第6章 目标特征提取方法
随着微电子、计算机、信息技术等学科的迅速发展和广泛应用，传感器技术也得到了快速发展，越来越多的应用系统配备了多个传感器以满足实际环境需要。因此，如何利用多个传感器所蕴含的丰富信息来确保系统更可靠、性能更卓越是摆在研究人员面前的一大任务。多传感器所蕴含的信息具有多样性、复杂性和冗余性，并且大多数应用环境需要对信息进行实时处理，单凭人是无法实现的，因此需要利用计算机进行计算，实现特征融合。所谓多传感器信息融合是指对来自多个传感器的信息进行多级别、多方面、多层次的处理与综合，从而获得更丰富、更精确、更可靠的有用信息。
多传感器图像特征融合是多传感器信息融合的一个分支。多传感器图像特征融合的主要思想是利用不同输入信道图像特征信息的冗余性和互补性，采用一定的特征提取方法，把两个或多个不同传感器图像进行特征提取和融合，从而使融合的目标特征向量能更全面地描述目标特征，进而提高目标识别系统的可靠性。例如，可见光传感器对图像的亮度变化敏感，能较好地显示对比度和纹理细节等，可以提取灰度图像的边缘纹理特征。红外传感器反映目标和场景的红外辐射特性，可以全天候监测，可以提取图像的形状特征。利用可见光和红外图像的互补性，分别提取同一场景可见光和红外图像的独有特征，得到一组目标融合特征量，进一步进行目标分类或识别。
随着科技发展，多传感器应用越来越多，是未来发展的趋势。而目标识别是多传感器应用的重要领域。特征提取是目标识别的关键技术，对目标能否有效识别起决定性作用。近年来对单一传感器的特征进行提取，已有很多学者在研究，并取得了很大的进展，但是对多种传感器进行特征提取和融合的研究并不多，有一些学者和院校刚刚开始。
无论采用什么融合算法进行自动目标识别，特征提取是关键。目标的特征是目标所具有的最基本的内容，是该目标特有的、用于区别于其他类型目标的最本质的属性。在实际目标识别应用系统中，如何使目标特征化、提取能够全面描述目标的特征是实现实时、准确目标识别的关键所在。作为目标识别的关键步骤，特征提取的目的是获取一组能准确描述目标的“少而精”的分类特征向量，通过对图像目标的特征提取，可以有效地减少冗余信息，减少系统的计算量，从而增强识别系统的可靠性。
在现有的目标识别系统中，常用的特征有角点特征、矩特征、纹理特征、变换特征、统计性特征等。
1.角点特征
在形状分析中，目标轮廓上的角点是形状常用的特征。相对于其他特征量而言，不受目标遮挡、缺损的影响，因此角点特征在目标识别中非常重要。然而，角点的定义一直很模糊，近年来学者提出了许多角点检测算法，如Kitchen发现以局部梯度乘以梯度方向的变化可以很好地提取角点。Harris和Stephens（1988）采用了相同的思想对Moravec算子进行改进，提出了著名的Plessey角点提取算子。Smith和Brady（1997）提出了一种完全不同的角点提取方法，即“SUSAN（Smallest Univalue Segment Assimilating Nucleus）”提取算子。SUSAN提取算子的基本原理是，与每一图像点相关的局部区域具有相同的亮度。
在目标识别中，角点特征应用广泛。卢汉清等人把形心到相邻两角点的直线所成的夹角作为特征量用于目标识别。ShutalLi等人把角点与线矩融合用于缺损目标识别，有较高的识别率。由于检测角点时容易出现漏检，通常利用角点和其他特征相结合，可以取得较好地识别效果。曹健等人提出了一种不变性的角点构造方法，用于目标识别中。
2.矩特征
不变矩是具有平移、比例和旋转不变性的几何矩。它是利用各阶矩的组合矩作为特征量，进行目标识别。Hu于1962年定义了连续函数矩，给出了七个不变矩，证明了矩具有平移、比例以及旋转不变性，并用于字母自动识别中。R.Y.Hong在Hu不变矩的基础上，推导出了离散函数不变矩的多项式。近年来，几何矩应用越来越多，许多学者和院校在理论方面做了许多研究，并提出了一些新的矩定义和性质。针对多项式不变矩含有冗余信息，引入了正交矩，人们提出了Zernike矩的基本定义和性质，及其计算方法和应用领域。进而，为了满足径向和角度旋转不变性，把几何矩推广到径向矩。随着小波理论的发展，Shen等提出了基于小波变换的小波不变矩，不仅能描述目标全局特征，还能描述目标局部特征。
3.纹理特征
图像的纹理是图像像素值在灰度空间上的重复和变化，或是反复出现的局部纹理模式及其排列规则。纹理特征是图像的最基本特征，并在视觉系统起着关键作用，为图像理解和分析提供了重要信息。Sutton和Hall研究了利用纹理的特征来分类识别肺病。Herlidou等人利用纹理的特征对磁共振脑组织进行识别。
4.变换特征
图像变换特征就是首先把图像变换成频域，利用频域中变换系数中的相关性来识别目标。在图像有随机噪声时，不影响变换特征的分类效果，较为常用的傅里叶变换就是用的图像频谱特征。
5.统计性特征
基于统计参数特征的目标识别是将一幅图像看成是一个二维随机过程的一次实现，这样便可以使用各种统计参数来描述图像的特征，这些统计参数有均值、方差、能量、熵等特征量。Haraliek等用灰度共生矩阵纹理特征对遥感图像进行分类研究，并获得了大约80%的分类精度。
目前国内外计算机视觉、模式识别与人工智能等领域都对图像的目标特征提取及其应用进行了深入研究，并取得了快速发展，一些成果已具备初步的实用价值。随着遗传算法、神经网络、形态学、统计学、小波理论等深入研究广泛应用，图像目标特征提取发展趋势如下：
多种特征融合：除了利用图像的原始灰度特征外，还可利用图像的高层次特征，如视觉特征、统计特征、变换系数特征等，通过多种特征的融合，能够更全面地描述图像目标，提取的特征更准确。多特征融合已得到广泛应用。例如，张建军等人把小波能量信息特征与图像矩特征结合起来，用于制导武器红外图像的目标识别，结果表明，有较高使用价值。将基于显著性特征提取的目标识别方法与序贯融合方法相结合，用于飞机目标识别。
多种提取方法结合：由于目标的多样性和复杂性，单一的特征提取方法难以对含复杂目标的图像进行提取。在这种情况下，除需要利用多种特征的融合外，还需要将多种提取方法结合使用，使提取方法充分发挥各自的优势，避免各自的劣势。比如于吉红等人把部分Hu矩、仿射矩和小波矩组合在一起，用于舰船图像目标的分类识别，提高了识别率。张劲锋等人把Hu不变矩的部分分量和仿射不变矩结合成新的特征向量，用于空间目标的识别。
多种传感器融合：由于不同传感器描述目标的多样性，采用单一传感器不能全面、准确描述目标，需要利用多种传感器的互补特性，提取目标的不同特征，进行多传感器特征融合，全面描述目标特征，提高识别系统的鲁棒性和识别率。例如，熊大容等人利用红外和可见光的互补优势，对远距离的目标进行检测，增强了系统的可靠性。凌虎等人分别提取不同传感器的轮廓特征，融合在一起用于目标检测。
与图像分割方法相适应：由于图像目标的多样性和各种应用需求的复杂性，图像的特征提取应与图像的分割方法相结合，特定的提取方法选择特定的分割方法，来获得最好的图像识别结果。
由于图像目标特征的复杂性和多样性，与图像分割相对应，现有的方法不能满足实际要求，一些根本问题有待进一步研究，还没有统一的应用所有模式识别的特征提取方法。虽然各种特征提取方法在提取能力和处理速度方面各有优势，但是在通用性、性能、准确率、自动化程度方面还有很多不足。因此，对于图像目标特征提取方法的研究需要付出更多努力和关注。