伪装识别研究基于高光谱成像技术模拟操作环境

文摘

光谱成像技术可以获得的空间信息和光谱信息模拟运营背景和其伪装材料同时识别和分类根据他们之间的分歧。在这篇文章中,我们收集了高光谱图像(400 - 1000 nm)沙漠的背景,背景丛林,沙漠迷彩网,丛林迷彩网,通过高光谱成像系统和丛林迷彩服装,和样品预处理通过去噪和黑白校正。然后,我们分析了感兴趣的区域(ROI)训练样本的主成分分析(PCA)。后感兴趣的像素在该地区及其周边地区平均,60%的数据作为训练样本,和剩下的40%被用来作为测试样本。根据他们的异同和引用的光谱,建立了分类的模型结合朴素贝叶斯(NB)算法,再邻居(资讯)算法,随机森林(RF)算法和支持向量机(SVM)算法。结果表明,在四个模型,支持向量机模型的分类精度最高的识别率丛林迷彩服装是最高的。本研究验证的科学可行性高光谱成像技术对伪装识别和分类在一个模拟的操作环境,有一定的现实意义。

1。介绍

伪装技术使用模式接近的背景实现隐藏的目的,这不仅能增强目标的隐蔽而且对作战环境改善目标的生存能力。传统的检测和识别伪装目标主要依靠放大观察人眼的光学仪器,但检测通常是贫穷的影响(1]。如今,情报的主要形式和信息化已经成为现代对抗环境的探测和识别(2]。如何处理冲突的高科技侦察现场已经成为军事技术的一个重要方面,导致许多高科技伪装的出现。

近年来,多波段伪装网由瑞典梭鱼公司采用了新的吸收和超轻型结构的原则,实现多光谱隐身兼容的目的通过多功能涂料技术(3]。在美国产生的超轻型伪装网系统由六角形和钻石形状与循环的绳子,这是光和稳定的用于红外伪装网系统(4]。新戊二醇系统制备和优化。涤纶中空纤维由真空方法和编织进迷彩服装(5]。多样化的伪装技术在作战环境下,很难评估目标的隐形性能和生存能力全面、准确地用传统的方法。

光谱成像技术可以记录目标的空间信息和光谱信息(6]。通过引入到伪装效果的评价体系,目标和背景之间的差异在高维空间中可用于检测目标,这将大大提高检测效率和伪装能力目标(7]。因此,特别重要的是空间成像与光谱分析相结合建立一个“实验作战环境”来识别和分类模拟操作环境和伪装材料。

本文根据高光谱图像数据的特点,我们收集的高光谱图像数据模拟伪装现场。提取ROI和主成分分析后,建立了分类模型结合NB算法,然而算法,RF算法和SVM算法(8- - - - - -13]。是具有重要意义的识别技术的发展,基于高光谱分类伪装实现准确检测和识别目标的高光谱图像,充分挖掘图像的深度信息。

2。材料和方法

2.1。设备和原理

我们使用了Hyperspec VNIR-A模型高光谱成像光谱仪由美国公司的陡壁。图1显示了高光谱成像系统。

如图2相结合,这是一个高光谱成像系统与push-sweep反射光栅成像、高分辨率CCD相机组成的,步进push-sweep平台一个引用白板校准反射率为99%以上,完全反映光栅,和其他设备。高光谱相机由光敏元件、分束器和透镜和狭缝。

高光谱相机的光谱测试范围实验中使用的是380 - 1000 nm,光谱分辨率为2.5 nm,光谱通道的数量是923,空间通道的数量是1600,狭缝的宽度是25μm,透镜的焦距是23毫米,卤素灯的功率是150 w,导游push-sweep移动平台的长度是250毫米。

在采集图像时,入射狭缝光谱仪是光谱平行轴和一个空间轴。如图3,移动push-sweep平台捕获整个目标通过扫描平台的信息不断和记录目标的二维空间信息和一维光谱信息当前空间的像素。

2.2。样品制备

两个样品的模拟伪装材料的背景和三个标本在暗房里,三个高光谱图像为每个类型的样本收集,和每个图像反复扫描5次获得75个样本。模拟沙漠背景组成的一个实际的沙盘模拟丛林背景包括许多森林的树叶。三种伪装材料沙漠迷彩网,丛林迷彩网,丛林迷彩服装。图4显示真彩色图像的样本。

卤素灯的亮度的光源和镜头的焦距调整做出清晰的图像,避免过饱和的形象造成了过多的光线进入相机CCD面或不均匀分布的光强度。

根据物体的表面的距离的狭缝高光谱相机曝光时间,push-sweep速度移动平台的计算和设置,确保完整的光谱和空间信息的样本。

2.3。图像预处理

后获得的高光谱图像操作环境和相应的伪装材料,有必要进行黑白调整指的是白板的对比方法实现反射率反演的样本,以减少噪声的CCD传感器的暗电流和信号光强度的变化对图像的影响在实验环境。这个公式是 在哪里是原始图像,是全黑的参考图像后获得性交镜头盖,是被引用的图像从一个标准白板反射率为99%,获得和修正后的光谱图像(14]。

2.4。感兴趣的区域提取

因为形状和大小的模拟运行环境和相应的伪装材料是不同的,一些表面反映强烈。为了避免的影响在特殊领域的一些样品光谱信息,比如一些森林叶和样品表面污染土壤和雨,其数据会影响总体分类精度,有必要收集图像数据清洗后治疗。ROI提取过程中,区域表面光滑,没有异常点,常规的形状,和清晰的纹理被选为研究对象。根据选择的原则,本研究随机选择3区域的像素坐标尺寸21×18从每个样本的ROI分析,以减少噪声的实验数据。的一部分ROI的结果如图5。

反映了高光谱图像光谱信息的每个像素的位置。为了避免每个像素的应急和消除随机噪声的影响,感兴趣的像素在该地区及其附近的像素平均采样点的实验。

2.5。提取的特征空间

高光谱图像的操作环境和相应的伪装材料,和图像的样本后提取的光谱波段的信息记录数以百计的维度。然而,乐队的增加将导致信息的冗余,增加了数据处理的复杂性。主成分分析使用更少的不相关的变量来替换原来的变量与重叠的信息(13,15),可以减少数据的维度,并确保信息的最大数量“丢失”(16,17]。具体实现如下:

设置一个训练集,每个样本都有n维特性。集中向量后,新的向量的协方差矩阵计算和相应的特征值 和特征向量。这些特征值从大到小的排列,选择第一个特征向量及其对应的特征向量得到降维后的新特性:

每个主成分的贡献率计算公式(2)。在这项研究中,前三个主成分的累积贡献率达到93.57%,第四和随后的主成分的贡献不足1%。图6显示前三个主成分解释93.57%的原始数据中所有的信息:

的负载系数是主成分之间的相关性程度和原始变量(18]。装载系数的曲线对应于前三个主成分可以通过PCA算法:相应的负荷系数在427.478,449.899,495.359,528.670,560.337,585.520,600.497,647.567,686.871,733.175,777.495,790.514,822.793,863.123,895.369,933.645,和972.380 nm乐队有一个更大的绝对值。17因此,相对应的特征空间这些波长为代表的原始信息伪装识别和分类。

50像素在图像被随机选择样本,而四个相邻像素的光谱信息对平均被排除随机噪声的影响。光谱向量信息包含在3750像素分类根据类别,和五个类别的样本的平均光谱曲线中提取下17波长图所示7。

2.6。分类模型

2.6.1。朴素贝叶斯算法的模型

朴素贝叶斯算法是基于贝叶斯定理;有节的分布从输入到输出的概率从一个给定的训练集,它假定数据是独立的,和输出后验概率最高的是发现学习模式下19]。算法的逻辑很简单,输出是稳定的。

2.6.2。然而,算法模型

然而算法确定测试样本的分类根据最近的参考样本的类别。当测试样本和训练样本的数据完全匹配,样本之间的相关性可以判断相似性和分类20.]。然而算法没有假设数据,是非常准确和异常值不敏感,使其非常适合解决分类和回归问题(21]。

2.6.3。RF算法模型

随机森林是一个集成学习算法和基于装袋的决策树模型框架,它包含多个决策树。当一个新的样本输入模型,每一个决策树会产生相应的分类的结果。随机森林集成所有投票结果和指定类别得票最多的作为最终的输出,即预测结果(22]。因为每棵树可以生成独立的同时,采用集成算法;集成算法的准确性比大多数单一算法,使整个模型的结果有更高的精度和泛化性能(23]。

2.6.4。支持向量机算法的模型

支持向量机是一种代表监督统计学习理论适用于分类和回归问题,可以防止underfitting和过度拟合得很好24]。基于结构风险最小化的原则,支持向量机算法可以避免过度学习的问题,可以用来区分不同的内核函数的线性和非线性数据。本研究的样本是非线性的,因此高斯径向基函数(RBF)选为内核的支持向量机的数学模型,分类速度快和好的结果。

3所示。结果与讨论

3.1。模型比较

在本节中,Kennard-Stone(钴)算法应用于分节中感兴趣的区域提取的样本2。1(25]。我们使用了沙漠背景(0),沙漠迷彩网(1),丛林背景(2)、丛林迷彩服装(3),和丛林迷彩网(4)在该地区的60%的利息作为训练样本,而剩下的40%的面积被用来作为测试样本,和每种类型的测试样本包含6804个测试点。然后,我们将和歧视与5引用的光谱曲线和获得的结果分类,如表所示1- - - - - -4。

NB、资讯、射频和支持向量机的建模应用。观测值的预测集的正确和错误的类可以直观地获得表中,可以用来计算相应的指标。五种类型的样本,有容易混淆沙漠背景(0),沙漠迷彩网(1),和丛林迷彩网(4)样本。

分类的结果如图所示8;当使用相同的方法的降维,PCA-SVM展出的最优性能识别PCA-NB相比,PCA-KNN, PCA-RF。

比较这三个伪装材料,丛林迷彩服装最高识别率在四个模型,达到了96.30%。沙漠迷彩网是由相同的材料作为丛林迷彩网,导致一个不太有利的结果比丛林迷彩服装分类,识别利率分别为87.89%和88.14%。

3.2。分析和讨论

在这项研究中,总体精度(OA)和kappa系数是用来判断的准确性NB的模型,然而,射频和支持向量机。

OA的数量的比例是样本正确分类的ROI ROI内的样本总数;更大的是,分类的准确性越高。

Kappa系数是一个指数来衡量分类的准确性,减少代表的比例误差之间的分类和完全随机分类,Kappa系数越高,小分类的结果之间的差异和实际参考。Kappa系数介于0和1之间,可以分成五组表达不同程度的一致性:0.0 - -0.20(极低),0.21 - -0.40(公平),0.41 - -0.60(中度),0.61 - -0.80(大量)和0.80 - 1(近乎完美)。分类结果的精度如表所示5。

NB算法假定数据是相互独立的,但也有一些操作环境和他们的伪装材料之间的相关性,使贫困的结果分类。懒惰的学习方法,然而有一个缓慢的预测时间特性的数量很大,这不是实际应用的一个最优解。因此,射频和支持向量机可以实现高精度和分类的结果与真实结果高度一致。PCA-RF和PCA-SVM最优模型,实现识别利率超过96%。

4所示。结论

本研究使用光谱成像技术来识别和分类模拟运营背景和伪装材料。建立的方法和评估模型是普遍有效,提供了新的技术路线的有效识别伪装目标模拟的操作环境。

在未来的研究中,模型平台可以丰富模型通过收集更多的数据,建立一个高光谱图像数据库,并进行持续的优化,这将有助于提高智力和未来的信息化操作环境。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(没有。62005254),山西省青年科学基金(没有。201901 d211280)和科技创新项目的高等教育机构在山西(没有。2019 l0565)。

引用

1. m . Mischiati和p s Krishnaprasad相互运动的动态伪装。”系统和控制信,卷61,不。9日,第903 - 894页,2012年。视图:出版商的网站|谷歌学术搜索
2. l . de菲利皮主持、g . Guglieri和f . Quagliotti”无人机路径规划策略在3 d环境中,“《智能与机器人系统,卷65,不。1 - 4、247 - 264年,2012页。视图:出版商的网站|谷歌学术搜索
3. y徐和g·巴塞特,“虚拟运动基于伪装的幻影跟踪代电子作战飞行器,通过合作”自动化,46卷,不。9日,第1461 - 1454页,2010年。视图:出版商的网站|谷歌学术搜索
4. z霁,s .贾和l .沈”无人监督的高光谱图像分类没有手动乐队乐队选择删除,”IEEE选择杂志的主题应用地球观测和遥感,5卷,不。2、531 - 543年,2012页。视图:谷歌学术搜索
5. y, j·陈,l .沈,“混合分层轨迹规划的固定翼无人执行空对地多目标攻击,”系统工程与电子技术》杂志上,23卷,不。4、256 - 264年,2012页。视图:出版商的网站|谷歌学术搜索
6. c . Zakian即漂亮,r·埃尔伍德“Near-infared高光谱成像的牙齿龋齿检测”《生物医学光学,14卷,不。6、文章ID 064047, 2009。视图:出版商的网站|谷歌学术搜索
7. r .玄奘和c . Chein-I”自动光谱在高光谱图像目标识别,”IEEE航空航天和电子系统,39卷,不。4、1232 - 1249年,2003页。视图:谷歌学术搜索
8. c·柯“军事目标检测使用多个从高光谱图像中提取信息,,”Procedings 2017国际会议的进展信息和计算(图片)南京,页124 - 128年,中国,2017。视图:谷歌学术搜索
9. g . Notesco e . Ben金龟子,a Brook”矿物的映射makhtesh雷蒙在以色列利用高光谱遥感日夜LWIR图像”Procedings 2014 6日研讨会的高光谱图像和信号处理:进化遥感(低语)2014年,页1 - 4,瑞士洛桑。视图:谷歌学术搜索
10. b . y, y l·陈,李y y”预处理的预测数据与BP神经网络和主成分分析,“科学与技术信息,17卷,29 - 30日,2009页。视图:谷歌学术搜索
11. r·a·波特拉克地区fMRI的利益分析,“社会认知与情感神经科学,卷2,不。1,第70 - 67页,2007。视图:出版商的网站|谷歌学术搜索
12. a . Yuille p·k·道格拉斯,美国哈里斯和m . s . Cohen,“机器学习算法的性能比较和独立的组件的数量用于fMRI解码的信仰与怀疑,”科学杂志卷,56号2、544 - 553年,2011页。视图:出版商的网站|谷歌学术搜索
13. L.-N。杨,l .彭L.-M。张,l l。张,s。杨”,人口发生的水田蔗螟预测模型(Scirpophaga incertulas),基于反向传播人工神经网络和主成分分析,“计算机和电子产品在农业,卷68,不。2、200 - 206年,2009页。视图:出版商的网站|谷歌学术搜索
14. Y.-Q。赵和j·杨”,基于稀疏表示的高光谱图像去噪和低秩约束,“IEEE地球科学和遥感,53卷,不。1,第308 - 296页,2015。视图:谷歌学术搜索
15. 波江、c·丁和j .唐”Graph-Laplacian PCA:封闭形式的解决方案和健壮性,”《IEEE计算机视觉与模式识别会议、港口的土地,或者美国,2013年6月。视图:谷歌学术搜索
16. c .叮,d .周x他和h·查“R 1-PCA:旋转不变的L 1-norm主成分分析对健壮的子空间分解,”学报》第23届国际会议上机器学习ACM,页281 - 288年,匹兹堡,宾夕法尼亚州,美国,2006年6月。视图:谷歌学术搜索
17. C.-M。冯,杨绍明。关铭高,J.-X。刘,学术界。郑,j . Yu”PCA基于图拉普拉斯算子的正则化和P-norm基因选择和集群、”IEEE生物科学,16卷,不。4、257 - 265年,2017页。视图:出版商的网站|谷歌学术搜索
18. C.-M。冯:“Joint-norm约束和graph-Laplacian PCA特征提取的方法,”生物医学研究的国际ID 5073427条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
19. j .曹r·帕内塔曰,A . Steyaert m . Young-Bellido和s·艾哈迈德,”一个朴素贝叶斯模型来预测七个跨膜域受体之间的耦合和g,”生物信息学,19卷,不。2、234 - 240年,2003页。视图:出版商的网站|谷歌学术搜索
20. c .霁t .董y李et al .,“倒与mapreduce基于网格的资讯查询处理,”学报2012年第七ChinaGrid年会2012年9月,IEEE,北京,中国,。视图:谷歌学术搜索
21. 道j .妈,x, x, j . Lu”集群过滤资讯:基于WLAN室内定位方案,”《2008年国际研讨会上一个无线的世界里,移动和多媒体网络(WOWMOM),页1 - 8,新港海滩、钙、美国,2008年6月。视图:谷歌学术搜索
22. r .膝,人类。Poggi, c . Tuleau-Malot”变量选择使用随机森林,”模式识别的字母没有,卷。31日。14日,第2236 - 2225页,2010年。视图:出版商的网站|谷歌学术搜索
23. b . h . Menze b . m .凯尔姆经常d . n . Splitthoff Koethe,和f . a . Hamprecht“斜随机森林。”机器学习与知识发现在数据库中卷,6912年,第469 - 453页,2011年。视图:出版商的网站|谷歌学术搜索
24. 朱g d·g·布隆伯格:“使用ASTER数据和支持向量机分类算法:啤酒舍瓦的案例研究,以色列,”环境遥感,卷80,不。2、233 - 240年,2002页。视图:出版商的网站|谷歌学术搜索
25. r . y . Chen赵,t .气”的策略构建一套校准模型估算总氮在水稻土壤光谱转换和Kennard-Stone算法,结合”光谱和光谱分析,37卷,不。7,2133 - 2139年,2017页。视图:谷歌学术搜索

版权

版权©2021 Donge赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。