專利名稱：一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像信息處理技術(shù)領(lǐng)域，尤其是一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法。
背景技術(shù)：
根據(jù)遙感地物目標(biāo)在形狀、外觀等方面的特性，可以從結(jié)構(gòu)復(fù)雜的目標(biāo)中分出一大類，該類目標(biāo)的結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一，例如:飛機(jī)、艦船目標(biāo)等。由于遙感圖像中包含的信息豐富、場(chǎng)景復(fù)雜，不僅放大了目標(biāo)的細(xì)節(jié)特征，而且使干擾得以增強(qiáng)，給對(duì)該類目標(biāo)的檢測(cè)定位帶來較大難度。隨機(jī)幾何(Stochastic geometry)理論是20世紀(jì)70年代在幾何概率學(xué)和積分幾何學(xué)的基礎(chǔ)之上發(fā)展起來的一門現(xiàn)代隨機(jī)集理論，對(duì)圖像場(chǎng)景中目標(biāo)模式的空間結(jié)構(gòu)進(jìn)行數(shù)學(xué)統(tǒng)計(jì)分析(見 Stoyan D, Kendall W S, Mecke J.1995.Stochastic Geometry andits Applications, 2nd edition.New York:Wiley)。90 年代，Miller 等將隨機(jī)幾何理論引入圖像處理領(lǐng)域，應(yīng)用于對(duì)感興趣目標(biāo)的形狀識(shí)別方面，其中具有代表性的成果是提出了可變形模板(Deformable template),用若干幾何圖形(包括具有閉合輪廓曲線的多邊形、線段、點(diǎn)等)來擬合目標(biāo)的輪廓(見Miller Μ.1991.Automated segmentation ofbiological shapes in electron microscopic autoradiography.1n Proceedings of the25th Annual Conference on Information Sciences and Systems, 637-642)。之后，為了對(duì)圖像中數(shù)目、分布等不確定的目標(biāo)建模，Baddeley等提出了基于隨機(jī)幾何和空間統(tǒng)計(jì)理論的建模方法，在原有的基于圖像低層數(shù)據(jù)的模型中引入高層信息，采用Markov過程模型對(duì)目標(biāo)的空間關(guān)系進(jìn)行約束(見 Baddeley A J, Lieshout V.1993.Stochastic geometrymodels in high-level vision.Applied Statistics,20(5&6):231-256)。最初的隨機(jī)幾何建模方式較為簡(jiǎn)單，通常采用低層的邊界線段作為目標(biāo)形狀輪廓的組成元素，基于目標(biāo)的邊緣特征建模，適用于目標(biāo)區(qū)域與背景差異顯著的情況。然而，當(dāng)遇到背景干擾嚴(yán)重，目標(biāo)輪廓難以準(zhǔn)確描述的情況時(shí)，該類方法往往很難獲得理想的處理結(jié)果。因此，為了克服邊緣特征穩(wěn)定性較低、包含信息量有限等缺點(diǎn)，研究者通常利用滑動(dòng)窗、網(wǎng)格、分割塊等方式，將目標(biāo)分解成若干特征區(qū)域塊，以此作為組成目標(biāo)的基本單元，以求獲取更豐富、可靠的信息。近年來，經(jīng)過國(guó)內(nèi)外研究者的不斷努力，基于隨機(jī)幾何理論的建模方法已逐漸發(fā)展成熟?；陔S機(jī)幾何模型的目標(biāo)檢測(cè)方法引入與目標(biāo)結(jié)構(gòu)特性相關(guān)的先驗(yàn)知識(shí)，通過對(duì)目標(biāo)及其組件的組合式建模，不僅能對(duì)特定物體的形狀、位置等隨機(jī)變化的特征參量進(jìn)行統(tǒng)計(jì)分析，而且還可以利用空間統(tǒng)計(jì)理論中的統(tǒng)計(jì)模型對(duì)物體在圖像場(chǎng)景中的空間分布狀況以及彼此之間的約束機(jī)制進(jìn)行統(tǒng)計(jì)估計(jì)，避免了目標(biāo)部分信息缺失對(duì)檢測(cè)結(jié)果的影響，有效地解決了對(duì)復(fù)雜場(chǎng)景下結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一目標(biāo)的精確定位問題
發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，以解決遙感圖像中結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一的目標(biāo)，如飛機(jī)、艦船等的自動(dòng)檢測(cè)問題。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)解決方案如下:一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其包括步驟:第一步，建立多類包 含遙感地物目標(biāo)的圖像代表集；第二步，針對(duì)待處理目標(biāo)具有結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一的特點(diǎn)，以組成目標(biāo)的幾何部件作為處理單元，構(gòu)建隨機(jī)幾何模型；第三步，構(gòu)建目標(biāo)部件的隨機(jī)幾何模型后，將目標(biāo)的自動(dòng)檢測(cè)問題轉(zhuǎn)化為尋求隨機(jī)目標(biāo)過程的最優(yōu)配置問題，采用馬爾可夫鏈蒙特卡洛(MCMC)方法估計(jì)非參數(shù)概率密度的極大值；第四步，利用隨機(jī)幾何模型檢測(cè)目標(biāo)。所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其所述第一步，包括:al、根據(jù)需要定義J個(gè)類別的遙感地物目標(biāo)，類別編號(hào)為I J，J為自然數(shù)；a2、對(duì)每個(gè)目標(biāo)類別，選取T幅圖像作為該類目標(biāo)的代表圖像，對(duì)每一類目標(biāo)圖像，任選T1幅圖像作為訓(xùn)練集，其余的T2幅圖像作為測(cè)試集；a3、對(duì)每幅目標(biāo)圖像標(biāo)記出目標(biāo)所屬類別及所在的區(qū)域范圍；a4、將所有J類目標(biāo)的圖像代表合并為多類目標(biāo)圖像代表集。所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其所述第二步，包括:b 1、參照標(biāo)記點(diǎn)過程，定義隨機(jī)幾何模型；b2、采用泊松(Poisson)點(diǎn)過程對(duì)遙感圖像地物目標(biāo)的分布建模；b3、構(gòu)建矩形模型，用于描述目標(biāo)各個(gè)幾何部件所在的區(qū)域；b4、將隨機(jī)幾何模型納入貝葉斯概率分析框架中，在給定輸入圖像I以及目標(biāo)配置X的條件下，將目標(biāo)在場(chǎng)景中特定位置的概率密度分布表示為:p(x| I) α p(l|x)p(x) (I)b5、將真實(shí)場(chǎng)景中目標(biāo)配置X的最大后驗(yàn)概率估計(jì)^表示為:
權(quán)利要求
1.一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，包括步驟: 第一步，建立多類包含遙感地物目標(biāo)的圖像代表集； 第二步，針對(duì)待處理目標(biāo)具有結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一的特點(diǎn)，以組成目標(biāo)的幾何部件作為處理單元，構(gòu)建隨機(jī)幾何模型； 第三步，構(gòu)建目標(biāo)部件的隨機(jī)幾何模型后，將目標(biāo)的自動(dòng)檢測(cè)問題轉(zhuǎn)化為尋求隨機(jī)目標(biāo)過程的最優(yōu)配置問題，采用馬爾可夫鏈蒙特卡洛方法估計(jì)非參數(shù)概率密度的極大值；第四步，利用隨機(jī)幾何模型檢測(cè)目標(biāo)。
2.如權(quán)利要求1所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第一步，包括: al、根據(jù)需要定義J個(gè)類別的遙感地物目標(biāo)，類別編號(hào)為I J，J為自然數(shù)； a2、對(duì)每個(gè)目標(biāo)類別，選取T幅圖像作為該類目標(biāo)的代表圖像，對(duì)每一類目標(biāo)圖像，任選T1幅圖像作為訓(xùn)練集，其余的T2幅圖像作為測(cè)試集； a3、對(duì)每幅目標(biāo)圖像標(biāo)記出目標(biāo)所屬類別及所在的區(qū)域范圍； a4、將所有J類目標(biāo)的圖像代表合并為多類目標(biāo)圖像代表集。
3.如權(quán)利要求1所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步，包括: bl、參照標(biāo)記點(diǎn)過程，定義隨機(jī)幾何模型； b2、采用泊松點(diǎn)過程對(duì)遙感圖像地物目標(biāo)的分布建模； b3、構(gòu)建矩形模型，用于描述目標(biāo)各個(gè)幾何部件所在的區(qū)域； b4、將隨機(jī)幾何模型納入貝葉斯概率分析框架中，在給定輸入圖像I以及目標(biāo)配置X的條件下，將目標(biāo)在場(chǎng)景中特定位置的概率密度分布表示為:p(x| I) p(I |x)p(x) (I) b5、將真實(shí)場(chǎng)景中目標(biāo) 配置X的最大后驗(yàn)概率估計(jì)X；表不為: X = argmaxp(x 11) = argmaxp(I | x)p(x)(2) XX 當(dāng)p (.) > O時(shí)，將后驗(yàn)概率密度P (x 11)寫成Gibbs能量形式: X = arg min [-log p(I | x) - log p(x)](3) X 定義Ud(X) =-1ogp (I I X)為似然能量,定義Up(X) =-1ogp(X)為先驗(yàn)?zāi)芰?；b6，結(jié)合目標(biāo)結(jié)構(gòu)的先驗(yàn)知識(shí)，構(gòu)建模型的先驗(yàn)項(xiàng)，對(duì)各類部件的相對(duì)關(guān)系進(jìn)行約束；b7、數(shù)據(jù)項(xiàng)反映的目標(biāo)配置X，即所有標(biāo)記點(diǎn)對(duì)圖像數(shù)據(jù)的配合程度，根據(jù)不同的應(yīng)用，選擇不同的模型數(shù)據(jù)項(xiàng)，方法是: bl.1、構(gòu)建高斯混合模型Udl(X):假定圖像灰度的概率密度函數(shù)是一個(gè)由兩個(gè)高斯分布成分組成的高斯混合模型，每個(gè)像素都被指定某一個(gè)高斯分布，那么Ν( μ i; Oi)為標(biāo)記點(diǎn)內(nèi)部的像素的分布函數(shù)，Ν(μ。，σο)為標(biāo)記點(diǎn)外部像素的分布函數(shù),其中，μ為均值，σ為方差，總數(shù)據(jù)項(xiàng)是所有像素的似然能量Udl(X)； b7.2、構(gòu)建線性模型Ud2(X):假定標(biāo)記點(diǎn)內(nèi)部的灰度滿足線性分布，定義中心處的均值最高(A+B)，邊緣的均值最低(B)，半徑為R，則到中心距離為r的過渡區(qū)域均值為B+AX (R_r)/R，背景的均值等同于邊緣的均值；bl.3、構(gòu)建隨機(jī)幾何模型的似然能量: Ud (X) = WsUdl (X) +WcUd2 (X) (5) 其中，Ws和W。分別為對(duì)應(yīng)的權(quán)重因子；b8、將模型先驗(yàn)?zāi)芰颗c似然能量相加，構(gòu)建隨機(jī)幾何模型的能量函數(shù)為:
4.如權(quán)利要求1或3所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步中b6,包括: b6.1、構(gòu)建避免部件之間重疊的懲罰項(xiàng)能量Upl (X)； b6.2、構(gòu)建鼓勵(lì)部件之間規(guī)則排列的獎(jiǎng)勵(lì)項(xiàng)能量Up2 (X)； b6.3、構(gòu)建避免部件孤立存在的懲罰項(xiàng)能量Up3(X)； b6.4、組合以上各項(xiàng)對(duì)應(yīng)的能量函數(shù)，將隨機(jī)幾何模型的先驗(yàn)?zāi)芰宽?xiàng)定義為:
5.如權(quán)利要求1所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第三步，包括: Cl、采用Gibbs抽樣尋求最優(yōu)配置，將目標(biāo)配置X劃分為多個(gè)元素，每次迭代都在其它元素不變的情況下進(jìn)行條件抽樣，得到一個(gè)新的元素； c2、令目標(biāo)配置X服從p(X)概率分布，且具有馬爾可夫性質(zhì)，其初始狀態(tài)為X(0) ={x1(0), x2(0),…，xN(0)}，且滿足 p(x1(0)，x2(0)，..., xN(0)) > 0: c3、在任意t時(shí)刻，從目標(biāo)配置
6.如權(quán)利要求1所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第四步，包括: dl、對(duì)于測(cè)試圖像，判斷其中是否存在目標(biāo)，如果不存在目標(biāo)，結(jié)束并輸出“不存在目標(biāo)”的結(jié)果； d2、如果存在目標(biāo)，利用隨機(jī)幾何模型處理圖像，獲得最優(yōu)目標(biāo)配置對(duì)應(yīng)的檢測(cè)結(jié)果，并輸出目標(biāo)的最終檢測(cè)位置。
7.如權(quán)利要求1或3所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步bl中，令X是點(diǎn)配置空間S= P x K x C上的一個(gè)隨機(jī)目標(biāo)過程，其中，
8.如權(quán)利要求1、3或4所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步b6.1中，當(dāng)圖像中多個(gè)地物目標(biāo)發(fā)生交叉重疊時(shí)，模型將其視為存在唯一物體的情況進(jìn)行處理，因此，在處理過程中對(duì)于檢測(cè)結(jié)果發(fā)生目標(biāo)重疊的情況予以“懲罰”，即將這類情況對(duì)應(yīng)的能量值設(shè)為無窮大； 對(duì)于任意兩個(gè)目標(biāo)和x)，n = Cs(Xi) = 1，2，3分別對(duì)應(yīng)三類部件，當(dāng)< ηX〗#0時(shí)，表示兩個(gè)目標(biāo)存在重疊。為了避免該情況的存在，將該先驗(yàn)?zāi)芰宽?xiàng)設(shè)置為一個(gè)無窮大的值；反之，將能量值設(shè)為O，即:
9.如權(quán)利要求1、3或4所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步b6.2中，在遙感圖像中，地物目標(biāo)如停機(jī)坪中的飛機(jī)往往呈現(xiàn)并排排列，因此，模型中鼓勵(lì)檢測(cè)結(jié)果符合以上規(guī)律排列，即:同類部件對(duì)應(yīng)結(jié)果在特定方向上位置近似；對(duì)于任意兩個(gè)目標(biāo) < 和X；1，當(dāng)|c2(<)-c2(xp>f時(shí)，表示兩個(gè)結(jié)果在特定方向上位置近似，其中，c2(<)表示該目標(biāo)在特定方向的坐標(biāo)值，ε是設(shè)定的小正整數(shù)；為了增加該情況出現(xiàn)概率，將先驗(yàn)?zāi)芰宽?xiàng)設(shè)為負(fù)整數(shù)M1 ;反之，將能量值設(shè)為O，即:
10.如權(quán)利要求1、3或4所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第二步b6.3中，地物目標(biāo)由各類部件組合而成，各個(gè)部件不可能孤立存在，因此，模型中對(duì)于部件檢測(cè)結(jié)果孤立存在的情況予以“懲罰”，將這類情況對(duì)應(yīng)的能量值設(shè)為無窮大；對(duì)于任意目標(biāo)<和x;"，且m關(guān)n，當(dāng)時(shí)，η是設(shè)定的正整數(shù)，取圖像中物體的長(zhǎng)度，表示該檢測(cè)結(jié)果中有部件是孤立存在，為了避免該情況的存在，將該先驗(yàn)?zāi)芰宽?xiàng)設(shè)置為一個(gè)無窮大的值；反之，將能量值設(shè)為O，即:
11.如權(quán)利要求1或5所述的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，其特征在于，所述第三步c4中，轉(zhuǎn)移核包括以下六種: (1)平移核:隨機(jī)改變一個(gè)目標(biāo)矩形的中心點(diǎn)位置，其主要作用是將當(dāng)前的目標(biāo)配置X=(X1,.*.,ΧΝ}中隨機(jī)選取的元素Xi變成X' i，得到新的目標(biāo)配置X'i,…，X1J，其中，Xi與V i之間滿足以下關(guān)系:
全文摘要
本發(fā)明公開了一種基于隨機(jī)幾何模型的遙感地物目標(biāo)自動(dòng)檢測(cè)方法，涉及圖像信息處理技術(shù)，包括步驟建立多類遙感地物目標(biāo)圖像代表集；選擇地物目標(biāo)的幾何部件作為處理單元，并利用各個(gè)幾何部件特性單一，同類部件之間相關(guān)性較大等先驗(yàn)知識(shí)，對(duì)目標(biāo)及其部件的組合方式構(gòu)建隨機(jī)幾何模型；采用馬爾科夫鏈蒙特卡洛(MCMC)方法估計(jì)非參數(shù)概率密度的極大值，獲取模型參數(shù)；自上而下地指導(dǎo)目標(biāo)的自動(dòng)檢測(cè)和定位。本發(fā)明方法既能夠克服目標(biāo)部分信息缺失對(duì)檢測(cè)結(jié)果的影響，又能減少目標(biāo)類間差異對(duì)檢測(cè)方法普適性的影響，對(duì)遙感圖像中結(jié)構(gòu)相對(duì)復(fù)雜但幾何部件特性相對(duì)單一的目標(biāo)(如飛機(jī)、艦船等)的自動(dòng)檢測(cè)具有較好的魯棒性和實(shí)用性。
文檔編號(hào)G06K9/32GK103150566SQ201110402428
公開日2013年6月12日 申請(qǐng)日期2011年12月6日 優(yōu)先權(quán)日2011年12月6日
發(fā)明者孫顯, 付琨, 王宏琦 申請(qǐng)人:中國(guó)科學(xué)院電子學(xué)研究所