CN102831402B - 基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法 - Google Patents

Abstract

本发明涉及一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法，首先对原始遥感图像进行降采样，对于降采样后的遥感图像，采用LSD算法进行直线检测；采用FT算法计算图像显著性。然后采用滑动窗口目标检测器进行机场的检测。首先判断滑动窗口中是否存在直线段，如果不存在，继续滑动窗口，如果存在直线段，则用遥感图像机场目标图像构造好的字典对窗口进行稀疏编码，然后结合本窗口的显著值对稀疏编码进行筛选，从而获得窗口的稀疏表达特征。最后采用SVM二值分类器对滑动窗口的稀疏编码特征进行判别，判断窗口中是否存在机场，最终实现机场目标的检测。与其他发明技术相比，本发明检测机场准确率高，虚警率低。

Description

基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法。

背景技术

从遥感图像中检测机场目标，对于军事侦察和精确打击等领域有着重要的实用价值，收到人们越来越多的关注。近些年来，国内外研究学者试图通过检测机场跑道的线性特征、分析跑道的几何特征来解决机场的检测问题，但是遥感图像中存在大量的公路、河流等和机场具有类似线性特征的干扰对象，仅依靠线性特征会造成大量的误检。还有采用图像分割的方法得到疑似机场的候选区域，然后提取出候选区域的尺寸、矩形度等区域形状特征进行辨识，进一步确认机场区域。算法性能严重依赖图像分割的效果，并且需要进行逐像素运算，速度慢，效率低。

中国专利申请号201110166001.X，记载了一种“基于选择性注意机制的遥感图像机场目标检测与识别方法”，通过引入视觉注意力选择模型，对原始遥感图像进行显著性分析，来得到机场目标候选区域，避免了对图像进行逐像素分析的缺点。对目标候选区域提取SIFT局部特征进行辨识，但遥感图像背景复杂，通常存在与机场目标特征属性相似的显著物干扰，仅提取SIFT局部特征进行辨识，容易造成误检。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法。

技术方案

一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法，其特征在于步骤如下：

步骤1：对原始图像进行降采样，得到降采样后的遥感图像；

步骤2：对于降采样后的遥感图像，采用LSD算法进行直线检测，得到直线检测结果图；并采用FT算法计算降采样后的遥感图像显著图；

步骤3：首先利用q×q大小的滑动窗口在降采样后的遥感图像上滑动，根据直线检测结果图，判断滑动窗口中是否存在直线段，如果不存在，继续滑动窗口，如果存在，则将滑动窗口展开为q²×1的列向量p′，利用正交匹配追踪算法，通过求解min||z′||₁ s.t. p'＝Dz'，得到列向量p'在目标-背景超完备字典D上的稀疏表示系数，获得稀疏编码向量z'；

同时，将降采样后的遥感图像上滑动窗口的位置映射到遥感图像显著图上，将映射后的滑动窗口的视觉显著值矩阵S展开为列向量s，按照 对稀疏编码向量z′进行筛选，得到稀疏编码向量z″；其中： 运算表示向量的对应元素相乘；

步骤4：将z″输入到SVM二值分类器，检测窗口中是否存在机场目标，然后继续滑动窗口进行机场检测，直到完成整幅遥感图像机场的检测。

所述步骤3的目标-背景超完备字典，按如下步骤进行构造：

步骤a：在现有的红外遥感图像训练集中，截取包含机场完整目标的最小图像，同时截取包含任意背景的图像，将截取的目标图像和背景图像，分别进行降采样后再缩放到q×q，得到目标类训练样本和背景类训练样本；

步骤b：将得到的每一幅目标类训练样本和背景类训练样本图像展开为q²×1的列向量，然后将这些列向量组成为一个矩阵D，得到目标-背景超完备字典  $D=[d_1,d_2,...d_{n1},d_{n1+1},d_{n1+2},...d_{n1+n2}]\∈R^{q^2\×(n1+n2)},$ 其中：n1为目标类训练样本数目，n2为背 景类训练样本数目，矩阵每一列为超完备字典中的一个原子。

所述步骤3的SVM二值分类器，按如下步骤进行训练：

步骤（1）：依次将步骤a得到的目标类训练样本和背景类训练样本中的每一幅图像展开为q²×1的列向量p；

步骤（2）：利用正交匹配追踪算法，通过下式求解得到列向量p在目标-背景超完备字典D上的稀疏表示系数，获得稀疏编码向量z；

min||z||₁ s.t. p＝Dz

||z||₁代表向量z的L₁范数；

步骤（3）：将稀疏编码向量z作为SVM训练算法的输入，训练得到SVM二值分类器。 

有益效果

本发明提出的一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法，首先对原始遥感图像进行降采样，对于降采样后的遥感图像，采用LSD算法进行直线检测；采用FT算法计算图像显著性。然后采用滑动窗口目标检测器进行机场的检测。首先判断滑动窗口中是否存在直线段，如果不存在，继续滑动窗口，如果存在直线段，则用遥感图像机场目标图像构造好的字典对窗口进行稀疏编码，然后结合本窗口的显著值对稀疏编码进行筛选，从而获得窗口的稀疏表达特征。最后采用SVM二值分类器对滑动窗口的稀疏编码特征进行判别，判断窗口中是否存在机场，最终完成机场目标的检测。

与现有技术相比，本发明增加了滑动窗口的筛选策略，而不是每一个窗口都进行处理，大大提高了处理速度，并且采用基于超完备字典的图像稀疏表示，可以有效捕捉图像的结构特征，非常适合机场目标的检测。

附图说明

图1是本发明的实现流程图；

图2是本发明中原始遥感图像降采样的结果图；

图3是对图2进行直线检测的结果图；

图4是对图2进行显著性计算的结果图；

图5是机场检测结果图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：因特尔Xeon(R)CPU,E55042.0G 2.0G(2处理器)计算机、6.0GB内存、1GB显卡，运行的软件环境是：Matlab R2011a，Windows764位操作系统。我们用Matlab软件实现了本发明提出的方法。实验中用于训练和测试红外遥感图像来源于http://datamirror.csdb.cn/index.jsp。

本发明具体实施如下：

1、构造目标-背景超完备字典：在原始红外遥感图像训练集中，截取包含完整机场目标的最小图像共150幅，对每一幅图像每隔45度进行旋转变换，最后一共得到150*8=1200幅机场目标训练图像。对机场目标训练图像先进行降采样再缩放到64×64大小。然后任意截取64×64大小的背景图像3600幅，这样就得到目标类图像1200幅、背景类3600幅共4800幅大小为64×64的训练样本。将每一幅训练图像展开为4096×1列向量，将这些向量组成目标-背景超完备字典D，  $D=[d_1,d_2,...d_{n1},d_{n1+1},d_{n1+2},...d_{n1+n2}]\∈R^{q^2\×(n1+n2)},$ 其中目标类样本数目n1＝1200，背景类样本数目n2＝3600。

2、训练SVM二值分类器：依次将训练样本集中的每一幅图像展开为4096×1的列向量p，利用正交匹配追踪算法，通过求解下式得到列向量p在目标-背景超完备字典D上的稀疏表示系数，获得稀疏编码向量z，其中||z||₁代表向量z的 L₁范数。

min||z||₁ s.t. p＝Dz

最后，将训练样本的稀疏编码向量z及其对应的标签作为SVM训练算法的输入，训练得到SVM二值分类器。 

3、检测机场：对原始遥感图像进行比例因子为2的降采样，结果为图2。对图2采用LSD算法进行直线检测，得到直线检测结果图3，采用FT算法计算图2的视觉显著性，结果为图4。在图2上，采用64×64大小的窗口进行滑动，根据直线检测结果图3，判断滑动窗口中是否存在直线段，如果不存在，继续滑动窗口，如果存在，将滑动窗口展开为4096×1的列向量p′，利用正交匹配追踪算法，通过求解下式得到列向量p'在目标-背景超完备字典D上的稀疏表示系数，获得稀疏编码向量z'。

min||z′||₁ s.t. p'＝Dz′

根据遥感图像显著图4，得到本滑动窗口的视觉显著值矩阵S，展开为列向量s，按照下式对稀疏编码向量z'进行筛选，得到稀疏编码向量z″。其中 运算表示向量的对应元素相乘。

$z^{\′\′}=z^{\′}\⊗s$

将z″输入到SVM二值分类器，检测窗口中是否存在机场目标。然后继续滑动窗口进行机场检测，直到完成整幅遥感图像机场的检测。

Claims (1)

1.一种基于稀疏编码和视觉显著性的红外遥感图像检测机场的方法，其特征在于步骤如下：

步骤1：对原始图像进行降采样，得到降采样后的遥感图像；

步骤2：对于降采样后的遥感图像，采用LSD算法进行直线检测，得到直线检测结果图；并采用FT算法计算降采样后的遥感图像显著图；

步骤3：首先利用q×q大小的滑动窗口在降采样后的遥感图像上滑动，根据直线检测结果图，判断滑动窗口中是否存在直线段，如果不存在，继续滑动窗口，如果存在，则将滑动窗口展开为q²×1的列向量p'，利用正交匹配追踪算法，通过求解min||z'||₁ s.t. p'＝Dz'，得到列向量p'在目标-背景超完备字典D上的稀疏编码向量z'；

同时，将降采样后的遥感图像上滑动窗口的位置映射到遥感图像显著图上，将映射后的滑动窗口的视觉显著值矩阵S展开为列向量s，按照对稀疏编码向量z'进行筛选，得到稀疏编码向量z″；其中：运算表示向量的对应元素相乘；

步骤4：将z″输入到SVM二值分类器，检测窗口中是否存在机场目标，然后继续滑动窗口进行机场检测，直到完成整幅遥感图像机场的检测；

所述步骤3的目标-背景超完备字典，按如下步骤进行构造：

步骤a：在现有的红外遥感图像训练集中，截取包含机场完整目标的最小图像，同时截取包含任意背景的图像，将截取的目标图像和背景图像，分别进行降采样后再缩放到q×q，得到目标类训练样本和背景类训练样本；

步骤b：将得到的每一幅目标类训练样本和背景类训练样本图像展开为q²×1的列向量，然后将这些列向量组成为一个矩阵D，得到目标-背景超完备字典 $D=[d_1,d_2,...d_{n1},d_{n1+1},d_{n1+2},...d_{n1+n2}]\∈R^{q^2\×(n1+n2)},$ 其中：n1为目标类训练样本数目，n2为背景类训练样本数目，矩阵每一列d为超完备字典D中的一个原子；

所述步骤3的SVM二值分类器，按如下步骤进行训练：

步骤(1)：依次将步骤a得到的目标类训练样本和背景类训练样本中的每一幅图像展开为q²×1的列向量p；

步骤(2)：利用正交匹配追踪算法，通过下式求解得到列向量p在目标-背景超完备字典D上的稀疏表示系数，获得稀疏编码向量z；

min||z||₁ s.t. p＝Dz

||z||₁代表向量z的L₁范数；

步骤(3)：将稀疏编码向量z作为SVM训练算法的输入，训练得到SVM二值分类器。