CN103150566A - 一种基于随机几何模型的遥感地物目标自动检测方法 - Google Patents
一种基于随机几何模型的遥感地物目标自动检测方法 Download PDFInfo
- Publication number
- CN103150566A CN103150566A CN2011104024285A CN201110402428A CN103150566A CN 103150566 A CN103150566 A CN 103150566A CN 2011104024285 A CN2011104024285 A CN 2011104024285A CN 201110402428 A CN201110402428 A CN 201110402428A CN 103150566 A CN103150566 A CN 103150566A
- Authority
- CN
- China
- Prior art keywords
- target
- prime
- energy
- remote sensing
- ground object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于随机几何模型的遥感地物目标自动检测方法,涉及图像信息处理技术,包括步骤:建立多类遥感地物目标图像代表集;选择地物目标的几何部件作为处理单元,并利用各个几何部件特性单一,同类部件之间相关性较大等先验知识,对目标及其部件的组合方式构建随机几何模型;采用马尔科夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值,获取模型参数;自上而下地指导目标的自动检测和定位。本发明方法既能够克服目标部分信息缺失对检测结果的影响,又能减少目标类间差异对检测方法普适性的影响,对遥感图像中结构相对复杂但几何部件特性相对单一的目标(如飞机、舰船等)的自动检测具有较好的鲁棒性和实用性。
Description
技术领域
本发明涉及图像信息处理技术领域,尤其是一种基于随机几何模型的遥感地物目标自动检测方法。
背景技术
根据遥感地物目标在形状、外观等方面的特性,可以从结构复杂的目标中分出一大类,该类目标的结构相对复杂但几何部件特性相对单一,例如:飞机、舰船目标等。由于遥感图像中包含的信息丰富、场景复杂,不仅放大了目标的细节特征,而且使干扰得以增强,给对该类目标的检测定位带来较大难度。
随机几何(Stochastic geometry)理论是20世纪70年代在几何概率学和积分几何学的基础之上发展起来的一门现代随机集理论,对图像场景中目标模式的空间结构进行数学统计分析(见Stoyan D,Kendall W S,Mecke J.1995.Stochastic Geometry and itsApplications,2nd edition.New York:Wiley)。90年代,Miller等将随机几何理论引入图像处理领域,应用于对感兴趣目标的形状识别方面,其中具有代表性的成果是提出了可变形模板(Deformabletemplate),用若干几何图形(包括具有闭合轮廓曲线的多边形、线段、点等)来拟合目标的轮廓(见Miller M.1991.Automatedsegmentation of biological shapes in electron microscopicautoradiography.In Proceedings of the 25th Annual Conferenceon Information Sciences and Systems,637-642)。之后,为了对图像中数目、分布等不确定的目标建模,Baddeley等提出了基于随机几何和空间统计理论的建模方法,在原有的基于图像低层数据的模型中引入高层信息,采用Markov过程模型对目标的空间关系进行约束(见Baddeley A J,Lieshout V.1993.Stochastic geometry modelsin high-level vision.Applied Statistics,20(5&6):231-256)。
最初的随机几何建模方式较为简单,通常采用低层的边界线段作为目标形状轮廓的组成元素,基于目标的边缘特征建模,适用于目标区域与背景差异显著的情况。然而,当遇到背景干扰严重,目标轮廓难以准确描述的情况时,该类方法往往很难获得理想的处理结果。因此,为了克服边缘特征稳定性较低、包含信息量有限等缺点,研究者通常利用滑动窗、网格、分割块等方式,将目标分解成若干特征区域块,以此作为组成目标的基本单元,以求获取更丰富、可靠的信息。
近年来,经过国内外研究者的不断努力,基于随机几何理论的建模方法已逐渐发展成熟。基于随机几何模型的目标检测方法引入与目标结构特性相关的先验知识,通过对目标及其组件的组合式建模,不仅能对特定物体的形状、位置等随机变化的特征参量进行统计分析,而且还可以利用空间统计理论中的统计模型对物体在图像场景中的空间分布状况以及彼此之间的约束机制进行统计估计,避免了目标部分信息缺失对检测结果的影响,有效地解决了对复杂场景下结构相对复杂但几何部件特性相对单一目标的精确定位问题。
发明内容
本发明的目的是提供一种基于随机几何模型的遥感地物目标自动检测方法,以解决遥感图像中结构相对复杂但几何部件特性相对单一的目标,如飞机、舰船等的自动检测问题。
为实现上述目的,本发明的技术解决方案如下:
一种基于随机几何模型的遥感地物目标自动检测方法,其包括步骤:
第一步,建立多类包含遥感地物目标的图像代表集;
第二步,针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点,以组成目标的几何部件作为处理单元,构建随机几何模型;
第三步,构建目标部件的随机几何模型后,将目标的自动检测问题转化为寻求随机目标过程的最优配置问题,采用马尔可夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值;
第四步,利用随机几何模型检测目标。
所述的遥感地物目标自动检测方法,其所述第一步,包括:
a1、根据需要定义J个类别的遥感地物目标,类别编号为1~J,J为自然数;
a2、对每个目标类别,选取T幅图像作为该类目标的代表图像,对每一类目标图像,任选T1幅图像作为训练集,其余的T2幅图像作为测试集;
a3、对每幅目标图像标记出目标所属类别及所在的区域范围;
a4、将所有J类目标的图像代表合并为多类目标图像代表集。
所述的遥感地物目标自动检测方法,其所述第二步,包括:
b1、参照标记点过程,定义随机几何模型;
b2、采用泊松(Poisson)点过程对遥感图像地物目标的分布建模;
b3、构建矩形模型,用于描述目标各个几何部件所在的区域;
b4、将随机几何模型纳入贝叶斯概率分析框架中,在给定输入图像I以及目标配置x的条件下,将目标在场景中特定位置的概率密度分布表示为:
p(x|I)∝p(I|x)p(x) (1)
当p(.)>0时,将后验概率密度p(x|I)写成Gibbs能量形式:
定义Ud(x)=-logp(I|x)为似然能量,定义Up(x)=-logp(x)为先验能量;
b6,结合目标结构的先验知识,构建模型的先验项,对各类部件的相对关系进行约束;
b7、数据项反映的目标配置x,即所有标记点对图像数据的配合程度,根据不同的应用,选择不同的模型数据项,方法是:
b7.1、构建高斯混合模型Ud1(x):假定图像灰度的概率密度函数是一个由两个高斯分布成分组成的高斯混合模型,每个像素都被指定某一个高斯分布,那么N(μi,σi)为标记点内部的像素的分布函数,N(μo,σo)为标记点外部像素的分布函数,其中,μ为均值,σ为方差,总数据项是所有像素的似然能量Ud1(x);
b7.2、构建线性模型Ud2(x):假定标记点内部的灰度满足线性分布,定义中心处的均值最高(A+B),边缘的均值最低(B),半径为R,则到中心距离为r的过渡区域均值为B+A×(R-r)/R,背景的均值等同于边缘的均值;
b7.3、构建随机几何模型的似然能量:
Ud(x)=wsUd1(x)+wcUd2(x) (5)
其中,ws和wc分别为对应的权重因子;
b8、将模型先验能量与似然能量相加,构建随机几何模型的能量函数为:
U(x)=Up(x)+Ud(x) (6)
所述的遥感地物目标自动检测方法,其所述第二步中b6,包括:
b6.1、构建避免部件之间重叠的惩罚项能量Up1(x);
b6.2、构建鼓励部件之间规则排列的奖励项能量Up2(x);
b6.3、构建避免部件孤立存在的惩罚项能量Up3(x);
b6.4、组合以上各项对应的能量函数,将随机几何模型的先验能量项定义为:
Up(x)=Up1(x)+Up2(x)+Up3(x) (4)
所述的遥感地物目标自动检测方法,其所述第三步,包括:
c1、采用Gibbs抽样寻求最优配置,将目标配置x划分为多个元素,每次迭代都在其它元素不变的情况下进行条件抽样,得到一个新的元素;
c2、令目标配置x服从p(x)概率分布,且具有马尔可夫性质,其初始状态为x(0)={x1 (0),x2 (0),…,xN (0)},且满足p(x1 (0),x2 (0),…,xN (0))>0:
c6、如果U(x(t))<U(x(t-1)),跳到下一个目标配置x(t);否则,保持当前的目标配置;
c7、采用模拟退火算法求解模型,保证采样算法最终能收敛到全局最优。
所述的遥感地物目标自动检测方法,其所述第四步,包括:
d1、对于测试图像,判断其中是否存在目标,如果不存在目标,结束并输出“不存在目标”的结果;
d2、如果存在目标,利用随机几何模型处理图像,获得最优目标配置对应的检测结果,并输出目标的最终检测位置。
所述的遥感地物目标自动检测方法,其所述第二步b1中,令X是点配置空间上的一个随机目标过程,其中,为二维图像空间,WM、HM分别为图像的宽和高,为标值空间,d为标值参数的个数,C={1,…,N}(C∈R)为部件类别空间,N为目标部件的总数;X是从一个概率空间到点配置空间S的可测映射,即X的一个实现x是目标点的一个随机分布,称为点的配置(Configuration);所有x构成的空间为其中,包含S中有限目标的所有可能分布;
所述的遥感地物目标自动检测方法,其所述第二步b6.1中,当图像中多个地物目标发生交叉重叠时,模型将其视为存在唯一物体的情况进行处理,因此,在处理过程中对于检测结果发生目标重叠的情况予以“惩罚”,即将这类情况对应的能量值设为无穷大(能量值越小,表示该情况存在的可能性越大)。
所述的遥感地物目标自动检测方法,其所述第二步b6.2中,在遥感图像中,地物目标如停机坪中的飞机往往呈现并排排列,因此,模型中鼓励检测结果符合以上规律排列,即:同类部件对应结果在特定方向上位置近似。
所述的遥感地物目标自动检测方法,其所述第二步b6.3中,地物目标由各类部件组合而成,各个部件不可能孤立存在,因此,模型中对于部件检测结果孤立存在的情况予以“惩罚”,将这类情况对应的能量值设为无穷大;
所述的遥感地物目标自动检测方法,其所述第三步c4中,转移核包括以下六种:
(1)平移核:随机改变一个目标矩形的中心点位置,其主要作用是将当前的目标配置x={x1,…,xN}中随机选取的元素xi变成x′i,得到新的目标配置x′={x1,…,x′i,…,xN},其中,xi与x′i之间满足以下关系:
其中,≠表示两个点坐标不同;
(2)长向缩放核:随机改变一个目标矩形的长度,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
(3)宽向缩放核:随机改变一个目标矩形的宽度,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
(4)旋转核:随机改变一个目标矩形的主方向,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
以上四种转移核的作用只是改变目标配置中元素的状态,而对其中元素的总数没有影响,因此,以上四种转移核对应的Green比(Green,1995)计算公式相同,具体形式如下:
其中,p(x)为目标配置x对应的概率密度函数,与目标配置x对应的能量U(x)满足以下关系:
p(x)=exp{-U(x)}(15)
(5)生核:随机生成一个目标矩形,其主要作用是基于目标配置x={x1,…,xN},添加新元素x′N+1=(c1(x′N+1),c2(x′N+1),θ(x′N+1),L(x′N+1),l(x′N+1),cs(x′N+1)),得到x′={x1,…,xN,x′N+1};
经过生核作用以后,新的目标配置中的元素总数增加,此时对应的格林比计算公式如下:
其中,n(x)是当前的目标配置x中元素的总数,其元素的“生”、“灭”概率相等;
(6)灭核:随机去除一个目标矩形,其主要作用是将当前的目标配置x={x1,…,xN}中随机选取的元素xi删去,得到新的目标配置x′={x1,…,xi-1,xi+1,…,xN};
经过灭核作用以后,新的目标配置中的元素总数减少,此时对应的格林比计算公式如下:
本发明提供的方法针对遥感图像中的人造地物目标特性,提出了一种随机几何模型,通过选择地物目标的几何部件作为处理单元,利用各个几何部件特性单一,同类部件之间相关性较大等先验知识,对目标及其部件的组合方式建模,然后采用马尔可夫链蒙特卡洛(MCMC)方法对模型求解,估计非参数概率密度的极大值,并自上而下地指导地物目标的自动检测过程。本发明方法既包含对目标各部件的检测过程,也通过约束部件之间相对位置关系实现对目标的整合,能够克服目标部件缺失、遮挡等干扰的影响,并减少目标类间差异对检测方法普适性的影响,具有较好的鲁棒性和实用性。
附图说明
图1为本发明一种基于随机几何模型的遥感地物目标自动检测方法的流程示意图;
图2为本发明方法中第二步构建随机几何模型的流程示意图;
图3为本发明方法中为矩形模型的数学描述示意图;
图4为本发明方法随机几何模型中采用的转移核示意图;其中:
图4(a)为本发明方法中平移核的当前目标配置示意图;
图4(b)为本发明方法中平移核的新的目标配置示意图;
图4(c)为本发明方法中长向缩放核的当前目标配置示意图;
图4(d)为本发明方法中长向缩放核的新的目标配置示意图;
图4(e)为本发明方法中宽向缩放核的当前目标配置示意图;
图4(f)为本发明方法中宽向缩放核的新的目标配置示意图;
图4(g)为本发明方法中旋转核的当前目标配置示意图;
图4(h)为本发明方法中旋转核的新的目标配置示意图;
图4(i)为本发明方法中生核的当前目标配置示意图;
图4(j)为本发明方法中生核的新的目标配置示意图;
图4(k)为本发明方法中灭核的当前目标配置示意图;
图4(l)为本发明方法中灭核的新的目标配置示意图;
图5为本发明方法中第四步提取识别复杂目标的流程示意图;
图6为本发明方法中基于随机几何模型的目标检测分步处理结果;其中:
图6(a)为测试图像;
图6(b)~图6(d)为部件的检测结果;
图6(e)为最终检测结果;
图7为本发明方法中对遥感地物目标图像代表集中的部分图像及结果示例;其中:
图7(a)和图7(b)为包含单个目标的检测结果;
图7(c)为包含多个目标的检测结果。
具体实施方式
本发明的一种基于随机几何模型的遥感地物目标自动检测方法,首先选择地物目标的几何部件作为处理单元,并利用各个几何部件特性单一,同类部件之间相关性较大等先验知识,对目标及其部件的组合方式构建随机几何模型,然后采用马尔科夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值,获取模型参数,最后自上而下地指导目标的自动检测和定位。本发明方法既能够克服目标部分信息缺失对检测结果的影响,又能减少目标类间差异对检测方法普适性的影响,具有较好的鲁棒性和实用性。
图1为本发明基于多类基元自主学习的多类复杂目标识别方法的流程示意图,具体步骤包括:
第一步,建立遥感地物目标的图像代表集。方法是:
1.1、根据需要定义飞机、舰船、建筑物等3类结构相对复杂但几何部件特性相对单一的遥感地物目标;
1.2、对每个目标类别,选取100幅图像作为该类目标的代表图像,对每一类目标图像,任选40幅图像作为训练集,其余的60幅图像作为测试集;
1.3、对每幅目标图像标记出目标所属类别及所在的区域范围;
1.4、将所有3类目标的图像代表合并为多类目标图像代表集;
第二步,以组成目标的几何部件作为处理单元,构建随机几何模型。如图2所示,具体方法是:
2.1、参照标记点过程,定义随机几何模型;
2.2、采用泊松(Poisson)点过程对遥感图像地物目标的分布建模;
2.3、构建矩形模型,用于描述目标各个几何部件所在的区域,如图3所示,定义为标值空间,S中的元素xi满足,xi=(x1(xi),c2(xi),θ(xi),L(xi),l(xi),cs(xi)),这些参数分别表示为xi的中心点坐标、主方向、长、宽以及所属目标部件的类别。;
2.4、将随机几何模型纳入贝叶斯概率分析框架中,在给定输入图像I以及目标配置x的条件下,将目标在场景中特定位置的概率密度分布表示为:
p(x|I)∝p(I|x)p(x)(1)
当p(.)>0时,将后验概率密度p(x|I)写成Gibbs能量形式:
定义Ud(x)=-logp(I|x)为似然能量,定义Up(x)=-logp(x)为先验能量;
2.6,结合目标结构的先验知识,构建模型的先验项,包括避免部件之间重叠的惩罚项能量Up1(x)、鼓励部件之间规则排列的奖励项能量Up2(x),以及避免部件孤立存在的惩罚项能量Up3(x),组合以上各项对应的能量函数,将随机几何模型的先验能量项定义为式(4)所示,以实现对各类部件的相对关系进行约束。方法是:
Up(x)=Up1(x)+Up2(x)+Up3(x)(4)
2.7、数据项反映的目标配置x,即所有标记点对图像数据的配合程度,根据不同的应用选择高斯混合模型Ud1(x)和线性模型Ud2(x),并在此基础上构建几何模型的似然能量:
Ud(x)=wsUd1(x)+wcUd2(x)(5)
其中,ws和wc分别为对应的权重因子。
2.8、将模型先验能量与似然能量相加,构建随机几何模型的能量函数为:
U(x)=Up(x)+Ud(x)(6)
第三步,将目标的自动检测问题转化为寻求随机目标过程的最优配置问题,采用马尔可夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值,求解随机几何模型。方法是;
3.1、采用Gibbs抽样寻求最优的目标配置,将目标配置x划分为多个元素,每次迭代都在其它元素不变的情况下进行条件抽样,得到一个新的元素;
3.2、令目标配置x服从p(x)概率分布,且具有马尔可夫性质,其初始状态为x(0)={x1 (0),x2 (0),…xN (0)},且满足p(x1 (0),x2 (0),…,xN (0))>0:
3.4、选择合适的转移核Qk(k=1,…,NQ),由得到其中,NQ为转移核的数目,转移核的选择直接影响Gibbs抽样的收敛速度,如图4所示,转移核包括:平移核、长缩放核、宽缩放核、旋转核、生核和灭核;
3.6、如果U(x(t))<U(x(t-1)),跳到下一个目标配置x(t);否则,保持当前的目标配置;
3.7、采用模拟退火算法求解模型,保证采样算法最终能收敛到全局最优,。
第四步,利用随机几何模型检测目标,如图5所示,方法是:
4.1、对于测试图像,判断其中是否存在目标,如果不存在目标,结束并输出“不存在目标”的结果;
4.2、如果存在目标,利用随机几何模型处理图像,获得最优目标配置对应的检测结果,并输出目标的最终检测位置,如图6所示。
图6为本发明基于随机几何模型的目标检测分步处理结果。图7为本发明基于随机几何模型的方法对遥感地物目标图像代表集中的部分飞机目标的检测结果示例。其中,可以发现,虽然测试图像来源不同,目标的特性存在差异,但是该检测方法都具有很好的检测性能。另外,图7(a)是目标受背景信息干扰(部分被遮挡)时的检测结果,表明该方法能有效地克服背景干扰的影响,适用于对部分信息缺失目标的检测,普适性高;图7(b)是目标具有不同主方向情况下的检测结果,表明该方法不受图像或目标发生旋转的影响,具有较强的稳定性;图7(c)是在多目标存在情况下的检测结果,表明该方法也能有效地处理待检测图像中感兴趣目标数目未知的情况,并具有较高的检测性能。
Claims (11)
1.一种基于随机几何模型的遥感地物目标自动检测方法,其特征在于,包括步骤:
第一步,建立多类包含遥感地物目标的图像代表集;
第二步,针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点,以组成目标的几何部件作为处理单元,构建随机几何模型;
第三步,构建目标部件的随机几何模型后,将目标的自动检测问题转化为寻求随机目标过程的最优配置问题,采用马尔可夫链蒙特卡洛方法估计非参数概率密度的极大值;
第四步,利用随机几何模型检测目标。
2.如权利要求1所述的遥感地物目标自动检测方法,其特征在于,所述第一步,包括:
a1、根据需要定义J个类别的遥感地物目标,类别编号为1~J,J为自然数;
a2、对每个目标类别,选取T幅图像作为该类目标的代表图像,对每一类目标图像,任选T1幅图像作为训练集,其余的T2幅图像作为测试集;
a3、对每幅目标图像标记出目标所属类别及所在的区域范围;
a4、将所有J类目标的图像代表合并为多类目标图像代表集。
3.如权利要求1所述的遥感地物目标自动检测方法,其特征在于,所述第二步,包括:
b1、参照标记点过程,定义随机几何模型;
b2、采用泊松点过程对遥感图像地物目标的分布建模;
b3、构建矩形模型,用于描述目标各个几何部件所在的区域;
b4、将随机几何模型纳入贝叶斯概率分析框架中,在给定输入图像I以及目标配置x的条件下,将目标在场景中特定位置的概率密度分布表示为:
p(x|I)∝p(I|x)p(x) (1)
当p(.)>0时,将后验概率密度p(x|I)写成Gibbs能量形式:
定义Ud(x)=-logp(I|x)为似然能量,定义Up(x)=-logp(x)为先验能量;
b6,结合目标结构的先验知识,构建模型的先验项,对各类部件的相对关系进行约束;
b7、数据项反映的目标配置x,即所有标记点对图像数据的配合程度,根据不同的应用,选择不同的模型数据项,方法是:
b7.1、构建高斯混合模型Ud1(x):假定图像灰度的概率密度函数是一个由两个高斯分布成分组成的高斯混合模型,每个像素都被指定某一个高斯分布,那么N(μi,σi)为标记点内部的像素的分布函数,N(μo,σo)为标记点外部像素的分布函数,其中,μ为均值,σ为方差,总数据项是所有像素的似然能量Ud1(x);
b7.2、构建线性模型Ud2(x):假定标记点内部的灰度满足线性分布,定义中心处的均值最高(A+B),边缘的均值最低(B),半径为R,则到中心距离为r的过渡区域均值为B+A×(R-r)/R,背景的均值等同于边缘的均值;
b7.3、构建随机几何模型的似然能量:
Ud(x)=wsUd1(x)+wcUd2(x)(5)
其中,ws和wc分别为对应的权重因子;
b8、将模型先验能量与似然能量相加,构建随机几何模型的能量函数为:
U(x)=Up(x)+Ud(x) (6)
4.如权利要求1或3所述的遥感地物目标自动检测方法,其特征在于,所述第二步中b6,包括:
b6.1、构建避免部件之间重叠的惩罚项能量Up1(x);
b6.2、构建鼓励部件之间规则排列的奖励项能量Up2(x);
b6.3、构建避免部件孤立存在的惩罚项能量Up3(x);
b6.4、组合以上各项对应的能量函数,将随机几何模型的先验能量项定义为:
Up(x)=Up1(x)+Up2(x)+Up3(x)(4)
5.如权利要求1所述的遥感地物目标自动检测方法,其特征在于,所述第三步,包括:
c1、采用Gibbs抽样寻求最优配置,将目标配置x划分为多个元素,每次迭代都在其它元素不变的情况下进行条件抽样,得到一个新的元素;
c2、令目标配置x服从p(x)概率分布,且具有马尔可夫性质,其初始状态为x(0)={x1 (0),x2 (0),…,xN (0)},且满足p(x1 (0),x2 (0),…,xN (0))>0:
c6、如果U(x(t))<U(x(t-1)),跳到下一个目标配置x(t);否则,保持当前的目标配置;
c7、采用模拟退火算法求解模型,保证采样算法最终能收敛到全局最优。
6.如权利要求1所述的遥感地物目标自动检测方法,其特征在于,所述第四步,包括:
d1、对于测试图像,判断其中是否存在目标,如果不存在目标,结束并输出“不存在目标”的结果;
d2、如果存在目标,利用随机几何模型处理图像,获得最优目标配置对应的检测结果,并输出目标的最终检测位置。
7.如权利要求1或3所述的遥感地物目标自动检测方法,其特征在于,所述第二步b1中,令X是点配置空间上的一个随机目标过程,其中,为二维图像空间,WM、HM分别为图像的宽和高,为标值空间,d为标值参数的个数,C={1,…,N}(C∈R)为部件类别空间,N为目标部件的总数;X是从一个概率空间到点配置空间S的可测映射,即X的一个实现x是目标点的一个随机分布,称为点的配置;所有x构成的空间为其中,包含S中有限目标的所有可能分布;
11.如权利要求1或5所述的遥感地物目标自动检测方法,其特征在于,所述第三步c4中,转移核包括以下六种:
(1)平移核:随机改变一个目标矩形的中心点位置,其主要作用是将当前的目标配置x={x1,…,xN}中随机选取的元素xi变成x′i,得到新的目标配置x′={x1,…,x′i,…,xN},其中,xi与x′i之间满足以下关系:
其中,≠表示两个点坐标不同;
(2)长向缩放核:随机改变一个目标矩形的长度,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
(3)宽向缩放核:随机改变一个目标矩形的宽度,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
(4)旋转核:随机改变一个目标矩形的主方向,其主要作用是使当前的目标配置x={x1,…,xi,…,xN}与新的目标配置x′={x1,…,x′i,…,xN}中对应的xi与x′i之间满足以下关系:
以上四种转移核的作用只是改变目标配置中元素的状态,而对其中元素的总数没有影响,因此,以上四种转移核对应的Green比计算公式相同,具体形式如下:
其中,p(x)为目标配置x对应的概率密度函数,与目标配置x对应的能量U(x)满足以下关系:
p(x)=exp{-U(x)}(15)
(5)生核:随机生成一个目标矩形,其主要作用是基于目标配置x={x1,…,xN},添加新元素x′N+1=(c1(x′N+1),c2(x′N+1),θ(x′N+1),L(x′N+1),l(x′N+1),cs(x′N+1)),得到x′={x1,…,xN,x′N+1};
经过生核作用以后,新的目标配置中的元素总数增加,此时对应的格林比计算公式如下:
其中,n(x)是当前的目标配置x中元素的总数,其元素的“生”、“灭”概率相等;
(6)灭核:随机去除一个目标矩形,其主要作用是将当前的目标配置x={x1,…,xN}中随机选取的元素xi删去,得到新的目标配置x′={x1,…,xi-1,xi+1,…,xN};
经过灭核作用以后,新的目标配置中的元素总数减少,此时对应的格林比计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104024285A CN103150566A (zh) | 2011-12-06 | 2011-12-06 | 一种基于随机几何模型的遥感地物目标自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104024285A CN103150566A (zh) | 2011-12-06 | 2011-12-06 | 一种基于随机几何模型的遥感地物目标自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103150566A true CN103150566A (zh) | 2013-06-12 |
Family
ID=48548629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104024285A Pending CN103150566A (zh) | 2011-12-06 | 2011-12-06 | 一种基于随机几何模型的遥感地物目标自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150566A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218598A (zh) * | 2013-03-26 | 2013-07-24 | 中国科学院电子学研究所 | 一种基于随机几何模型的遥感地物目标自动检测方法 |
CN105468670A (zh) * | 2014-08-21 | 2016-04-06 | 霍尼韦尔国际公司 | 检测直升机停机坪和关联的建筑物之间不重合的系统和方法 |
CN105740871A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种利用线段空间关系检测多边行地物的方法 |
CN106407887A (zh) * | 2016-08-24 | 2017-02-15 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN107507176A (zh) * | 2017-08-28 | 2017-12-22 | 京东方科技集团股份有限公司 | 一种图像检测方法及系统 |
CN109948571A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种光学遥感图像船舶检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763655A (zh) * | 2010-01-18 | 2010-06-30 | 浙江林学院 | 基于模拟真实场景的遥感影像像元分解方法 |
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
US20110096999A1 (en) * | 2008-04-28 | 2011-04-28 | Base Systems plc | Image processing |
-
2011
- 2011-12-06 CN CN2011104024285A patent/CN103150566A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110096999A1 (en) * | 2008-04-28 | 2011-04-28 | Base Systems plc | Image processing |
CN101763655A (zh) * | 2010-01-18 | 2010-06-30 | 浙江林学院 | 基于模拟真实场景的遥感影像像元分解方法 |
CN101963664A (zh) * | 2010-09-28 | 2011-02-02 | 中国科学院东北地理与农业生态研究所 | 基于水陆地物分类信息的微波遥感混合像元分解方法 |
Non-Patent Citations (1)
Title |
---|
孙显 等: "《高分辨率遥感图像理解》", 30 November 2011, article "基于随机几何模型的遥感目标检测方法", pages: 159-169 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218598A (zh) * | 2013-03-26 | 2013-07-24 | 中国科学院电子学研究所 | 一种基于随机几何模型的遥感地物目标自动检测方法 |
CN105468670A (zh) * | 2014-08-21 | 2016-04-06 | 霍尼韦尔国际公司 | 检测直升机停机坪和关联的建筑物之间不重合的系统和方法 |
CN105740871A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种利用线段空间关系检测多边行地物的方法 |
CN106407887A (zh) * | 2016-08-24 | 2017-02-15 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN106407887B (zh) * | 2016-08-24 | 2020-07-31 | 重庆大学 | 一种候选框搜索步长的获取方法及装置 |
CN107507176A (zh) * | 2017-08-28 | 2017-12-22 | 京东方科技集团股份有限公司 | 一种图像检测方法及系统 |
CN107507176B (zh) * | 2017-08-28 | 2021-01-26 | 京东方科技集团股份有限公司 | 一种图像检测方法及系统 |
CN109948571A (zh) * | 2019-03-27 | 2019-06-28 | 集美大学 | 一种光学遥感图像船舶检测方法 |
CN109948571B (zh) * | 2019-03-27 | 2021-04-06 | 集美大学 | 一种光学遥感图像船舶检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298280B (zh) | 一种基于mkl多特征融合的海洋涡旋识别方法 | |
CN101930537B (zh) | 基于弯曲不变量相关特征的三维人脸识别方法及系统 | |
CN103150566A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 | |
CN106970375A (zh) | 一种机载激光雷达点云中自动提取建筑物信息的方法 | |
CN106326937A (zh) | 基于卷积神经网络的人群密度分布估计方法 | |
CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
CN103218598A (zh) | 一种基于随机几何模型的遥感地物目标自动检测方法 | |
CN102426697B (zh) | 基于遗传粗糙集c均值聚类的图像分割方法 | |
CN103632167B (zh) | 类地重力场环境下单目视觉空间识别方法 | |
CN110189304A (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
CN111539422B (zh) | 基于Faster RCNN的飞行目标协同识别方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN102750522B (zh) | 一种目标跟踪的方法 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN106650744A (zh) | 局部形状迁移指导的图像对象共分割方法 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN101114337A (zh) | 一种地面建筑物识别定位方法 | |
CN109948457A (zh) | 基于卷积神经网络和cuda加速的实时目标识别算法 | |
CN110991257A (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN116630802A (zh) | 一种基于SwinT与尺寸自适应卷积的电力设备锈蚀缺陷图像检测方法 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN109242019A (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
CN105447488B (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN103456017B (zh) | 基于种子集的半监督权重核模糊聚类的图像分割方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130612 |