基于香蕉雷达回波图像的特征提取与识别

摘 要：

为了解决高速公路绿色通道验货部门存在的难以用人工的方法去判断车中是否夹带违禁物的实际问题，在采集香蕉的雷达回波图像的基础上，利用灰度共生矩阵的特征提取，提出了基于反向传播(BP)神经网络对香蕉的雷达回波图像进行识别和分类的方法，编制了香蕉的雷达回波图像的识别和分类软件。通过在河南高速服务区绿色通道验货部门的实际应用，表明该软件有较好的识别和分类效果。

关键词：

雷达回波；特征提取；灰度共生矩阵； 反向传播算法

中图分类号： TP183; TP391.41

文献标志码：A

英文标题



Feature extraction and recognition based on bananaradar echo images

英文作者名

MENG Hongfei1, NIU Jianqiang1, YANG Ruirui1, DUAN Shizhong2

英文地址(

1.Electronic and Information Engineering College, Henan University of Science and Technology, Luoyang Henan 471003,China;

2.China Airborne Missile Academy, Luoyang Henan 471003,China

英文摘要

)

Abstract:

It is difficult for thehighway green channel inspection department to detect prohibited goods in the vehicle by artificial methods. In order to solve this problem, this paper put forward a discernment and classification method based on BackPropagation (BP) neural network, making use of gray level cooccurrence matrix to extract feature from collected radar echo image with banana. Furthermore, the software for discernment and classification of radar echo image with banana was programmed. Practical application in the highway green channel inspection department in Henan province shows that the software has good discernment and classification performance.

英文关键词

Key words:

radar echo; feature extraction; gray level cooccurrence matrix; Back Propagation (BP) algorithm



0 引言

我国是农业大国，鲜活农产品在人们生活中显得尤其重要。为了建立顺畅、便捷的农产品流通网络，应国务院的要求，六部委联合制定了《全国高效率鲜活农产品流通“绿色通道”建设实施方案》［交公路发［2005］20号］并规定装有鲜活农产品的车辆走高速公路“绿色通道”免收通行费。随后公布鲜活农产品目录［5］，未在目录中所规定的物品，在通过“绿色通道”时，不享有“绿色通道”政策,应进行查处。然而随着“绿色通道”政策的长期持续执行，部分货运司机在利益的驱动下在装有香蕉的大型车里夹带违禁物，导致通行费的大量流失，而目前的人工使用钢钎的探测方法对大型车根本不起作用。本文主要针对装有香蕉的车辆进行检测和分类问题进行深入的探讨和研究，并给出关于装有香蕉的车辆夹带违禁物的识别和分类方法。香蕉的雷达回波图像特征提取与识别流程如图1所示。

图片

图1 香蕉的雷达回波像的识别流程



1 香蕉雷达回波的预处理

电磁波在香蕉中传输时，香蕉只是充当了传输介质。由于新鲜香蕉中通常都会含有大量的水分，这也是决定车厢内香蕉中是否夹带违禁物一个重要指标。影响电磁波的物理参数是导电率δ和介电常数ε，导电率决定电磁波的衰减，介电常数决定电磁波的传播速度，介电常数能够很大程度上反映介质的含水量。电磁波在导电介质中传播时，它的穿透能力是有限的。导电率越高衰减越大，反射就越强［12］。违禁物体由于不含水分或者含水分较少，受到照射时将会强反射，通过对反射回来的微弱信号进行放大，然后对雷达回波信号进行预处理，这个过程包括伪彩处理。

1.1 香蕉雷达回波的伪彩处理

伪彩处理的基本原理是将黑白图像或者单色图像的各个灰度级匹配到彩色空间中的一点，从而使单色图像映射成彩色图像。由于人眼对彩色的分辨能力远远高于对灰度的分辨能力，所以将灰度图像转化成彩色表示，就可以提高图像细节的辨别力,达到图像增强的目的［7］。

设f(x,y)为一幅黑白图像，R(x,y)、G(x,y)、B(x,y)为f(x,y)映射到RGB空间的3个颜色分量，则伪彩色处理可表示为：

R(x,y)=fr(f(x,y))(1)

G(x,y)=fg(f(x,y))(2)

B(x,y)=fb(f(x,y))(3)

其中fr、fg、fb为某种映射函数。给定不同的映射函数就能将灰度图像转化为不同的伪彩色图像。为了后面处理方便把香蕉的雷达回波数据矩阵归一化到0到1之间，然后通过映射函数把香蕉的雷达回波图像转化成灰度级为256的伪彩色图像，如图2所示。

图片

图2 两种不同情况的香蕉雷达回波



对敞篷车来说，雷达采集的数据中有一部分是在车辆在通过龙门架前后雷达直接照射地面时的强回波以及车头和车尾的回波，这几个区域不包括的有效信息应该去掉，而有效区域是车辆装载货物的车厢部分回波,如图3所示。

图片

图3 两种不同情况下的香蕉的雷达回波有效区域



2 香蕉雷达回波的特征提取

特征提取和选择的基本任务是研究如何在众多特征中求出那些对分类识别最有效的特征，从而实现特征空间维数的压缩［10］。针对香蕉的回波图像，提取灰度共生矩阵的五维特征向量。它的基本思想是研究灰度空间的相关性来描述纹理［11］，并从香蕉的雷达回波图像中提取纹理特征参数的灰度共生矩阵作为分类识别的特征参数。

灰度共生矩阵用pδ(i,j)(i,j=0,1,2,…,L-1)表示，其中L表示图像的灰度级，i、j分别表示两个像素的灰度，δ表示两个像素间的空间位置关系。不同的δ决定了两个像素间的距离和方向。当δ选定后，灰度共生矩阵pδ就确定了［1,3］。

第2期 

孟红飞等：基于香蕉雷达回波图像的特征提取与识别



计算机应用 第31卷

为了分析方便，矩阵元素常用概率值来表示，即将各元素pδ(i,j)除以各元素之和S，得到各元素都小于1的归一化值p∧δ(i,j)。

p∧δ(i,j)=pδ(i,j)S(4)

由此得到的共生矩阵是归一化共生矩阵：

1pδ(0,0)1pδ(0,1)…1pδ(0, j)…1pδ(0, L－1)

1pδ(1,0)1pδ(1,1)…1pδ(1, j)…1pδ(1, L－1)



1pδ(i,0)1pδ(i,1)…1pδ(i, j)…1pδ(i, L－1)



1pδ(L－1,0)1pδ(L－1,1)…1pδ(L－1, j)…1pδ(L－1, L－1)

为了更直观地以灰度共生矩阵描述纹理状况，根据上述矩阵可以提出多个纹理特征［8-9］，如二阶矩、对比度、相关、熵、逆差矩等。

1）二阶矩。

f1=∑L－1i=0∑L－1j=0p∧2δ(i,j)(5) 

二阶矩是灰度共生矩阵元素值的平方和，即也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则f1值小；反之，如果其中一些值大而其他值小，则f1值大。当共生矩阵中元素集中分布时，此时f1值大。f1值大表明一种较均一和规则变化的纹理模式。

2）对比度。

f2=∑L－1n=0n2[∑L－1i=0∑L－1j=0p∧δ(i,j)]; i－j=n(6)

图像的对比度反映了图像的清晰度,即纹理的清晰程度。在图像中，纹理的沟纹越深，则对比度f2 越大，图像的视觉效果也就越清晰。

3）相关。

f3= ∑L-1i = 0∑L-1j = 0ijp∧δ (i,j)-μ1 μ2 σ21 σ22 (7)

其中：μ1=∑L－1i=0i∑L－1j=0p∧δ(i,j)， μ2=∑L－1j=0j∑L－1i=0p∧δ(i,j)，

σ21=∑L－1i=0(i－μ1)2∑L－1j=0p∧δ(i,j)， 

σ22=∑L－1j=0(j－μ2)2∑L－1i=0p∧δ(i,j)。

相关是用来度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值f3 反映了图像中局部灰度的相关性。当矩阵元素值均匀相等时，相关值f3就大;反之，如果矩阵像元值相差很大，则相关值f3小。

4）熵。 

f4=－∑L－1i=0∑L－1j=0pδ∧(i,j)lbpδ∧(i,j)(8)

熵值用来度量图像所具有的信息量，纹理信息也属于图像的信息。

5）逆差距。 

f5=∑L－1i=0∑L－1j=0p∧δ(i,j)1+(i－j)2(9)

逆差矩f5反映图像纹理的同质性，度量图像纹理局部变化的多少。其值f5大，则说明图像纹理的不同区域间缺少变化，局部非常均匀。

利用灰度共生矩阵,提取二次统计量如二阶矩、对比度、相关、熵、逆差矩等参数，可以作为分类的特征向量。这种方法能够使正常情况和夹带违禁物的香蕉的回波图像的分离性更好［6,11］。表1是两种情况下的纹理特征参数。

表格(有表名)

表1 两种不同情况下的纹理特征参数

纹理特征正常情况夹带非金属违禁物

二阶矩0.50840.3316

对比度0.05840.0955

相关0.87640.9007

熵5.14026.1449

逆差矩0.97100.9522



3 香蕉雷达回波图像的分类

本文的分类器设计采用反向传播（Back Propagation, BP）神经网络，其结构简单，是目前神经网络中应用最广泛的一类网络，已经成功地解决了很多领域的实际问题，特别是在模式识别与分类方面［2］。标准的BP神经网络结构模型如图4所示。

图片

图4 BP神经网络结构模型



3.1 BP神经网络的基本介绍

BP神经网络是一种多层前馈神经网络，由输入层、隐层和输出层3部分组成，能够实现从输入到输出的任意非线性映射［4］。对于输入的信息，首先向前传播到隐含层，经过作用函数后，再把隐含层的输出信息传播到输出层，最后给出输出结果。其中，节点的作用函数通常选取Sigmoid型函数，网络的输入输出关系如下。

1）输入层。

输入节点：图像特征向量的各分量。输出节点：oi=xi。

2）隐含层。

输入节点：Ij=∑wjioi,wji为输入层i节点与j节点的连接权值。输出节点：oj=1/(1+exp(－Ij))。

3）输出层。

输入节点：Ik=∑wkjoj，wkj为隐含层j节点与输出层k节点的连接权值。输出节点：ok=11+exp(－Ik)。

BP神经网络的学习过程，由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层逐层处理并传向输出层，一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，并将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差最小［8-9］。

3.2 BP神经网络识别算法

在对夹带和未夹带违禁物的香蕉的雷达回波图像的分类识别时，需要有已经训练成型的分类器模型。如果在识别前没有这些模型，可以按以下步骤获得。

1) 输入训练样本。将输入样本进行归一化处理，使训练样本的输入特征值在［0，1］内。

2) 对网络进行初始化。对网络的权值与阈值进行随机初始化，网络的输入节点取特征向量的维数为5，输出节点的类别数为2，隐含层的节点数目与输入输出神经的数目有关系，一般情况见式(10)。

m=n+l+a(10)

其中：m代表隐层节点数，n代表输入层的节点数，l代表输出层的节点数，a为[1,10]内的常数。本文是在多次实验的基础上采用三层的BP神经网络，其中有5个输入层节点、1个隐层、12个隐节点和2个输出层节点,这样就构成了5122的3层BP神经网络。

y1y2=0.500.050.850.190.920.360.090.940.160.96

其中［y1,y2］表示正常情况和夹带情况下的期望输出的矢量矩阵。

3)进行BP网络训练，获取最终的权值与阈值矩阵。

4)输入待识别的样本，进行分类识别。

3.3 两种情况下香蕉的雷达回波像的识别实验

为了更好地识别出两种情况下的香蕉的雷达回波图象，本文的样本集是在夹带和没有夹带违禁物的两种情况下采集的香蕉的雷达回波图像，共16幅，每类各有8幅回波图像，然后计算出在两种情况下的纹理特征——二阶矩、对比度、相关、熵、逆差矩，最后从每一类回波图像中选取一定数量的样本作为训练样本，余下的作为测试样本。经过BP神经网络的训练，识别结果如表2所示。

表格(有表名)

表2 神经网络的识别结果

货物情况样本容量 训练样本出错数量正确识别率/%误认

正常情况8187.5夹带非金属违禁物

夹带非金属违禁物8275.0正常情况



从上面的实验结果可以看出，首先将香蕉的雷达回波图像经过伪彩处理，然后提取灰度共生矩阵二次统计量作为特征向量，采用BP神经网络的模式识别方法，对装有香蕉车辆的香蕉的雷达回波图象的两种情况具有很好的识别效果。

4 结语

本文通过分析两种情况下的香蕉回波图像的灰度共生矩阵，并在此基础上提取了多个纹理特征，即二阶矩、对比度、相关、熵、逆差矩，然后将它们的特征向量作为BP神经网络的输入参数，经过样本的训练、网络的学习。最后能够识别出车辆是否夹带违禁物，并且识别的准确率很高，能在很大程度上减少验货人员的工作强度，提高工作效率，具有很好的实用价值。

参考文献:

［1］

王耀南,李树涛,毛建旭.计算机图像处理与识别技术［M］.北京:高等教育出版社, 2001: 51-203.

［2］

陈梅，刘峰．基于神经网络的纹理识别技术［J］．贵州大学学报:自然科学版, 2003, 20(4): 400-406.

［3］

胡小锋，赵辉. Visual C++/Matlab图像处理与识别实用案例精选［M］.北京:人民邮电出版社, 2004: 119-129.

［4］

周开利，康耀红．神经网络模型及其Matlab仿真程序设计［M］.北京:清华大学出版社，2004.

［5］

交通部关于《全国高效率鲜活农产品流通“绿色通道”建设实施方案》[EB/OL]. [2010-06-20]. .cn/content.asp?ArticleID=161940.

［6］

郭德军，宋蜇存.基于灰度共生矩阵的纹理图像分类研究［J］.林业机械与木工设备，2005，33（7）：21-23.

［7］

姚敏.数字图像处理［M］．北京：机械工业出版社，2006：131-135.

［8］

韩英莉，颜云辉.基于BP神经网络的带钢表面缺陷的识别与分类［J］.仪器仪表学报, 2006, 27(12): 1692-1698.

［9］

董长虹.Matlab神经网络与应用［M］.2版.北京：国防工业出版社, 2007: 67-70.

［10］

孙即祥.现代模式识别［M］.2版.北京：高等教育出版社, 2008: 385-415.

［11］

范丽红，付丽，杨勇,等.灰度共生矩阵提取纹理特征的实验结果分析［J］.计算机应用, 2009, 29(4):1018-1021.

［12］

丁露飞，耿富录，陈建春.雷达原理［M］.北京:电子工业出版社, 2009: 2-14.

推荐访问:回波 香蕉 提取 识别 图像