基于 Hadoop 的遙感圖像顯著性目標檢測方法及系統(tǒng)的制作方法
【專利摘要】一種基于Hadoop的遙感圖像顯著性目標檢測方法及系統(tǒng)，包括輸入遙感圖像的灰度信息，對遙感圖像進行圖像分割，得到尺寸一致的圖像塊，獲取不同圖像塊的灰度信息，進行Map過程計算各圖像塊的紋理特征值與方向特征值，進行Reduce過程將各圖像塊在Map過程后得到的結(jié)果歸并輸出，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，得到整幅遙感影像最終的顯著特征圖。本發(fā)明中遙感圖像顯著性目標檢測方式綜合考慮了各個圖像塊之間的紋理信息與方向信息，具有更好的理論基礎(chǔ)，同時結(jié)果更加準確；使用云計算處理技術(shù)能夠大幅度提高大數(shù)據(jù)量的遙感圖像數(shù)據(jù)的運算處理能力，提高顯著性目標檢測效率與速度。
【專利說明】基于Hadoop的遙感圖像顯著性目標檢測方法及系統(tǒng)

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于Hadoop的遙感圖像顯著性目標檢測方法及系統(tǒng)。

【背景技術(shù)】
[0002]近年來，隨著數(shù)字圖像獲取與遙感技術(shù)的不斷發(fā)展，我們得到的圖像數(shù)據(jù)規(guī)模越來越龐大。圖像的顯著性檢測是檢測圖像中最能夠引起人興趣，最能表現(xiàn)圖像信息的區(qū)域。人在觀察圖像的時候，往往只對圖像的某一區(qū)域感興趣，因而在對圖像進行信息提取時，只對感興趣區(qū)域進行信息提取將可以很大程度上減少運算量同時提高計算效率。
[0003]面對日益增多的海量圖像數(shù)據(jù)，圖像的顯著性檢測等信息提取工作變得越來越困難。為了降低圖像處理成本同時提高圖像處理的速度，需要提出效率更高的面向大規(guī)模圖像數(shù)據(jù)的處理技術(shù)，以達到圖像處理速度與精度之間的平衡。傳統(tǒng)的圖像顯著性目標檢測技術(shù)在計算全局顯著性目標時需要對整張圖片的每一個像素都進行處理，隨著圖像規(guī)模的增大，運算時間相對于圖像大小呈指數(shù)形式增加，導(dǎo)致運算效率低下，難以適應(yīng)實際需求。為了適應(yīng)圖像規(guī)模的日益增大，研究者引入云計算技術(shù)作為應(yīng)對該問題的一種解決方案。
[0004]云計算是一種新的計算模式，具有超大規(guī)模，虛擬化，高可拓展性，高可靠性等多種特點。Hadoop作為一種可對大量數(shù)據(jù)進行分布式處理的云計算框架，是基于Google公司Google File System和MapReduce計算模型的開源實現(xiàn),用戶可以在不了解分布式底層細節(jié)的情況下開發(fā)分布式程序，充分利用集群的威力進行高速的運算和存儲。Map-Reduce是一種編程框架，采用了概念"Map(映射)"和"Reduce(歸約)"，用于大規(guī)模數(shù)據(jù)集(大于1TB)的并行運算。但是對于具體技術(shù)問題，需要解決如何規(guī)劃技術(shù)方案以便并行實現(xiàn)的問題，本領(lǐng)域尚未有具有理想效果的方案出現(xiàn)。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于針對當前技術(shù)手段在解決大數(shù)據(jù)量遙感圖像顯著性目標檢測過程中遇到的檢測效率低等問題，提出了一種基于Hadoop云計算平臺的分布式遙感圖像顯著性目標檢測手段。
[0006]為達到上述目的，本發(fā)明提供一種基于Hadoop的遙感圖像顯著性目標檢測方法，包括以下步驟，
[0007]步驟I，輸入一幅遙感圖像的灰度信息；
[0008]步驟2，對遙感圖像進行圖像分割，分割得到尺寸一致的圖像塊；創(chuàng)建〈key，value)鍵值對，每個圖像塊對應(yīng)一組鍵值對，key值代表圖像塊在整幅圖像中所處的位置信息(i，j)，(i，j)為該圖像塊在整幅遙感影像中的位置坐標，value值用來存儲后續(xù)步驟計算所得該圖像塊的紋理特征值與方向特征值；
[0009]步驟3，根據(jù)步驟2的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G(i，j)；
[0010]步驟4，進行Map過程，包括根據(jù)灰度信息分別計算各圖像塊的紋理特征值與方向特征值，圖像塊的紋理特征值記為t(i，j)，圖像塊的方向特征值記為0(i，j)；
[0011 ] 步驟5，進行Reduce過程，包括將各圖像塊在Map過程后得到的結(jié)果歸并輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值；
[0012]步驟6，根據(jù)步驟5所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(x，y)，相應(yīng)紋理顯著性特征值St(x,y)和方向顯著性特征值Sckx,y)計算如下，

I V 'Μ,Ν
[0013]St^Xfyy = M ^ Λ/ y ^ I i Wfey) I (U) χ IItOy) — 11

I V λ Μ,N
[0014]*^0(z,y) = M V / ■■ 1J tΧ 11 ^{x,y) — 11
[0015]其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)目，Wtymiij)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)；
[0016]步驟7，得到整幅遙感影像最終的顯著特征圖，包括對各圖像塊的紋理顯著性值st(x,y)和方向顯著性值So(x,y)疊加如下，
[0017]SF(x,y) = St(x,y)+S0(x,y)
[0018]其中，SF(x,y)表示在整幅遙感影像中坐標為(X，y)的圖像塊的顯著性特征值。
[0019]而且，步驟4中，圖像塊的紋理特征值采用該圖像塊的圖像灰度方差值。
[0020]而且，步驟4中，圖像塊的方向特征值采用對該圖像塊進行Gabor濾波后得到的最大方向圖的平均灰度值。
[0021]一種基于Hadoop的遙感圖像顯著性目標檢測系統(tǒng)，包括以下模塊，
[0022]輸入模塊，用于輸入一幅遙感圖像的灰度信息；
[0023]圖像分割模塊，用于對遙感圖像進行圖像分割，分割得到尺寸一致的圖像塊；創(chuàng)建〈key, value)鍵值對,每個圖像塊對應(yīng)一組鍵值對，key值代表圖像塊在整幅圖像中所處的位置信息(i，j)，(i，j)為該圖像塊在整幅遙感影像中的位置坐標，value值用來存儲后續(xù)步驟計算所得該圖像塊的紋理特征值與方向特征值；
[0024]圖像塊灰度信息提取模塊，用于根據(jù)圖像分割模塊的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G (i，j)；
[0025]映射模塊，用于進行Map過程，包括根據(jù)灰度信息分別計算各圖像塊的紋理特征值與方向特征值，圖像塊的紋理特征值記為t(i，j)，圖像塊的方向特征值記為0(i，j)；
[0026]歸約模塊，用于進行Reduce過程，包括將各圖像塊在Map過程后得到的結(jié)果歸并輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值；
[0027]全局特征提取模塊，用于根據(jù)歸約模塊所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(X，y)，相應(yīng)紋理顯著性特征值st(x,y)和方向顯著性特征值 S〇(x，y) 計算如下，
IiM,iV
[0028]St(x:y) = ΜχΝ/_,._x Ht(^y) — %J)H



t 一丄》_/ —丄

I ^^ιΜ,Ν
[0029]S0{xy) = M χΝ 2^.=1 j=i w(x,yMJ) x 丨丨 °(x,y) ~ 0XQ) I 丨
[0030]其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)目，Wtymiij)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)；
[0031]顯著特征圖生成模塊，用于得到整幅遙感影像最終的顯著特征圖，包括對各圖像塊的紋理顯著性值st(x,y)和方向顯著性值S&d疊加如下，
[0032]SF(x,y) = St(x,y)+S0(x,y)
[0033]其中，SF(x,y)表示在整幅遙感影像中坐標為(X，y)的圖像塊的顯著性特征值。
[0034]而且，圖像塊灰度信息提取模塊中，圖像塊的紋理特征值采用該圖像塊的圖像灰度方差值。
[0035]而且，圖像塊灰度信息提取模塊中，圖像塊的方向特征值采用對該圖像塊進行Gabor濾波后得到的最大方向圖的平均灰度值。
[0036]本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點:
[0037]1、本發(fā)明中使用到的遙感圖像顯著性目標檢測方式綜合考慮了各個圖像塊之間的紋理信息與方向信息，具有更好的理論基礎(chǔ)，同時結(jié)果更加準確。
[0038]2、本發(fā)明使用云計算處理技術(shù)，能夠大幅度提高大數(shù)據(jù)量的遙感圖像數(shù)據(jù)的運算處理能力，提高顯著性目標檢測效率與速度。
[0039]3、本發(fā)明提出的改進遙感圖像顯著性目標檢測的方法，在不影響顯著性目標檢測的準確性的條件下，能夠顯著提高運算效率，更有效的利用計算資源。

【具體實施方式】
[0040]本發(fā)明提供一種利用分布式計算框架Hadoop對海量遙感圖像數(shù)據(jù)進行顯著性檢測的方法，基于開源云計算平臺來提高遙感圖像處理速度。顯著性檢測過程包括首先實現(xiàn)圖片的分割，獲取每塊圖片的灰度信息；隨后，通過計算每塊圖片亮度的方差表示圖像塊之間紋理的差異性，同時利用Gabor濾波計算不同圖像塊的方向信息作為該圖像塊的方向特征值；對獲取到的紋理信息及方向信息，依次將該圖像塊與全局范圍內(nèi)各個圖像塊進行比較計算得出該圖像塊在全局的顯著性特征值。顯著性檢測過程的實現(xiàn)依賴于Hadoop開源云計算平臺的MapReduce模型。由Hadoop將輸入的數(shù)據(jù)進行分段處理,通過構(gòu)建的Map函數(shù)對各段數(shù)據(jù)進行處理，在Reduce階段對Map函數(shù)的處理信息歸并生成最終結(jié)果。下面結(jié)合實施例對本發(fā)明技術(shù)方案進一步詳細說明。
[0041]本發(fā)明技術(shù)方案可采用計算機軟件方式支持自動運行。實施例具體步驟為:
[0042]步驟1，輸入一幅遙感圖像的特征參數(shù)，即遙感圖像的灰度信息；若原始的遙感圖像為非灰度圖像，轉(zhuǎn)換為灰度圖像，即可得到灰度信息，實施例中將彩色圖片轉(zhuǎn)換為8位灰度圖像進行操作。
[0043]步驟2，根據(jù)步驟I輸入的遙感圖像，進行圖像分割，分割成為具有一定大小的圖像塊(patch)。
[0044]具體實施時，本領(lǐng)域技術(shù)人員可預(yù)先設(shè)定圖像塊尺寸，實施例將圖像按大小為64X64像素的圖像塊分塊，對于每個圖像塊，都擁有代表本圖像塊的紋理特征值和方向特征值。
[0045]在MapReduce程序運行的開始階段，Hadoop需將待處理的圖像進行切分，按定義格式讀取等操作。
[0046]Hadoop支持的數(shù)據(jù)輸入和讀取需要實現(xiàn)InputFormat接口，InputFormat定義了HDFS輸入圖像數(shù)據(jù)的切片和存儲工作的各種方法規(guī)范，這一接口實現(xiàn)的默認Hadoop支持的數(shù)據(jù)輸入格式包括FileInputFormat等。實現(xiàn)該接口主要實現(xiàn)兩個方法，即getSplitsO與getRecordReaderO方法，前者對HDFS輸入數(shù)據(jù)進行切片操作，返回各個切片數(shù)組；后者為切片迭代器讀取各個切片，生成RecordReader, RecordReader通過creatKey O ,creatValue ()方法創(chuàng)建可供Map處理的〈key, value〉鍵值對。每個圖像塊對應(yīng)一組鍵值對，key值代表該圖像塊在整幅圖像中所處的位置信息(i，j)，即該圖像塊在整幅遙感影像中的位置坐標；value值則用來存儲后續(xù)步驟計算出來的該圖像塊相對于整幅圖像的顯著性特征值，即步驟4所得紋理特征值與方向特征值。
[0047]步驟3，根據(jù)步驟2的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G(i，j)，(i，j)表示該圖像塊在整幅遙感影像中的位置坐標。
[0048]步驟4，基于步驟3所得結(jié)果，根據(jù)灰度信息計算各圖像塊的紋理特征值與方向特征值。紋理信息通過對灰度圖像中各圖像塊的灰度值計算方差獲得。方向信息通過對各圖像塊進行Gabor濾波獲得。實施例的步驟4具體實現(xiàn)如下，
[0049]針對每個圖像塊，計算圖像塊的紋理特征值，具體實施時可計算任一圖像塊的圖像灰度方差值或其他特征作為該圖像塊的紋理特征值，記為t(i，j)表示該圖像塊在整幅遙感影像中的位置坐標。
[0050]針對每個圖像塊，計算圖像塊的方向特征值，具體實施時可將對任一圖像塊進行Gabor濾波后得到的最大方向圖的平均灰度值作為該圖像塊的方向特征值，記為0(i，j)，i，j表示該圖像塊在整幅遙感影像中的位置坐標。
[0051]步驟5，步驟4對各圖像塊分別計算其紋理特征值與方向特征值后(即進行Map過程)，將各圖像塊在Map過程后得到的結(jié)果歸并(即Reduce過程)輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值。
[0052]步驟6，根據(jù)步驟5所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(1，7)，具體公式如下:

II MrN
[0053]St(x>y) = Μ χ N.=1x 11 Hx.y) ~ f(iJ) 11

I V-1
[0054]S0(Xiy) = MW(.x,y)\{i,j) X \ \0{x,y) — 0{?ι})\\

*L 丄,_/ 丄
[0055]其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，t(i，j)表示該圖像塊(i，j)的紋理特征值，0(i, j)表示該圖像塊(i，j)的方向特征值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)目，t(x，y)示圖像塊(x，y)的紋理特征值，0(x, y)表示該圖像塊(χ, y)的方向特征值，W(x,y)l(i,j)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，其值等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)，II表示圖像塊間紋理特征值的差異性，其值等于紋理特征值之差的絕對值，I |0(x,y)-0^)| I表示圖像塊間方向特征值的差異性，其值等于方向特征值之差的絕對值。
[0056]遙感圖像的顯著性檢測過程主要由兩部分構(gòu)成:⑴各圖像塊(X，y)與其他圖像塊(i，j)在位置上的歐幾里得距離，取距離的倒數(shù)作為顯著性影響系數(shù)W0^ymiij),即權(quán)重W,2)計算某一圖像塊(X，y)與其余圖像塊在紋理，方向兩個特征空間的歐氏距離，進而計算該圖像塊(x，y)的紋理顯著性值St(x,y)與方向顯著性值SQ(x,y)。
[0057]步驟7，最終的顯著特征圖表示方法如下:
[0058]SF(x,y) = St(x,y)+S0(x,y)
[0059]SF(x,y)表示在整幅遙感影像中坐標為(X，y)的圖像塊的顯著性特征值。通過紋理顯著性值st(x,y)和方向顯著性值St^y)的疊加，獲得該圖像塊的最終顯著性特征值，進而得到整幅遙感影像的顯著性檢測圖。記Sf指為由圖像塊的方向特征值與紋理特征值進行線性疊加得到的全局圖像的顯著特征圖。
[0060]本發(fā)明還相應(yīng)提高一種基于Hadoop的遙感圖像顯著性目標檢測系統(tǒng)，包括以下模塊:
[0061]輸入模塊，用于輸入一幅遙感圖像的灰度信息；
[0062]圖像分割模塊，用于對遙感圖像進行圖像分割，分割得到尺寸一致的圖像塊；創(chuàng)建〈key, value)鍵值對,每個圖像塊對應(yīng)一組鍵值對，key值代表圖像塊在整幅圖像中所處的位置信息(i，j)，(i，j)為該圖像塊在整幅遙感影像中的位置坐標，value值用來存儲后續(xù)步驟計算所得該圖像塊的紋理特征值與方向特征值；
[0063]圖像塊灰度信息提取模塊，用于根據(jù)圖像分割模塊的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G (i，j)；
[0064]映射模塊，用于進行Map過程，包括根據(jù)灰度信息分別計算各圖像塊的紋理特征值與方向特征值，圖像塊的紋理特征值記為t(i，j)，圖像塊的方向特征值記為0(i，j)；
[0065]歸約模塊，用于進行Reduce過程，包括將各圖像塊在Map過程后得到的結(jié)果歸并輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值；
[0066]全局特征提取模塊，用于據(jù)歸約模塊所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(x，y)，相應(yīng)紋理顯著性特征值St(x,y)和方向顯著性特征值 S〇(x，y) 計算如下，

I \ I MtN
[0067]St{xy) = Μ χ N Z_,i=lj=1x Hcfey) — tGJ) 11
[0068]^0(x,y) — χ PJ /..1.1 ^(x,y) I (i J) X I 丨 ^(x,y) ~ O(JlJ) 11
[0069]其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)目，Wtymiij)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)；
[0070]顯著特征圖生成模塊，用于得到整幅遙感影像最終的顯著特征圖，包括對各圖像塊的紋理顯著性值St(x,y)和方向顯著性值S(^y)疊加如下，
[0071]SF(x,y) = St(x,y)+S0(x,y)
[0072]其中，SF(x,y)表示在整幅遙感影像中坐標為(X，y)的圖像塊的顯著性特征值。
[0073]各模塊具體實現(xiàn)與步驟相應(yīng)，本發(fā)明不予贅述。
[0074]本文中所述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬【技術(shù)領(lǐng)域】的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方法替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。
【權(quán)利要求】
1.一種基于Hadoop的遙感圖像顯著性目標檢測方法，其特征在于:包括以下步驟， 步驟I，輸入一幅遙感圖像的灰度信息； 步驟2，對遙感圖像進行圖像分割，分割得到尺寸一致的圖像塊；創(chuàng)建〈key，value)鍵值對，每個圖像塊對應(yīng)一組鍵值對，key值代表圖像塊在整幅圖像中所處的位置信息(i，j)，(i，j)為該圖像塊在整幅遙感影像中的位置坐標，value值用來存儲后續(xù)步驟計算所得該圖像塊的紋理特征值與方向特征值； 步驟3，根據(jù)步驟2的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G(i，j)； 步驟4，進行Map過程，包括根據(jù)灰度信息分別計算各圖像塊的紋理特征值與方向特征值，圖像塊的紋理特征值記為t(i，j)，圖像塊的方向特征值記為0(i，j)； 步驟5，進行Reduce過程，包括將各圖像塊在Map過程后得到的結(jié)果歸并輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值； 步驟6，根據(jù)步驟5所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(x，y)，相應(yīng)紋理顯著性特征值St(x,y)和方向顯著性特征值Sckx,y)計算如下，
I ^^Μ,Ν ^Kx.y) = μ V μ /x Ilt(^y) _ 11
IiM,iV ^0(x,y) — μ x N / ,.l ,_丄X 110(x,y) _11 其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)IWtymiij)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)； 步驟7，得到整幅遙感影像最終的顯著特征圖，包括對各圖像塊的紋理顯著性值St(x,y)和方向顯著性值So(x,y)疊加如下，
Sf(x, y) — St(Xj y)+S0(x, y) 其中，SF(x,y)表示在整幅遙感影像中坐標為(x，y)的圖像塊的顯著性特征值。
2.根據(jù)權(quán)利要求1所述基于Hadoop的遙感圖像顯著性目標檢測方法，其特征在于:步驟4中，圖像塊的紋理特征值采用該圖像塊的圖像灰度方差值。
3.根據(jù)權(quán)利要求1所述基于Hadoop的遙感圖像顯著性目標檢測方法，其特征在于:步驟4中，圖像塊的方向特征值采用對該圖像塊進行Gabor濾波后得到的最大方向圖的平均灰度值。
4.一種基于Hadoop的遙感圖像顯著性目標檢測系統(tǒng)，其特征在于:包括以下模塊， 輸入模塊，用于輸入一幅遙感圖像的灰度信息； 圖像分割模塊，用于對遙感圖像進行圖像分割，分割得到尺寸一致的圖像塊；創(chuàng)建〈key, value)鍵值對,每個圖像塊對應(yīng)一組鍵值對，key值代表圖像塊在整幅圖像中所處的位置信息(i，j)，(i，j)為該圖像塊在整幅遙感影像中的位置坐標，value值用來存儲后續(xù)步驟計算所得該圖像塊的紋理特征值與方向特征值； 圖像塊灰度信息提取模塊，用于根據(jù)圖像分割模塊的分割結(jié)果，獲取不同圖像塊的灰度信息，記為G (i，j)； 映射模塊，用于進行Map過程，包括根據(jù)灰度信息分別計算各圖像塊的紋理特征值與方向特征值，圖像塊的紋理特征值記為t(i，j)，圖像塊的方向特征值記為0(i，j)； 歸約模塊，用于進行Reduce過程，包括將各圖像塊在Map過程后得到的結(jié)果歸并輸出以獲得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值； 全局特征提取模塊，用于根據(jù)歸約模塊所得整幅遙感影像中所有圖像塊的紋理特征值和方向特征值，計算基于全局的各圖像塊的紋理顯著性特征值和方向顯著性特征值，設(shè)某圖像塊在整幅遙感影像中的坐標值為(x，y)，相應(yīng)紋理顯著性特征值St(x,y)和方向顯著性特征值 S〇(x，y) 計算如下，
I
I ^ I Μ,N ^o{x,y) = Μ vW/,,丄；^χ11 其中，(i，j)表示任一圖像塊在整幅遙感影像中的坐標值，M表示整幅遙感圖像橫向包含的圖像塊數(shù)目，N表示整幅遙感圖像縱向包含的圖像塊數(shù)IWtymiij)表示在整幅遙感影像中坐標為(x，y)的圖像塊與坐標為(i，j)的圖像塊之間的顯著性影響系數(shù)，等于這兩個圖像塊在空間位置上的歐幾里得距離的倒數(shù)； 顯著特征圖生成模塊，用于得到整幅遙感影像最終的顯著特征圖，包括對各圖像塊的紋理顯著性值St(x,y)和方向顯著性值So(x,y)疊加如下，
Sf(x, y) — St(Xj y)+S0(x, y) 其中，SF(x,y)表示在整幅遙感影像中坐標為(x，y)的圖像塊的顯著性特征值。
5.根據(jù)權(quán)利要求4所述基于Hadoop的遙感圖像顯著性目標檢測系統(tǒng)，其特征在于:圖像塊灰度信息提取模塊中，圖像塊的紋理特征值采用該圖像塊的圖像灰度方差值。
6.根據(jù)權(quán)利要求4所述基于Hadoop的遙感圖像顯著性目標檢測系統(tǒng)，其特征在于:圖像塊灰度信息提取模塊中，圖像塊的方向特征值采用對該圖像塊進行Gabor濾波后得到的最大方向圖的平均灰度值。
【文檔編號】G06T7/00GK104299241SQ201410598661
【公開日】2015年1月21日 申請日期:2014年10月30日 優(yōu)先權(quán)日:2014年10月30日
【發(fā)明者】陳震中, 丁曉穎, 劉弘一, 李寧 申請人:武漢大學(xué)