CN102968786B - 一种非监督的遥感图像潜在目标区域检测方法 - Google Patents

Abstract

本发明涉及一种非监督遥感图像目标潜在区域检测方法，在对遥感图像多类目标潜在区域进行检测时，首先提取相应的显著性特征通道，然后利用求平均的方法对这些提取到的特征进行融合，得到整幅图像显著图，最后利用meanshft和自适应阈值分割方法对显著图进行分割，得出目标潜在区域的二值图。本发明提出一种基于视觉注意理论的自底向上的非监督遥感图像目标潜在区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标潜在区域的检测和定位。该方法具有较高的检测精度和较低的虚警率，与现有方法相比具有明显优势。

Description

一种非监督的遥感图像潜在目标区域检测方法

技术领域

本发明属于数字图像处理领域，涉及一种非监督的遥感图像潜在目标区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标区域检测和定位。

背景技术

遥感图像的目标检测是随着遥感技术的发展而兴起的一项新技术，具有作用距离远、覆盖范围广、执行效率高等方面的优点，同时也有着重要的军事意义和民用价值。复杂场景遥感图像的目标检测，就是在遥感图像分析和解译的过程中，针对特定的一类或几类目标，自动的提取出对解译推理有用的关键性信息，并分析计算其相关属性，为进一步的解译检测提供证据。此时的复杂场景，也正是由于遥感图像覆盖面积广，包含目标多，纹理特征复杂，识别难度大而得名。

目前主要的遥感图像目标检测算法主要有两种思路：自底向上的底层特征驱动型和自上而下的任务驱动型。由于对于遥感图像来说，一幅图像往往会包含很大范围的场景，信息量大，纹理复杂，颜色丰富，如果能够合理的将这些信息中的有用部分结合起来，则可以得出令人满意的检测结果。当然如果能够借助特定任务目标的先验知识，这将可以减少计算量，增加识别精度，例如在进行桥梁检测和水体检测时，一些学者根据桥梁和水域的特征提出了一种基于小树变换的水域分割方法和知识驱动的桥梁检测方法。他们首先对全色高分辨率遥感图像根据桥梁先验知识建立桥梁知识库，利用小树变换进行特征提取并分割水域，随后进行数学形态学运算以连通水域，将连通前后的水域做差得到可能的桥梁片段，然后由可能的桥梁片段检测桥梁候选区，最后进行特征匹配检测出桥梁。但是此类算法有几点缺陷：第一，该算法首先需要根据人工选取的初始种子点确定水域的条件，然后根据初始种子点所处位置不同自动将河流分为两部分，再由初始种子点开始分别对两部分按顺流速扫方式进行扫描，直至将河流扫描完毕。这种半自动的方法并不能够满足现在人们对目标完全自动识别的需求。第二，该算法只适应于水体和桥梁的检测，如果更换目标，则此算法将不能完成准确的目标检测。

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，本发明提出了一种自底向上的非监督遥感图像多类目标区域检测方法，可以自动地从具有复杂背景的遥感图像中检测并定位出多类目标的潜在区域，具有较好的检测结果。

技术方案

一种非监督的遥感图像潜在目标区域检测方法，其特征在于步骤如下：

步骤1提取显著性特征分量图：分别以模型SR，SDS，FT，GBVS，CA和WSCR作为图像的显著性特征提取算法，得出相应的显著性特征分别为：S_SR,S_SDS,S_FT,S_GBVS,S_CA和S_WSCR，具体如下：

1）SR提取算法：设置尺度参数SR_scale＝[2,3,4]，利用SR提取算法得到三个显著性特征分量图SR_1、SR_2、SR_3，每次进行提取前将原始图像缩小为原来的并设定算法中高斯平滑窗口大小为gaussian_size＝SR_scale×s，s为一常数，其范围在[0.01,0.5]，用于调节高斯平滑窗口大小；最后将SR_1、SR_2、SR_3统一调整为[200×200]个像素；

2）SDS提取算法：将原始图像缩小为[200×200]个像素，然后利用SDS算法生成SDS_1、SDS_2、SDS_3、SDS_4四个显著性特征分量图；其中SDS_1为SDS算法中的l显著性特征分量图，SDS_2为SDS算法中的a显著性特征分量图,SDS_3为SDS算法中的b显著性特征分量图,SDS_4为SDS算法中的最终显著性特征图；

3）FT提取算法：将原始图像缩小为dims=[200×200]个像素，然后利用FT提取算法生成FT显著性特征分量图；其中设置FT提取算法中高斯平滑窗口的大小为gaussian_size＝dims×s；

4）GBVS提取算法：利用GBVS算法，提取GBVS_1，GBVS_2和GBVS_3三个显著性特征分量图；其中：GBVS_1中设置params.LINE=1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS=1，以利用ITTI近似模型进行计算；GBVS_2中设置params.LINE=1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS=0，以利用随机场模型进行计算；GBVS_3中设置params.LINE=0，以不加入直线检测通道；设置params.useIttiKochInsteadOfGBVS=0，以利用随机场模型进行计算；

5）CA提取算法：将原始图像缩小为dims=[200×200]个像素，然后利用CA算法生成CA显著性特征分量图；

6）SWCR提取算法：将原始图像缩小为dims=[200×200]个像素，然后利用SWCR算法生成SWCR_1，SWCR_2两个显著性特征分量图；其中：在SWCR_1中设置patch_size=25，surroundratio=5；在SWCR_2中设置patch_size=15，surroundratio=5；所述patch_size∈[5,50]表示算法中用于对比的图块大小；surroundratio∈[3,9]表示中心图块周围的用于对比的区域范围；

步骤2融合生成显著图：将步骤1中提取的各个显著性特征分量图采用下式融合生成输入图像的显著图Smap：

Smap＝(SR_1+SR_2+SR_3+SDS_1+SDS_2+SDS_3+SDS_4+FT

                                                      ；    +GBVS_1+GBVS_2+GBVS_3+CA+WSCR_1+WSCR_2)/14

步骤3显著区域分割：利用meanshift算法将原始图像进行分割，得出分割区域为r_k,k＝1,2...K，其中K表示分割出的区域总数，然后利用步骤2得出的显著图中的显著值来计算分割出的每个区域的平均显著值V_k：

然后利用每个区域的平均显著值生成分割显著图Smap_seg，最后利用自适应阈值T_a对Smap_seg进行分割得出二值图BinaryMap；其中自适应阈值T_a设定为：

$T_a=\frac{t}{W\×H}\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}S(x,y)$

$\mathrm{BinaryMap}(i,j)=\left\{\begin{array}{c}1,S(x,y)\&GreaterEqual;T_a\\ 0,S(x,y)<T_a\end{array}\right.$

其中|r_k|表示第k个区域的范围，m_i，j表示显著图中位于坐标(i,j)处的显著值；W,H分别为分割显著图Smap_seg的沿x轴和y轴的像素数，S(x,y)为分割显著图Smap_seg中位置(x,y)上的显著值；t为一个常数参数，设定其为t∈[1,2]中的一个值。

所述SR显著性特征提取算法采用Saliency Detection:A Spectral Residual Approach文章中提出的SR算法进行显著性特征提取。

所述SDS算法利用文章Salient region detection and segmentation中提出的SDS算法。

所述FT算法利用文章Frequency-tuned salient region detection中提出的FT算法。

所述GBVS算法利用论文Airport Detection in Remote Sensing Images Based onVisual Attention中提出的改进GBVS算法。

所述CA算法利用文章Context-aware saliency detection中提出的CA算法。

所述SWCR算法利用文章Emergence of simple-cell receptive field properties bylearning a sparse code for natural images提出的SWCR算法。

所述meanshift算法利用文章Frequency-tuned Salient Region Detection中提到的meanshift算法。

有益效果

本发明提出一种基于视觉注意理论的自底向上的非监督遥感图像目标潜在区域检测方法，在对遥感图像多类目标潜在区域进行检测时，首先提取相应的显著性特征分量，然后利用求平均的方法对这些提取到的特征进行融合，得到整幅图像显著图，最后利用meanshift和自适应阈值分割方法对显著图进行分割，得出目标潜在区域的二值图。可以应用于复杂背景下的遥感图像多类感兴趣目标潜在区域的检测和定位。该方法具有较高的检测精度和较低的虚警率，与现有方法相比具有明显优势。

附图表说明

图1：本发明方法的基本流程图

图2：显著性特征提取结果图，显著图以及二值化分割结果图

(a)SR_1显著特征分量图

(b)SR_2显著特征分量图

(c)SR_3显著特征分量图

(d)CA显著特征分量图

(e)FT显著特征分量图

(f)SDS_1显著特征分量图

(g)SDS_2显著特征分量图

(h)SDS_3显著特征分量图

(i)SDS_4显著特征分量图

(j)GBVS_1显著特征分量图

(k)GBVS_2显著特征分量图

(l)GBVS_3显著特征分量图

(m)SWCR_1显著特征分量图

(n)SWCR_2显著特征分量图

(o)显著图Smap

(p)二值图BinaryMap

(q)原始图像

图3：本发明方法的部分检测结果

(a)飞机区域显著性检测结果

(b)舰船区域显著性检测结果

(c)油库区域显著性检测结果

(d)同时含有飞机油库区域显著性检测结果

(e)同时含有舰船油库区域显著性检测结果

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：Intel Pentium 2.93GHz CPU计算机、2.0GB内存，运行的软件环境是：Matlab R2011b和Windows XP。选取了150幅从Google Earth上获取的遥感图像进行多类目标检测实验，主要包括了三类目标：飞机、舰船、油库。

本发明具体实施如下：

1．提取显著性特征：本发明选取模型SR,SDS,FT，GBVS,CA和WSCR作为显著性特征提取算法，得出相应的显著特征分量图分别为：S_SR,S_SDS,S_FT,S_GBVS,S_CA和S_WSCR。需要设置参数如下：

●SR算法：设置尺度参数SR_scale＝[2,3,4]，将SR通道分为三个显著特征分量图SR_1、SR_2、SR_3，每一个显著特征分量图在进行处理前需要将原始图像的大小缩小为原来的并设定算法中高斯平滑窗口大小为gaussian_size＝SR_scale×s，s为一常数，其范围在[0.01,0.5]，用于调节高斯平滑窗口大小。然后利用SR算法进行显著性特征提取，最后将SR_1、SR_2、SR_3统一调整为[200×200]个像素。

所述SR算法见论文：X.Hou and L.Zhang.Saliency Detection:A Spectral ResidualApproach[C],IEEE Conference onComputer Vision and Pattern Recognition,2007

●SDS算法：首先将原始图像缩小为[200×200]个像素，然后利用SDS算法生成SDS_1、SDS_2、SDS_3、SDS_4四个显著特征分量图。其中SDS_1为SDS算法中的l显著特征分量图，SDS_2为SDS算法中的a显著特征分量图,SDS_3为SDS算法中的b显著特征分量图,SDS_4为SDS算法中的最终显著性特征图。

所述SDS算法见论文：R.Achanta,F.Estrada,P.Wils,&S.S¨usstrunk.Salient regiondetection and segmentation.International Conference on Computer Vision Systems,2008

●FT通道：首先将原始图像缩小为dims=[200×200]个像素，然后利用FT算法生成FT显著特征分量图。其中设置算法中高斯平滑窗口大小为gaussian_size＝dims×s，s为一可变常熟参数，用于调整平滑效果。

所述FT算法见论文：R.Achanta,S.Hemami,F.Estrada,and S.S¨usstrunk.Frequency-tuned salient region detection.In CVPR,2009

●GBVS算法：GBVS通道分为GBVS_1，GBVS_2和GBVS_3三个显著特征分量图。GBVS_1中设置params.LINE=1,即加入直线检测通道，并设置params.useIttiKochInsteadOfGBVS=1，即利用ITTI近似模型进行计算。GBVS_2中设置params.LINE=1,即加入直线检测通道，并设置params.useIttiKochInsteadOfGBVS=0，即利用随机场模型进行计算。GBVS_3中设置params.LINE=0,即不加入直线检测通道，并设置params.useIttiKochInsteadOfGBVS=0，即利用随机场模型进行计算。

所述改进GBVS算法见论文：Xin Wang,Bin Wang,and Liming Zhang ICONIP3,volume 7064 of Lecture Notes in Computer Science,page 475-484.Springer，2008

●CA算法：首先将原始图像缩小为dims=[200×200]个像素，然后利用CA算法生成CA显著特征分量图。

所述CA算法见论文：S.Goferman,L.Zelnik-Manor&A.Tal r.Context-awaresaliency detection.Conference on Computer Vision and Pattern Recognition,2010

●SWCR算法：首先将原始图像缩小为dims=[200×200]个像素，然后利用SWCR算法生成SWCR_1，SWCR_2两个显著特征分量图。这里在SWCR_1中设置patch_size=25，surroundratio=5。在SWCR_2中设置patch_size=15，surroundratio=5。

其中patch_size表示算法中用于对比的图块大小。surroundratio表示中心图块周围的用于对比的区域范围。

所述SWCR算法见论文：B.Olshausen.Emergence of simple-cell receptive fieldproperties by learning a sparse code for natural images.Nature,381(6583):607–609,1996

表1各类显著性提取算法特征一览表

2．特征融合，生成显著图：本发明采用求平均的方法将步骤1中提取的各类显著性特征通道融合生成输入图像的显著图Smap：

Smap＝(SR_1+SR_2+SR_3+SDS_1+SDS_2+SDS_3+SDS_4+FT

+GBVS_1+GBVS_2+GBVS_3+CA+WSCR_1+WSCR_2)/14

3：显著区域分割：本发明首先利用meanshift算法将原始图像进行分割，得出分割区域为r_k,k＝1,2...K，然后利用步骤2得出的显著图中的显著值来计算分割得出的每个区域的平均显著值V_k：

$V_k=\frac{1}{\left|r_k\right|}\underset{i,j\&Element;r_k}{\mathrm{\&Sigma;}}{m}_{i,j}$

利用分割后的区域以及这些区域对应的平均显著值生成分割显著图Smap_seg，最后利用自适应分割方法对Smap_seg进行二值化分割得出二值图BinaryMap。其中自适应阈值T_a设定为：

$T_a=\frac{t}{W\&times;H}\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}S(x,y)$

$\mathrm{BinaryMap}(i,j)=\left\{\begin{array}{c}1,S(x,y)\&GreaterEqual;T_a\\ 0,S(x,y)<T_a\end{array}\right.$

其中|r_k|表示第k个区域的范围，m_i，j表示显著图中位于坐标(i,j)处的显著值。W,H分别为分割显著图Smap_seg的沿x轴和y轴的像素数，S(x,y)为分割显著图Smap_seg中位置(x,y)上的显著值。t为一个常数参数，这里设定其为t＝1.8中的一个值。

所述分割方法见论文：R.Achanta,S.Hemami,F.Estrada,and S.S¨usstrunk.Frequency-tuned salient region detection.In CVPR,2009

选用正确检测率和虚警率对本发明的有效性进行评估。其中，正确检测率定义为正确检测的目标个数与总的目标个数之比，虚警率定义为虚警个数与正确检测的目标个数和虚警个数之和的比值。同时，将本发明所得的检测结果与SDS,FT和GBVS算法的检测结果进行了对比，对比结果如表2所示。正确检测率以及虚警率均表明了本发明方法的有效性。

表2检测结果评价

Claims (7)

1.一种非监督的遥感图像潜在目标区域检测方法，其特征在于步骤如下：

步骤1提取显著性特征分量图：分别以模型SR，SDS，FT，GBVS，CA和WSCR作为图像的显著性特征提取算法，得出相应的显著性特征，具体如下：

1)SR提取算法：设置尺度参数SR_scale＝[2,3,4]，利用SR提取算法得到三个显著性特征分量图SR_1、SR_2、SR_3，每次进行提取前将原始图像缩小为原来的 并设定算法中高斯平滑窗口大小为gaussian_size＝SR_scale×s，s为一常数，其范围在[0.01,0.5]，用于调节高斯平滑窗口大小；最后将SR_1、SR_2、SR_3统一调整为[200×200]个像素；

2)SDS提取算法：将原始图像缩小为[200×200]个像素，然后利用SDS算法生成SDS_1、SDS_2、SDS_3、SDS_4四个显著性特征分量图；其中SDS_1为SDS算法中的l显著性特征分量图，SDS_2为SDS算法中的a显著性特征分量图,SDS_3为SDS算法中的b显著性特征分量图,SDS_4为SDS算法中的最终显著性特征图；

3)FT提取算法：将原始图像缩小为dims＝[200×200]个像素，然后利用FT提取算法生成FT显著性特征分量图；其中设置FT提取算法中高斯平滑窗口的大小为gaussian_size＝dims×s；

4)GBVS提取算法：利用GBVS算法，提取GBVS_1，GBVS_2和GBVS_3三个显著性特征分量图；其中：GBVS_1中设置params.LINE＝1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS＝1，以利用ITTI近似模型进行计算；GBVS_2中设置params.LINE＝1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS＝0，以利用随机场模型进行计算；GBVS_3中设置params.LINE＝0，以不加入直线检测通道；设置params.useIttiKochInsteadOfGBVS＝0，以利用随机场模型进行计算；

5)CA提取算法：将原始图像缩小为dims＝[200×200]个像素，然后利用CA算法生成CA显著性特征分量图；

6)WSCR提取算法：将原始图像缩小为dims＝[200×200]个像素，然后利用WSCR算法生成WSCR_1，WSCR_2两个显著性特征分量图；其中：在WSCR_1中设置patch_size＝25，surroundratio＝5；在WSCR_2中设置patch_size＝15，surroundratio＝5；所述patch_size∈[5,50]表示算法中用于对比的图块大小；surroundratio∈[3,9]表示中心图块周围的用于对比的区域范围；

步骤2融合生成显著图：将步骤1中提取的各个显著性特征分量图采用下式融合生成输入图像的显著图Smap：

Smap＝(SR_1+SR_2+SR_3+SDS_1+SDS_2+SDS_3+SDS_4+FT

  +GBVS_1+GBVS_2+GBVS_3+CA+WSCR_1+WSCR_2)/14 ；

步骤3显著区域分割：利用meanshift算法将原始图像进行分割，得出分割区域为r_k,k＝1,2...K，其中K表示分割出的区域总数，然后利用步骤2得出的显著图中的显著值来计算分割出的每个区域的平均显著值V_k：

然后利用每个区域的平均显著值生成分割显著图Smap_seg，最后利用自适应阈值T_a对Smap_seg进行分割得出二值图BinaryMap；其中自适应阈值T_a设定为：

其中|r_k|表示第k个区域的范围，m_i,j表示显著图中位于坐标(i,j)处的显著值；W,H分别为分割显著图Smap_seg的沿x轴和y轴的像素数，S(x,y)为分割显著图Smap_seg中位置(x,y)上的显著值；t为一个常数参数，设定其为t∈[1,2]中的一个值。

2.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，其特征在于：所述SR显著性特征提取算法采用Saliency Detection:A Spectral Residual Approach文章中提出的SR算法进行显著性特征提取。

3.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，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。

4.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，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。

5.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，其特征在于：所述GBVS算法利用论文Airport Detection in Remote Sensing Images Based on Visual Attention中提出的改进GBVS算法。

6.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，其特征在于：所述CA算法利用文章Context-aware saliency detection中提出的CA算法。

7.根据权利要求1所述非监督的遥感图像潜在目标区域检测方法，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。