專利名稱：一種基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法
技術領域：
本發(fā)明屬于遙感圖像處理領域，涉及一種基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，可以應用于復雜背景下的遙感圖像多類感興趣目標區(qū)域檢測和精確定位。
背景技術：
遙感圖像的目標檢測是隨著遙感技術的發(fā)展而興起的一項新技術，具有作用距離遠、覆蓋范圍廣、執(zhí)行效率高等方面的優(yōu)點，同時也有著重要的軍事意義和民用價值。復雜場景遙感圖像的目標檢測，就是在遙感圖像分析和解譯的過程中，針對特定的一類或幾類目標，自動的提取出對解譯推理有用的關鍵性信息，并分析計算其相關屬性，為進一步的解譯檢測提供證據。此時的復雜場景，也正是由于遙感圖像覆蓋面積廣，包含目標多，紋理特征復雜，識別難度大而得名。目前主要的遙感圖像目標檢測算法主要有兩種思路自底向上的底層特征驅動型和自上而下的任務驅動型。由于對于遙感圖像來說，一幅圖像往往會包含很大范圍的場景，信息量大，紋理復雜，顏色豐富，如果能夠合理的將這些信息中的有用部分結合起來，則可以得出令人滿意的檢測結果。當然如果能夠借助特定任務目標的先驗知識，這將可以減少計算量，增加識別精度，例如在進行橋梁檢測和水體檢測時，一些學者根據橋梁和水域的特征提出了一種基于小樹變換的水域分割方法和知識驅動的橋梁檢測方法。他們首先對全色高分辨率遙感圖像根據橋梁先驗知識建立橋梁知識庫，利用小樹變換進行特征提取并分割水域，隨后進行數學形態(tài)學運算以連通水域，將連通前后的水域做差得到可能的橋梁片段，然后由可能的橋梁片段檢測橋梁候選區(qū)，最后進行特征匹配檢測出橋梁。但是此類算法有幾點缺陷第一，該算法首先需要根據人工選取的初始種子點確定水域的條件，然后根據初始種子點所處位置不同自動將河流分為兩部分，再由初始種子點開始分別對兩部分按順流速掃方式進行掃描，直至將河流掃描完畢。這種半自動的方法并不能夠滿足現在人們對目標完全自動識別的需求。第二，該算法只適應于水體和橋梁的檢測，如果更換目標，則此算法將不能完成準確的目標檢測。

發(fā)明內容
要解決的技術問題為了避免現有技術的不足之處，本發(fā)明提出了一種基于監(jiān)督方法的遙感圖像潛在多類目標區(qū)域檢測方法，可以自動地從具有復雜背景的遙感圖像中檢測并定位出多類目標的潛在區(qū)域，具有較好的檢測結果。技術方案一種基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于步驟如下步驟I提取低層顯著性特征分量圖將輸入圖像下采樣為200X200個像素，然后針對圖像中的每個像素提取低層顯著性特征。本發(fā)明選取了一些公認的與人類視覺注意相關的并且能夠觸發(fā)生物刺激的特征。具體如下
I)提取Itti模型中的3個對比性特征分量方向對比性特征分量，強度對比性特征分量和顏色對比性特征分量；2)提取紅，綠，藍3個顏色特征分量；3)提取Judd模型中的5個顏色概率特征分量。這些特征分量是由5個不同尺度的中值濾波器在圖像的3D顏色統(tǒng)計空間中計算得出的結果；步驟2提取中層顯著性特征分量圖將輸入圖像下采樣為200X200個像素，然后選取模型SR，SDS, FT, GBVS和WSCR作為中層顯著性特征分量提取方法，從頻域，局部對比度，中心-邊緣對比，稀疏表達等不同的角度計算輸入圖像的顯著性特征。具體如下1)SR提取算法設置尺度參數SR_scale = 3，利用SR提取算法得到顯著性特征
分量圖SR_map，在進行SR算法提取前將原始圖像縮小為原來的
權利要求
1.一種基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于步驟如下步驟I提取低層顯著性特征分量圖將輸入圖像下采樣為200X200個像素，然后針對圖像中的每個像素提取低層顯著性特征，具體如下.1)提取Itti模型中的3個對比性特征分量方向對比性特征分量，強度對比性特征分量和顏色對比性特征分量；.2)提取紅，綠，藍3個顏色特征分量；.3)提取Judd模型中的5個顏色概率特征分量；這些特征分量是由5個不同尺度的中值濾波器在圖像的3D顏色統(tǒng)計空間中計算得出的結果；步驟2提取中層顯著性特征分量圖將輸入圖像下采樣為200 X 200個像素，即dims =[200，200]，然后選取模型SR，SDS, FT, GBVS和WSCR作為中層顯著性特征分量提取方法，具體如下.OSR提取算法設置尺度參數SR_scale = 3，利用SR提取算法得到顯著性特征分量圖SR_map，在進行SR算法提取前將原始圖像縮小為原來的 ，并設定算法中高斯平滑窗口大小為gaussian_size = SR_scaleXs，s為一常數，其范圍在
，用于調節(jié)高斯平滑窗口大小；.2)SDS提取算法利用SDS算法生成顯著性特征分量圖SDSjnap ；.3)FT提取算法利用FT提取算法生成FT顯著性特征分量圖；其中設置FT提取算法中高斯平滑窗口的大小為gaussian_size = dims Xs ；.4 ) GBVS提取算法利用GBVS算法，提取顯著性特征分量圖GBVS_map ;其中設置params. LINE=I,以加入直線檢測通道；設置 params. UselttiKochInsteadOfGBVS=O,以利用隨機場模型進行計算；.5) SWCR提取算法利用SWCR算法生成顯著性特征分量圖SWCR_map ;其中設置patch_size=25, surroundratio=5 ;所述patch_size e [5, 50]表不算法中用于對比的圖塊大小；surroundratio e [3, 9]表示中心圖塊周圍的用于對比的區(qū)域范圍；步驟3訓練分類器從含有150幅圖像的圖像庫中隨機選取130幅圖像作為訓練樣本，首先將訓練樣本下采樣為200X200個像素，然后將每幅圖像中的目標生成groundtruth圖，分別從每一幅訓練圖像中的目標區(qū)域和非目標區(qū)域中隨機選取像素點，將選取的像素點上對應在各個顯著性特征分量圖中的顯著值以及他們在groundtruth圖中相應位置上的值作為訓練數據，送入SVM分類器中進行訓練，得出SVM分類器參數；所述groundtruth圖為二值圖，圖中目標區(qū)域的像素值為255，其他區(qū)域的像素值為O ;步驟4利用步驟3得出的分類器對測試圖像進行顯著性檢測將圖像庫中剩下的20幅圖像作為測試樣本，首先將圖像下采樣為200X200個像素，然后用圖像中的每一個像素點對應在各個顯著性特征分量圖中的顯著值構成向量X，輸入到SVM分類器中利用公式 TX+b得出每幅圖像的顯著圖Smap，其中ω，b為步驟2中訓練得出的分類器參數；步驟5顯著區(qū)域分割利用meanshift算法將原始圖像進行分割，得出分割區(qū)域為rk，k= 1,2... K，其中K表示分割出的區(qū)域總數，然后利用步驟4得出的顯著圖中的顯著值來計 算分割出的每個區(qū)域的平均顯著值
2.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述 Itti 模型為 A model of saliency-based visual attention for rapid sceneanalysis文章中的計算模型。
3.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述Judd模型為Learning to predict where humans look文章中的計算模型。
4.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述 SR 顯著性特征提取算法米用 Saliency Detection:A Spectral Re s i dual Approach文章中提出的SR算法進行顯著性特征提取。
5.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述 SDS 算法利用文章 Salient region detection and segmentation 中提出的 SDS算法。
6.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述FT算法利用文章Frequency-tuned salient region detection中提出的FT算法。
7.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述 GBVS 算法利用論文 Airport Detection in Remote Sensing Images BasedonVisualAttention中提出的改進GBVS算法。
8.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述 SWCR 算法利用文章 Emergence of simple-cell receptive field propertiesbylearning a sparse code for natural images 提出的 SWCR 算法。
9.根據權利要求I所述基于監(jiān)督方法的遙感圖像潛在目標區(qū)域檢測方法，其特征在于所述meanshift 算法利用文章Frequency-tuned Salient Region Detection 中提到的meanshift 算法。
全文摘要
本發(fā)明涉及一種基于監(jiān)督方法遙感圖像目標潛在區(qū)域檢測方法，可以應用于復雜背景下的遙感圖像多類感興趣目標區(qū)域檢測和定位。特征在于在對遙感圖像多類目標潛在區(qū)域進行檢測時，首先提取相應的顯著性特征分量，然后利用訓練樣本中的顯著性特征進行訓練得出SVM分類器參數，再將訓練好的分類器用于測試圖像中得到測試圖像的顯著圖，最后利用自適應閾值分割方法對顯著圖進行分割，得出目標潛在區(qū)域的二值圖。該方法具有較高的檢測精度和較低的虛警率，與現有方法相比具有明顯優(yōu)勢。
文檔編號G06K9/46GK102945378SQ201210408888
公開日2013年2月27日 申請日期2012年10月23日 優(yōu)先權日2012年10月23日
發(fā)明者韓軍偉, 張鼎文, 郭雷, 周培誠, 程塨, 姚西文 申請人:西北工業(yè)大學