事物或目标更客观、更本质认识的信息综合处理技术，是智能科学研究的关键技术之一。在诸多的信息融合模型和方法中，广义证据理论(Generalized Evidence Theory，GET)算法是最为有效的算法之一。广义证据理论出发点立足于融合系统所处的环境是一个开放世界，用空集来建模开放世界，舍弃的限制。广义证据理论中的不是传统意义上的空集，它对应的是辨识框架之外的命题。广义证据理论提出了广义基本概率分配函数(Generalized Basic ProbabilityAssignment，GBPA)，并提出了广义合成公式实现两个GBPA的融合。当系统处于封闭世界，也就是满足时，广义证据理论就退化为经典的证据理论，从这个角度来看，广义证据理论是经典证据理论简单而直观的推广。

目前尚未有基于多光谱图像实现未知目标识别的研究。广义证据理论有诸多优点，将其应用在多光谱图像未知目标识别上具有重要的军事价值。

发明内容

为了实现未知目标识别，本发明基于多光谱图像，提供一种用广义证据理论实现面空背景下未知目标识别的方法，在跟踪当前目标的同时实现敌对未知目标的识别。使用该方法实现的未知目标识别具有重要的军事价值。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤一：输入一帧面空多光谱图像及当前环境下每个波段云(C)、天空(S)及当前目标(T)成像的灰度最小值、中值及最大值，根据输入的云、天空及当前目标成像的灰度最小值、中值、最大值，建立对应的三角模糊数模型，所述当前目标为当前感兴趣的跟踪目标(如防御目标)，辨识框架为辨识框架中C表示云，S表示天空，T表示当前目标，表示未知目标，C，S，T三角模糊数模型建立的方法为：

将波段i云成像的灰度最小值Cmini、中值Cavei及最大值Cmaxi分别作为波段i云三角模糊数模型的最小值，中值，最大值，则波段i云的三角模糊数为将波段i天空成像的灰度最小值Smini、中值Savei及最大值Smaxi分别作为波段i天空三角模糊数模型的最小值，中值，最大值，则波段i天空建立的三角模糊数为将波段i当前目标成像的灰度最小值Tmini、中值Tavei及最大值Tmaxi分别作为波段i当前目标三角模糊数模型的最小值，中值，最大值，则波段i当前目标建立的三角模糊数为

步骤二：将步骤一获得的模糊数展宽，即将模糊数的上界增大、下界减小，分别记云、天空、当前目标展宽后的模糊数为所述展宽方法为：

步骤三：对输入图像中任一像素点p进行分类，分类结果可能为云、天空、当前目标、未知目标：

1)对任一分类像素点p，取其波段i灰度值Gi，用Gi和生成广义基本概率分配函数mi，所述分别为前述波段i云、天空、当前目标的三角模糊数，所述广义基本概率分配函数在广义证据理论中被定义为对任意一个属于Θ的子集A，m(A)∈[0,1]，且满足则m为2Θ上的广义基本概率分配函数，其中2Θ为辨识框架的幂集，所述广义基本概率分配函数mi生成方法为：将Gi与模糊数交点的高点赋给相应单子集元素的信度，将Gi与模糊数交点的次高点赋给相应双子集元素的信度，将Gi与模糊数交点的低点赋给相应多子集元素的信度，其中所述的单子集元素指的是步骤一中辨识框架Θ的子集{C}，{S}或{T}，所述的双子集元素指的是步骤一中辨识框架Θ的子集{C,S}，{C,T}或{S,T}，所述多子集元素指的是步骤一中辨识框架Θ的子集{C,S,T}；记生成的信度之和为Sum，若Sum不小于1，则将生成的信度归一化得到mi；若Sum小于1，则将1-Sum赋给空集的信度；

2)将25个波段生成的广义基本概率分配函数mi使用平均融合方法融合得到m，所述平均融合方法为：其中mi(i＝1,2,…,25)为步骤二中生成的广义基本概率分配函数；

3)使用Pignistic probability transformation方法将融合后的m转换为概率分布P，所述转换方法为：其中

4)依据得到的概率分布P对像素点p分类，取P({C})，P({S})，P({T})，中最大的概率对应的类别作为像素点p分类的结果，分类结果中C表示云，S表示天空，T表示当前目标，表示未知目标；

步骤四：对分类为未知目标的区域进行干扰排除，以选取真实的运动未知目标，干扰排除的原理是利用相邻帧未知区域的位置相关性来实现：

若为随机干扰导致的误识，则相邻帧未知区域的位置变化较大，设定合理的阈值即可排除随机干扰，阈值可根据目标运动速度选取(如选为1.5倍目标单帧位移)；若为静止目标，经过5-10帧之后其总位移会接近0，同样可以将其排除；

步骤五：根据当前帧的像素点分类结果更新上一帧当前目标、云、天空的三角模糊数模型，将更新后的模型作为下一帧图像云、天空、当前目标三种类别的模糊数模型，所述模型更新方法为：

对于所有被识别为云的像素点，求出这些像素点波段i的最大值max和最小值min，若max>Cmaxi，将上界更新为max，若min

本发明的有益效果在于本发明采用广义证据理论对像素点分类，能够根据像素点分类结果选取出当前目标并对其跟踪，实现未知目标的判别，因此本发明提出的分类方法较好的融合了不同波段的图像信息，具有计算简单、实时性好的优点；本发明提出的三角模糊数建模方法，很好的解决了模糊信息的表示问题；本发明提出的广义基本概率分配函数生成方法，很好的实现了对模糊信息的处理；本发明提出的随机干扰排除方法，很好的排除了随机干扰导致的误判。

附图说明

图1本发明实现的总流程图。

图2是波段1三种类别的模糊数。

图3是波段1三种类别展宽后的模糊数。

具体实施方式

下面结合附图和实例对本发明进一步说明。

步骤一：输入一帧25波段的面空多光谱图像及当前环境下每个波段云(C)、天空(S)及当前目标(T)成像的灰度最小值、中值及最大值，根据输入的云、天空及当前目标成像的灰度最小值、中值、最大值，建立对应的三角模糊数模型，所述当前目标为当前感兴趣的跟踪目标(如防御目标)，辨识框架为辨识框架中C表示云，S表示天空，T表示当前目标，表示未知目标，C，S，T三角模糊数模型建立的方法为：

输入波段1云成像的灰度最小值131、中值172.5及最大值214，分别作为波段1云三角模糊数模型的最小值，中值，最大值，则波段1云的三角模糊数为将波段1天空成像的灰度最小值91、中值140及最大值189分别作为波段1天空三角模糊数模型的最小值，中值，最大值，则波段1天空建立的三角模糊数为将波段1当前目标成像的灰度最小值69、中值109.5最大值150分别作为波段1当前目标三角模糊数模型的最小值，中值，最大值，则波段1当前目标建立的三角模糊数为

步骤二：将步骤一获得的模糊数展宽，云、天空、当前目标展宽后的模糊数分别记为所述展宽方法为：

以的展宽为例，展宽后的结果为：

步骤三：对输入图像中任一像素点p进行分类，分类结果可能为云、天空、当前目标、未知目标：

1)对任一分类像素点p，取其波段i灰度值Gi，用Gi和生成广义基本概率分配函数mi，所述分别为前述波段i云、天空、当前目标的三角模糊数，所述广义基本概率分配函数在广义证据理论中被定义为对任意一个属于Θ的子集A，m(A)∈[0,1]，且满足则m为2Θ上的广义基本概率分配函数，其中2Θ为辨识框架的幂集，所述广义基本概率分配函数mi生成方法为：将Gi与模糊数交点的高点赋给相应单子集元素的信度，将Gi与模糊数交点的次高点赋给相应双子集元素的信度，将Gi与模糊数交点的低点赋给相应多子集元素的信度，其中所述的单子集元素指的是步骤一中辨识框架Θ的子集{C}，{S}或{T}，所述的双子集元素指的是步骤一中辨识框架Θ的子集{C,S}，{C,T}或{S,T}，所述多子集元素指的是步骤一中辨识框架Θ的子集{C,S,T}；记生成的信度之和为Sum，若Sum不小于1，则将生成的信度归一化得到mi；若Sum小于1，则将1-Sum赋给空集的信度；

输入的像素点p在波段1的灰度值为71，则m1生成方法如下：

如图3，灰度值71与有一个交点0.3636，将其作为当前目标(T)的信度。此时Sum＝T＝0.3636，将1-Sum即0.6364分配给未知目标的信度。得到m1：

m1{T}＝0.3636，

用同样的方法，得m2～m25如下：

m2{T}＝0.5417，m2{S,T}＝0.0471，

m3{T}＝0.3925，

m4{T}＝0.4，

m5{T}＝0.5495，m5{S,T}＝0.1059，

m6{T}＝0.3667，

m7{T}＝0.3524，

m8{T}＝0.3420，

m9{T}＝0.4609，m9{S,T}＝0.3833，

m10{T}＝0.3939，m10{S,T}＝0.0175，

m11{T}＝0.1739，

m12{T}＝0.4608，m12{S,T}＝0.0833，

m13{T}＝0.3770，m13{S,T}＝0.0804，

m14{T}＝0.3489，m14{S,T}＝0.1429，

m15{T}＝0.4186，m15{S,T}＝0.0545，

m16{T}＝0.3904，m16{S,T}＝0.0294，

m17{T}＝0.5552，m17{C,T}＝0.4448

m18{T}＝0.4775，m18{S,T}＝0.0706，

m19{T}＝0.3738，

m20{T}＝0.4587，

m21{T}＝0.5794，

m22{T}＝0.5536，

m23{T}＝0.4587，

m24{T}＝0.5287，

m25{T}＝0.4800，

2)将25个波段生成的广义基本概率分配函数mi使用平均融合方法融合得到m，所述平均融合方法为：其中mi(i＝1,2,…,25)为步骤二中生成的广义基本概率分配函数；

融合结果为：m{T}＝0.4319，m{S,T}＝0.0584，

3)使用Pignistic probability transformation方法将融合后的m转换为概率分布P，所述转换方法为：其中

m转换为概率分布P的结果为

P{T}＝0.4611，P{S}＝0.0292，

4)依据得到的概率分布P对像素点p分类，取P({C})，P({S})，P({T})，中最大的概率对应的类别作为像素点p分类的结果，分类结果中C表示云，S表示天空，T表示当前目标，表示未知目标；

根据概率分布P，最大概率类别为因此像素点p被分类为未知目标。

步骤四：对分类为未知目标的区域进行干扰排除，以选取真实的运动未知目标，干扰排除的原理是利用相邻帧未知区域的位置相关性来实现：

若为随机干扰导致的误识，则相邻帧未知区域的位置变化较大，设定合理的阈值即可排除随机干扰，阈值可根据目标运动速度选取(如选为1.5倍目标单帧位移)；若为静止目标，经过5-10帧之后其总位移会接近0，同样可以将其排除；

步骤五：根据当前帧的像素点分类结果更新上一帧当前目标、云、天空的三角模糊数模型，将更新后的模型作为下一帧图像云、天空、当前目标三种类别的模糊数模型，所述模型更新方法为：

对于所有被识别为云的像素点，求出这些像素点波段i的最大值max和最小值min，若max>Cmaxi，将上界更新为max，若min

以波段1模型更新为例：对于所有被识别为云的像素点，求出这些像素点波段1的最大值为214、最小值为131，上界下界均不更新；对于所有被识别为天空的像素点，求出这些像素点波段1的最大值为189、最小值为87，因此将下界更新为87，上界不更新；对于所有被识别为当前目标的像素点，求出这些像素点波段1的最大值为150，最小值为65，65<69，因此将下界更新为69，上界不更新。