马璐
北京市遥感信息研究所
摘要: 遥感卫星图像识别技术是当今世界的热门话题。针对军事目标识别领域中图像识别易受到多种干扰导致精度和识别效率低下的问题，对尺度不变特征转换算法（Scale-Invariant Feature Transform, SIFT）进行改进。提出使用哈希与描述符二值化的方法，来提升SIFT 特征匹配效率，将SIFT 描述符二值化，在损失些许精确度的情况下，降低计算特征点间距离的复杂度。实验结果显示，虽然SIFT 的二值化和哈希都损失些许精确度，但是整体的匹配速度提升许多，所花费的时间约为传统SIFT识别方式的2500分之一，而且本研究的哈希也能够运用在其他SIFT 二值化描述的方法，其匹配速度也比传统SIFT 搜寻方式快约2500倍。该方法降低整体匹配时间，且适用于其他 SIFT 二值化描述方法。
关键词:SIFT算法；二值化改进；哈希计算；军事目标识别；遥感卫星图像
1. 引言
遥感卫星图像是用高空卫星设备拍摄的高分辨率图像，其范围已大大扩展。同时，卫星可以全天不间断飞行，并且可以连续捕获大量遥感图像。科学技术的进步大大提高了卫星图像的拍摄和传输速度，分辨率不断提高，并实现了基于遥感图像的目标识别技术[1]。军事目标信息是重要的战略资源，基于遥感影像的军事目标识别技术具有广阔的应用前景。由于军事目标通常分布在复杂的地形和地形环境中，因此处理和分析这些大量的图像数据信息需要大量的计算[2]。基于遥感卫星图像的地面军事目标识别研究是一项非常必要和创新的研究，在未来的战争，军事模拟演习侦察中发挥重要作用[3]。但实际上，噪声、背景和天气等因素对军事目标的遥感卫星图像识别有很大影响。SIFT 是一种电脑视觉的演算法，在影像匹配特征方面有着极高的精确度，但是其匹配速度却非常慢，造成整体匹配效率不高[4]。故本研究利用尺度不变特征转换算法作为影像特征点提取并进行自动化影像匹配方法。本论文提出一个使用二值化描述符和哈希方法的方法，来改进和提升SIFT 算法遥感卫星图像目标识别的特征匹配率。
2. 方法
2.1 图像识别中的SIFT算法
SIFT算法是由DavidLowe所提出，主要运用在侦测和描述影像中的局部特征。在影像特征方面，具有旋转平移不变性和尺度缩放不变性。SIFT在撷取特征方面主要分成四种阶段，分别为尺度空间的极值侦测、关键点的定位、方向定位和关键点的描述符这四种阶段[5]。由于SIFT在匹配时间上比较耗费时间，所以将关键点描述符内的描述值进行二值化，以0或1的二元表示，借着描述符的二值化降低其计算上的复杂度来减少计算时间。
假设为SIFT特征描述符，依照大小排序描述符内的描述值，为排序后的SIFT特征描述符。接着决定以中位数为门槛值，，其中，。最后描述符转化为二值化描述符，转换方法为：
（1）
上述方法展现的SIFT描述符的转换是以4*4的区块，每区块内有8个方向数值，共128个描述值完成的。虽然将描述符二值化可以减少匹配上的计算时间，但是在转换过程中可能会遗失部分资讯而导致精确度的降低。另一种二值化描述符的方法是结合三种不同描述符二值化方法，其三种名称分别为内部数值(InnerValues)、水平数值(HorizontalValues)和垂直数值(VerticalValues)。
内部数值法依(2)所示，每区块内的8个方向依序比较其大小并产生8个0或1的二值化描述符，共有16 块，依照(3)、(4)所表示的顺序排序会产生128 位元的内部数值。
.png)
其中，表示水平数值。
垂直数值法与水平数值类似，但以垂直方向计算。从区块内8个方向描述值比较其垂直方向中下一个区块内所对应的方向描述值(9)、(10)所示，每次比较完一个区块会产生8个二值化描述符，共16块，依照(11)、(12)所表示的顺序排序会产生128 位元的垂直数值。
.png)
SIFT 在辨识结果上有优异的效果，但是其匹配时间过长，导致整体耗费的时间过于冗长，所以本研究将针对匹配部分进行改良，减少其匹配时间亦不会影响到匹配的精确度。
2.2 SIFT算法改进处理的图像匹配机制
遥感卫星图像在进行SIFT处理前，需要先调整图片大小。图片太大会增加撷取特征的数量和时间，所以调整图片大小是必要的[6]。由于考虑到资料库图片的大部分图片的宽为128像素，所以本研究在调整图片大小的方面，将图片以宽为128像素进行图片大小调整，然后进行灰阶化。图片经过SIFT处理后会产生若干个关键点描述符，每一描述符内有128个描述值(16区块*8方向)，其描述符排序的扫描顺序为从上到下、由左而右的排序，每个区块内8个方向则是以顺时针方向排序，最后得到128维度的描述符。本研究所提出的二值化方法首先计算出SIFT描述符内8个方向个别的平均值，接着依据每个方向的平均值分别对描述符内所对应的数值作二值化。
.png)
其中，。
存储描述符主要是将二值化描述符存入至哈希表，但是若只储存二值化描述符的话，就不能分辨该描述符是属于哪张图片，所以本阶段将每张图片的描述符二值化之后，经过哈希计算，最后将该二值化描述符与其图片的，，存入哈希表内，其中，为资料库图片的数量。
2.3 图像目标识别实验
本文将测试所提出的二值化描述符的精确度，以及经过哈希处理后，其精确度不影响原本结果。实验数据使用ImageNet的公共数据集和私有数据集。对于百度，谷歌的私人数据集以及主要的国家和国际军事网站的遥感卫星图像而言，使用python语言，完成图像抓取脚本，在脚本中指定目标类别运行程序并自动抓取。实验项目主要分为两大类，一类为遥感卫星复制影像(DuplicateImage，DI)侦测，另一类为遥感卫星近似复制影像(Near-DuplicateImage，NDI)侦测。遥感卫星复制影像测试方式为将8张图片转换成55张遥感卫星复制影像的图片，有11种变化，每种变化为5张，然后测试这55张遥感卫星复制影像是否在图片资料库内匹配到原始图片。遥感卫星近似复制影像的测试方式为将7种影像，总计35张，存放于资料库内，让其7种遥感卫星近似复制影像的原图与资料库内的图片进行匹配，看每种图片是否能匹配到其原始图像。
3. 结果与讨论
3.1 改进SIFT目标识别精确度结果
本实验在经过描述符二值化以后与资料库进行线性匹配，发现每种遥感卫星图片的55 张DI 皆可以匹配到资料库内的原始遥感卫星图片，结果可以发现在DI 的测试部分，其匹配的数量与SIFT 相同，代表DI 皆可以匹配到资料库内的原始图片。接着套入本研究所提出的哈希方法，再次进行匹配，依据结果发现经过本研究提出的哈希之后，其结果与线性的匹配数量是一样，这表示匹配结果不会因经过哈希的筛选而影响，证明本研究可以运用在DI 侦测上而且经哈希后也不影响原本线性匹配时的结果。
.png)
图-1 遥感卫星图像目标物匹配结果
本实验经过描述符二值化之后进行线性匹配，其结果总共匹配到28张，分别是bikes、cars和tree皆5张都匹配到，barks和boat为4张，bricks和graffiti分别为2张和3张；SIFT匹配张数为31张，分别是bikes、cars、tree、barks和boat能匹配到5张，在bricks和graffiti却只能匹配到3张，与本研究二值化描述符的匹配结果误差范围每种最多都1张。但是二值化描述是为了降低计算时间而会造成资讯的流失，所以在匹配结果上造成些微的差异。接着将其套入本研究所提出的哈希方法，再次进行匹配，其结果列于图-1。根据结果与前面的线性匹配比较，只有graffiti部分少匹配到一张，其他种类的图片所匹配到的数量都是一样。因此，经过哈希后的筛选也能几乎保留其原本线性匹配之结果。因此，在证明SIFT与本研究的二值化描述在NDI的测试上只有些微差异和二值化描述符经过哈希函式处理后也能匹配到几乎一样的情况下，可以证明本研究也可以运用在NDI的侦测。
3.2 改进SIFT目标识别时间效率结果
本节将分别对二值描述符后的线性匹配和经过哈希的匹配情况进行时间测量，并且也测量SIFT 线性匹配的时间。测试方面以NDI 的7 张原图进行匹配，并且测量其匹配所耗费的时间和方法结果比较列于表-1。
.png)
7种NDI的遥感卫星目标物测试图片bark、bikes、boat、bricks、cars、graffiti和tree的描述符二值化的线性匹配，其7张的平均匹配速度为0.673秒。经过哈希后的匹配时间，其平均速度为0.0111秒。SIFT的线性匹配时间其平均速度为28.238秒。以SIFT的匹配速度为1的话，经过二值化和线性匹配的速度较SIFT快42倍。经过二值化和哈希的SIFT匹配速度较SIFT快2544倍。
4. 结论
随着计算机技术的不断发展和算法的不断改进，目标识别技术不仅在民用领域取得了空前的发展，而且在军事目标识别领域也得到了越来越广泛的应用。传统的人工图像识别方法和基于模型的自动识别方法等方法存在识别速度慢，精度低等问题。为了提高识别地面军事目标的效率和准确性，本研究提出在使用哈希与描述符二值化技术的情况下，提升SIFT 特征匹配效率。将SIFT 描述符以本研究所提出的方法二值化，接着使用哈希技术进行匹配。虽然 SIFT 描述符经过二值化以后，或多或少会降低在匹配上的一些精确度，不过也缩短在匹配上的计算而减少时间，加上哈希亦能大幅降低其匹配资料的数量来缩短其匹配时间。本研究的实验结果显示在与传统SIFT 匹配的比较上，速度方面提升2544倍。
参考文献:
[1]张日升, 张燕琴.基于深度学习的高分辨率遥感图像识别与分类研究[J]. 信息通信,2017, (01):110-111.
[2]王伟男, 周亮. 基于图像处理技术的军事目标识别方法综述[J]. 电脑与信息技术, 2020, 1: 4-8.
[3] 徐丰, 王海鹏, 金亚秋. 深度学习在 SAR 目标识别与地物分类中的应用[J]. 雷达学报, 2017, 6(2): 136-148.
[4] 黄海波, 李晓玲, 熊文怡等. 基于 SIFT 算法的图像配准综述[J]. 软件导刊, 2019, 18(1): 1-4.
[5] 张博文, 甘淑. 基于改进 SIFT 算法的山谷地形影像匹配[J]. 软件, 2020, 2: 260-263.
[6] 郭一洋, 宋伟东, 戴激光. 一种改进的多源遥感影像 SIFT 算法匹配策略[J]. 测绘工程, 2017, 26(1): 26-31.