CN101980247A - 海量遥感图像中基于纹理谱相似性的无价值图像判读方法 - Google Patents

Abstract

本发明公开了一种海量遥感图像中基于纹理谱相似性的无价值图像判读方法，用于解决现有的海量遥感图像中无价值图像判读方法效率低的技术问题。技术方案是将待判读图像转化为纹理图像，然后分块，对每块纹理图像统计得到纹理谱，计算各块之间的纹理谱相似性，将图像中块与块之间纹理谱相似性的最小值作为判定准则，依据该准则判定图像是否为无价值图像。由于只对待判读图像本身进行处理，因此避免了对大量训练样本的需求；对每幅图像单独提取一个准则，避免了提取所有无价值图像的统一判读准则，滤除了无价值图像，减少了处理时间，从整体上提高了处理效率。

Description

海量遥感图像中基于纹理谱相似性的无价值图像判读方法

技术领域

本发明涉及一种无价值图像判读方法，特别是一种海量遥感图像中基于纹理谱相似性的无价值图像判读方法。

背景技术

随着遥感图像获取手段越来越多，越来越先进，获取的遥感图像的数量也越来越大，在这种情况下，一些只包含自然景物，如海洋，沙漠，森林等无价值图像无法用于进一步的图像处理，如人工目标提取、识别，因此对海量图像进行判读，并从中滤除这些无价值图像将能提高海量图像的处理效率。

文献“利用颜色和纹理特征的图像过滤方法.徐欣欣袁华张凌.华南理工大学学报32(z1)，2004”公开了一种海量遥感图像中无价值图像判读方法，该方法利用肤色模型和皮肤模型对互联网上的海量图像进行判读，检测识别色情图像。首先使用一个包含500幅色情图像的样本集进行统计，得到色情图像的统一判定准则，然后根据该准则判读互联网上的图像是否为色情图像。文献中得到的统一判定准则包括肤色模型和皮肤模型，具体方法：将图像从RGB空间转换到HSV空间，统计色度H分量的分布，根据其分布规律确定人体的肤色的H分量是在一定范围内的，因此可得到肤色在H分量上的阈值，即肤色模型；利用统计法对图像纹理的粗细度进行分析，得到色情图像与正常图像在纹理粗细度上的阈值，即皮肤模型。依据上述两条准则，即可对互联网上存在的大量图像进行检测识别，判读其是否为色情图像。

综上所述，文献所述的图像判读方法需要从大量的训练样本中提取统一的判读准则，然后依据这些准则判读图像，进而按要求从海量图像中滤除图像，处理效率较低。

发明内容

为了克服现有海量遥感图像中无价值图像判读方法效率低的不足，本发明提供一种海量遥感图像中基于纹理谱相似性的无价值图像判读方法。该方法将待判读图像转化为纹理图像，然后分块，对每块纹理图像统计得到纹理谱，计算各块之间的纹理谱相似性，将图像中块与块之间纹理谱相似性的最小值作为判定准则，依据该准则判定图像是否为无价值图像，可以提高判读效率。

本发明解决其技术问题所采用的技术方案：一种海量遥感图像中基于纹理谱相似性的无价值图像判读方法，其特点是包括以下步骤：

(a)给定灰度图像I，对于像素点(i，j)，取其3×3的邻域N_(i，j)，得到像素点(i，j)的二值模式矩阵T_(i，j)，其各个元素的取值为：

按照预先指定的顺序进行加权求和，得到其纹理值texture_I(i，j)，texture_I(i，j)的值位于0到255之间，得到图像I的纹理图像texture_I；

$\mathrm{texture}\_I(i,j)=T_{(i,j)}^{\′}*B=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}(T_{(i,j)}^{\′}\left(k\right)\×2^{k-1})---\left(2\right)$

(b)将图像I均匀地分块，求取纹理图像texture_I的直方图t_hist：

$t\_\mathrm{hist}\left(k\right)=\frac{\underset{i=1}{\overset{H}{\mathrm{\Σ}}}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{f}_k(i,j)}{H\×W}---\left(3\right)$

式中，

$f_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if\; texture}\_I(i,j)=k\\ 0& \mathrm{else}\end{array}\right.---\left(4\right)$

(c)计算任意两个块的纹理谱之间的最小距离和作为这两块的纹理谱相似性，形成新的纹理模式T_new_(i，j)；对于变换后形成的新的纹理模式T_new_(i，j)重新计算纹理值，得到对应于图像I中像素(i，j)的等价纹理值texture_I′(i，j)，在t_hist令：

t_hist(texture_I′(i，j))＝t_hist(texture_I′(i，j))+t_hist(texture_I(i，j))(5)

t_hist(texture_I(i，j))＝0        (6)

(d)将图像I均匀分为M×N块，表示为Block(p，q)(p＝1，2，...，M，q＝1，2，...，N)，利用上述方法分别计算各块的纹理谱B_hist_(p，q)，使用(7)式计算任意两块Block(p，q)和Block(p′，q′)的纹理谱的相似度：

$s(B\_{\mathrm{hist}}_{(p,q)},B\_{\mathrm{hist}}_{(p^{\′},q^{\′})})=\underset{k=0}{\overset{255}{\mathrm{\Σ}}}\min ({B\_\mathrm{hist}}_{(p,q)}\left(k\right),B\_{\mathrm{hist}}_{(p^{\′},q^{\′})}\left(k\right))---\left(7\right)$

式中，s(B_hist_(p，q)，B_hist_{(p′，q′)})位于0和1之间，其值越大，表明块Block(p，q)和Block(p′，q′)的纹理分布越接近；依据(7)式对当前图像进行判读：若min(S)＞T，则为无价值图像，反之，则为有价值图像；min(S)表示求取相似度矩阵S中最小的元素，T是预定义的相似度阈值。

本发明的有益效果是：由于只对待判读图像本身进行处理，因此避免了对大量训练样本的需求；针对缺乏统一判读准则这一问题，该方法对每幅图像单独提取一个准则，从而避免了提取所有无价值图像的统一判读准则；由于避免了从大量训练样本中统一判读准则，减少了处理时间；在海量遥感图像整个处理过程中，包括后续对人工目标的处理，滤除了无价值图像，从整体上提高了处理效率。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明方法的流程图。

图2是本发明方法所用二值纹理模式描述图。

图3是本发明方法所用纹理值的表示图。

图4是本发明方法所用顺时针旋转纹理模式。

图5是本发明方法所用纹理模式的对称置换。

具体实施方式

参照图1～5。

Step1)二值纹理模式的定义与描述。

给定灰度图像I，对于像素点(i，j)，取其3×3的邻域N_(i，j)，则相应地得到一个像素点(i，j)的二值模式矩阵T_(i，j)，该矩阵大小为3×3，其各个元素的取值为：

$T_{(i,j)}(i-u,j-v)=\begin{array}{}\left\{\begin{array}{cc}0& \mathrm{if\; I}(i,j)\≤I(i-u,j-v)\\ 1& \mathrm{if\; I}(i,j)>I(i-u,j-v)\end{array}\right.\end{array}$ 其中u，v＝-1，0，1            (1)

T_(i，j)是一个以0为中心，由0、1组成的单元，该单元以二值的形式反映像素点(i，j)在其3×3邻域内的灰度变化。称T_(i，j)为图像I的像素(i，j)的二值纹理模式。

针对像素(i，j)的二值纹理模式T_(i，j)，可以将T_(i，j)的元素按照图3(a)指定顺序排列，形成T′_(i，j)，然后按照对应于图3(a)的顺序给定一个如图3(b)基B，使用唯一的一个值来表示T′_(i，j)，得到其纹理值texture_I(i，j)。可以看出texture_I(i，j)的值位于0到255之间，得到图像I的纹理图像texture_I。

$\mathrm{texture}\_I(i,j)=T_{(i,j)}^{\′}*B=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}(T_{(i,j)}^{\′}\left(k\right)\×2^{k-1})---\left(2\right)$

Step2)图像纹理谱生成。

求取纹理图像texture_I的直方图t_hist：

$t\_\mathrm{hist}\left(k\right)=\frac{\underset{i=1}{\overset{H}{\mathrm{\Σ}}}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{f}_k(i,j)}{H\×W}---\left(3\right)$

式中，

$f_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if\; texture}\_I(i,j)=k\\ 0& \mathrm{else}\end{array}\right.---\left(4\right)$

t_hist反映了纹理图像texture_I的像素值的分布情况，实际上反映出了图像I中纹理模式的分布情况。

Step3)等价纹理模式合并。

对于Step2形成的纹理模式，有些纹理模式对应的纹理值是不同的，但其在视觉上是一致的，也就是这些模式是等价的。以下给出纹理模式合并的方式。

a)模式变换。

i.顺时针旋转k*90°(k＝1，2，3)。

对应于图中定义的纹理模式顺序，将纹理模式T_(i，j)的值顺时针旋转k*90°，形成新的纹理模式T_new_(i，j)。

对于逆时针方向旋转，其结果可通过顺时针方向旋转的到，因此不需要再考虑逆时针旋转的情况。

ii.对称置换。

将纹理模式基于某一对称轴进行置换，考虑到的对称轴包括水平对称轴、垂直对称轴、主对角线对称轴、副对角线对称轴四种情况。

b)纹理谱合并。

对于变换后形成的新的纹理模式T_new_(i，j)重新计算纹理值，得到对应于图像中像素(i，j)的等价纹理值texture_I′(i，j)，在t_hist令：

t_hist(texture_I′(i，j))＝t_hist(texture_I′(i，j))+t_hist(texture_I(i，j))(5)

t_hist(texture_I(i，j))＝0            (6)

合并后将视觉上一致的纹理信息放在同一纹理值处考虑，避免了信息的冗余，更符合人类对图像纹理的认知。

Step4)基于纹理谱的无价值图像判读。

将图像均匀分为M×N块，表示为Block(p，q)(p＝1，2，...，M，q＝1，2，...，N)，利用上述方法分别计算各块的纹理谱：B_hist_(p，q)，使用如下公式计算任意两块Block(p，q)和Block(p′，q′)的纹理谱的相似度：

$s(B\_{\mathrm{hist}}_{(p,q)},B\_{\mathrm{hist}}_{(p^{\′},q^{\′})})=\underset{k=0}{\overset{255}{\mathrm{\Σ}}}\min ({B\_\mathrm{hist}}_{(p,q)}\left(k\right),B\_{\mathrm{hist}}_{(p^{\′},q^{\′})}\left(k\right))---\left(7\right)$

式中，s(B_hist_(p，q)，B_hist_{(p′，q′)})位于0和1之间，其值越大，表明块Block(p，q)和Block(p′，q′)的纹理分布越接近。最后形成M×N的一个相似度矩阵S，该矩阵是一个对称矩阵，其对角线上的值为1。由于无价值图像纹理分布均匀，因此其各块的纹理谱相似度较大，也就是相似度矩阵S中各个元素的值较大，对包含人工目标的图像，则反之。根据图像纹理的这一分布特点，依据公式对当前图像进行判读：

若min(S)＞T，则为无价值图像，反之，则为有价值图像。式中，面n(S)表示求取相似度矩阵S中最小的元素，T为预定义的相似度阈值。

Claims (1)

1.一种海量遥感图像中基于纹理谱相似性的无价值图像判读方法，其特征在于包括已写步骤：

(a)给定灰度图像I，对于像素点(i，j)，取其3×3的邻域N_(i，j)，得到像素点(i，j)的二值模式矩阵T_(i，j)，其各个元素的取值为：

按照预先指定的顺序进行加权求和，得到其纹理值texture_I(i，j)，texture_I(i，j)的值位于0到255之间，得到图像I的纹理图像texture_I；

$\mathrm{texture}\_I(i,j)=T_{(i,j)}^{\′}*B=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}(T_{(i,j)}^{\′}\left(k\right)\×2^{k-1})---\left(2\right)$

(b)将图像I均匀地分块，求取纹理图像texture_I的直方图t_hist：

$t\_\mathrm{hist}\left(k\right)=\frac{\underset{i=1}{\overset{H}{\mathrm{\Σ}}}\underset{j=1}{\overset{W}{\mathrm{\Σ}}}{f}_k(i,j)}{H\×W}---\left(3\right)$

式中，

$f_k(i,j)=\left\{\begin{array}{cc}1& \mathrm{if\; texture}\_I(i,j)=k\\ 0& \mathrm{else}\end{array}\right.---\left(4\right)$

(c)计算任意两个块的纹理谱之间的最小距离和作为这两块的纹理谱相似性，形成新的纹理模式T_new_(i，j)；对于变换后形成的新的纹理模式T_new_(i，j)重新计算纹理值，得到对应于图像I中像素(i，j)的等价纹理值texture_I′(i，j)，在t_hist令：

i_hist(texture_I′(i，j))＝t_hist(texture_I′(i，j))+t_hist(texture_I(i，j))(5)

t_hist(texture_I(i，j))＝0                                                  (6)

(d)将图像I均匀分为M×N块，表示为Block(p，q)(p＝1，2，...，M，q＝1，2，...，N)，利用上述方法分别计算各块的纹理谱B_hist_(p，q)，使用(7)式计算任意两块Block(p，q)和Block(p′，q′)的纹理谱的相似度：

$s(B\_{\mathrm{hist}}_{(p,q)},B\_{\mathrm{hist}}_{(p^{\′},q^{\′})})=\underset{k=0}{\overset{255}{\mathrm{\Σ}}}\min ({B\_\mathrm{hist}}_{(p,q)}\left(k\right),B\_{\mathrm{hist}}_{(p^{\′},q^{\′})}\left(k\right))---\left(7\right)$

式中，s(B_hist_(p，q)，B_hist_{(p′，q′)})位于0和1之间，其值越大，表明块Block(p，q)和Block(p′，q′)的纹理分布越接近；依据(7)式对当前图像进行判读：若min(S)＞T，则为无价值图像，反之，则为有价值图像；min(S)表示求取相似度矩阵S中最小的元素，T是预定义的相似度阈值。

Images