CN103218598A - 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

Abstract

本发明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，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的自动检测问题。首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，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，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。

Description

一种基于随机几何模型的遥感地物目标自动检测方法

技术领域

本发明涉及图像信息处理技术领域中关于目标检测的方法，尤其是一种基于随机几何模型来实现对遥感场景图像中地物目标自动检测的方法。

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 its Applications,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（Deformable template），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.Automated segmentation of biological shapes inelectron microscopic autoradiography.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 models in 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。

本发明的技术方案如下：该基于随机几何模型的遥感地物目标自动检测方法，首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，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，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。

其中建立多类包含遥感地物目标的图像代表集采用以下方法：

1.1、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；

1.2、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；

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J类目标的图像代表合并为多类目标图像代表集。

其中第二步中构建随机几何模型采用以下方法：

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；

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）

2.5、将真实场景中目标配置x的最大后验概率估计x表示为：

$x=\arg \underset{x}{\max }p\left(x\right|I)=\arg \underset{x}{\max }p\left(I\right|x)p\left(x\right)---\left(2\right)$

当p(.)＞0时，将后验概率密度p(x|I)写成Gibbs能量形式：

$x=\arg \underset{x}{\min }[-\log p\left(I\right|x)-\log p\left(x\right)]---\left(3\right)$

定义U_d(x)＝-logp(I|x)为似然能量，是在目标配置x给定的前提下，考察图像I中是否存在目标，其主要作用是衡量当前目标配置与输入图像之间的匹配程度；定义

U_p(x)＝-logp(x)为先验能量，用以约束x中各个目标以及目标之间的相互关系；

2.6，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；

2.7、数据项该项反映配置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；

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，模型最优配置的估计值x即为能量函数的极小值。

其中构建模型的先验项采用以下方法：

2.6.1、构建避免部件之间重叠的惩罚项能量U_p1(x)；

2.6.2、构建鼓励部件之间规则排列的奖励项能量U_p2(x)；

2.6.3、构建避免部件孤立存在的惩罚项能量U_p3(x)；

2.6.4、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：

U_p(x)＝U_p1(x)+U_p2(x)+U_p3(x)  （4）

其中选择不同的模型数据项采用以下方法：

2.7.1、构建高斯混合模型U_d1(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(μ_i,σ_i)为标记点内部的像素的分布函数，N(μ_o,σ_o)为标记点外部像素的分布函数，总数据项是所有像素的似然能量U_d1(x)；

2.7.2、构建线性模型U_d2(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为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；

2.7.3、构建随机几何模型的似然能量：

U_d(x)＝w_sU_d1(x)+w_cU_d2(x)  （5）

其中，w_s和w_c分别为对应的权重因子。

其中第三步中估计非参数概率密度的极大值采用以下方法：

3.1、采用Gibbs抽样寻求最优配置，将配置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⁾,...,x_N ⁽⁰⁾},且满足p(x₁ ⁽⁰⁾，x₂ ⁽⁰⁾，...，x_N ⁽⁰⁾)＞0：

3.3、在任意t时刻，从配置 $x^{(t-1)}=\{x_1^{(t-1)},x_2^{(t-1)},...,x_N^{(t-1)}\}$ 中随机抽取

3.4、选择合适的转移核Q_k(k=1,...，N_Q),由

得到

其中，N_Q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；

3.5、得到新配置 $x^{\left(t\right)}=\{x_1^{(t-1)},...,x_i^{\left(t\right)},...,x_N^{(t-1)}\},$ 计算能量U(x^(t))；

3.6、如果U(x^(t))＜U(x^(t-1))，跳到下一个配置x^(t)；否则，保持当前配置；

3.7、为了保证采样算法最终能收敛到全局最优，采用模拟退火算法求解模型。

所述的方法，其所述步骤2.1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（W_M、H_M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

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

中有限目标的所有可能分布。

所述的方法，其所述步骤2.3中，定义为标值空间，

中的元素x_i满足，x_i＝(c₁(x_i),c₂(x_i),θ(x_i),L(x_i),l(x_i),c_s(x_i))，这些参数分别表示为x_i的中心点坐标、主方向、长、宽以及所属目标部件的类别。

所述的方法，其所述步骤2.6.1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）。

对于任意两个目标

和

（n＝c_s(x_i)＝1,2,3分别对应三类部件），当

时，表示两个目标存在重叠。为了避免该情况的存在，将该先验能量项设置为一个无穷大的值；反之，将能量值设为0，即：

所述的方法，其所述步骤2.6.2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。

对于任意两个目标

和

当时

表示该目标在特定方向的坐标值，ε是设定的小正整数），表示两个结果在特定方向上位置近似。为了增加该情况出现概率，将先验能量项设为负整数M₁；反之，将能量值设为0，即：

$U_{p2}\left(x\right)=\left\{\begin{array}{cc}{M}_1& |c_2\left(x_i^n\right)-c_2\left(x_j^n\right)|\≤\mathrm{\ϵ}(\∀x_i^n\∈x,\∀x_j^n\∈x,n\∈\{\mathrm{1,2,3,4}\},i\≠j)\\ 0& \mathrm{else}\end{array}\right.---\left(8\right)$

所述的方法，其所述步骤2.6.3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。

对于任意目标

和

且m≠n，当（η是设定的正整数，通常取图像中物体的长度）时，表示该检测结果中有部件是孤立存在，为了避免该情况的存在，将该先验能量项设置为一个无穷大的值；反之，将能量值设为0，即：

$U_{p3}\left(x\right)=\left\{\begin{array}{cc}\mathrm{Inf}& \left|\right|x_i^m-x_j^n\left|\right|>\mathrm{\η}(\∀x_i^m\∈x,\∀x_j^n\∈x,m\∈\{\mathrm{1,2,3,4}\},n\∈\{\mathrm{1,2,3,4}\},m\≠n)\\ 0& \mathrm{else}\end{array}\right.---\left(9\right)$

所述的方法，其所述步骤3.4中，转移核主要包括以下六种：

（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配置x={x₁,...,x_N}中随机选取的元素x_i变成x'_i，得到新配置x′={x₁,...，x′_i,...，x_N}其中，x_i与x'_i之间满足以下关系：

$\left\{\begin{array}{c}(c_1\left(x_i\right),c_2\left(x_i\right))\≠(c_1\left({x^{\′}}_i\right),c_2\left({x^{\′}}_i\right))\\ \mathrm{\θ}\left(x_i\right)=\mathrm{\θ}\left({x^{\′}}_i\right)\\ L\left(x_i\right)=L\left({x^{\′}}_i\right)\\ l\left(x_i\right)=l\left({x^{\′}}_i\right)\\ c_s\left(x_i\right)=c_s\left({x^{\′}}_i\right)\end{array}\right.---\left(10\right)$

其中，≠表示两个点坐标不同。

（2）长缩放核：随机改变一个目标矩形的长度，其主要作用是使当前配置x={x₁,...，x_i，...,x_N}与新配置x′={x₁,...，x′_i,...，x_N}中对应的x_i与x'_i之间满足以下关系：

$\left\{\begin{array}{c}{c}_1\left(x_i\right)=c_1\left({x^{\′}}_i\right),c_2\left(x_i\right)=c_2\left({x^{\′}}_i\right)\\ \mathrm{\θ}\left(x_i\right)=\mathrm{\θ}\left({x^{\′}}_i\right)\\ L\left(x_i\right)\≠L\left({x^{\′}}_i\right)\\ l\left(x_i\right)=l\left({x^{\′}}_i\right)\\ c_s\left(x_i\right)=c_s\left({x^{\′}}_i\right)\end{array}\right.---\left(11\right)$

（3）宽缩放核：随机改变一个目标矩形的宽度，其主要作用是使当前配置x={x₁,...，x_i,...，x_N}与新配置x′={x₁,...,x′_i,...,x_N}中对应的x_i与x'_i之间满足以下关系：

$\left\{\begin{array}{c}{c}_1\left(x_i\right)=c_1\left({x^{\′}}_i\right),c_2\left(x_i\right)=c_2\left({x^{\′}}_i\right)\\ \mathrm{\θ}\left(x_i\right)=\mathrm{\θ}\left({x^{\′}}_i\right)\\ L\left(x_i\right)=L\left({x^{\′}}_i\right)\\ l\left(x_i\right)\≠l\left({x^{\′}}_i\right)\\ c_s\left(x_i\right)=c_s\left({x^{\′}}_i\right)\end{array}\right.---\left(12\right)$

（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配置x={x₁,...,x_i,...,x_N}与新配置x'={x₁,...,x′_i,...,x_N}中对应的x_i与x'_i之间满足以下关系：

$\left\{\begin{array}{c}{c}_1\left(x_i\right)=c_1\left({x^{\′}}_i\right),c_2\left(x_i\right)=c_2\left({x^{\′}}_i\right)\\ \mathrm{\θ}\left(x_i\right)\≠\mathrm{\θ}\left({x^{\′}}_i\right)\\ L\left(x_i\right)=L\left({x^{\′}}_i\right)\\ l\left(x_i\right)=l\left({x^{\′}}_i\right)\\ c_s\left(x_i\right)=c_s\left({x^{\′}}_i\right)\end{array}\right.---\left(13\right)$

以上四种转移核的作用只是改变配置中元素的状态，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：

$R_{\mathrm{Tr}}(x,x^{\′})=R_{\mathrm{Lt}}(x,x^{\′})=R_{\mathrm{Wt}}(x,x^{\′})=R_{\mathrm{Ro}}(x,x^{\′})=\frac{p\left(x^{\′}\right)}{p\left(x\right)}---\left(14\right)$

其中，p(x)为配置x对应的概率密度函数，与配置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，其主要作用是基于配置x={x₁,...,x_N}，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),c_s(x'_N+1))，得到x′={x₁,...,x_N,x′_N+1}。

经过生核作用以后，新配置中的元素总数增加，此时对应的格林比计算公式如下：

$R_{\mathrm{Bt}}(x,x^{\′})=\frac{p\left(x^{\′}\right)}{p\left(x\right)}\frac{1}{n\left(x\right)+1}---\left(16\right)$

其中，n(x)是当前配置x中元素的总数。特别的，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配置x={x₁,...,x_N}中随机选取的元素x_i删去，得到新配置x′={x₁,...，x_i-1,x_i+1,...,x_N}。

经过灭核作用以后，新配置中的元素总数减少，此时对应的格林比计算公式如下：

$R_{\mathrm{Dt}}(x,x^{\′})=\frac{p\left(x^{\′}\right)}{p\left(x\right)}\·n\left(x\right)---\left(17\right)$

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为本发明第二步构建随机几何模型的流程示意图。

图3为本发明为矩形模型的数学描述示意图。

图4为本发明随机几何模型中采用的转移核示意图。其中，图（a）为平移核的作用示意图，图（b）为长缩放核的作用示意图，图（c）为宽缩放核的作用示意图，图（d）为旋转核的作用示意图，图（e）为生核的作用示意图，图（f）为灭核的作用示意图。

图5为本发明第四步提取识别复杂目标的流程示意图。

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。其中，图（a）为测试图像，图（b）-（d）为部件的检测结果，图（e）为最终检测结果。

图7为本发明基于随机几何模型的目标检测方法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（a）、（b）为包含单个目标的检测结果，图（c）为包含多个目标的检测结果。

具体实施方式

下面结合附图对本发明作进一步介绍。

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，

中的元素x_i满足，x_i＝(c₁(x_i),c₂(x_i),θ(x_i),L(x_i),l(x_i),c_s(x_i))，这些参数分别表示为x_i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）

2.5、将真实场景中目标配置x的最大后验概率估计x表示为：

$x=\arg \underset{x}{\max }p\left(x\right|I)=\arg \underset{x}{\max }p\left(I\right|x)p\left(x\right)---\left(2\right)$

当p(.)＞0时，将后验概率密度p(x|I)写成Gibbs能量形式：

$x=\arg \underset{x}{\min }[-\log p\left(I\right|x)-\log p\left(x\right)]---\left(3\right)$

定义U_d(x)＝-logp(I|x)为似然能量，定义U_p(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U_p1(x)、鼓励部件之间规则排列的奖励项能量U_p2(x)，以及避免部件孤立存在的惩罚项能量U_p3(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：

U_p(x)＝U_p1(x)+U_p2(x)+U_p3(x)  （4）

2.7、数据项该项反映配置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U_d1(x)和线性模型U_d2(x)，并在此基础上构建几何模型的似然能量：

U_d(x)＝w_sU_d1(x)+w_cU_d2(x)  （5）

其中，w_s和w_c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)＝U_p(x)+U_d(x)  （6）

由（2）式可知，模型最优配置的估计值x即为能量函数的极小值。

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抽样寻求最优配置，将配置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⁾,...,x_N ⁽⁰⁾},且满足p(x₁ ⁽⁰⁾，x₂ ⁽⁰⁾，...，x_N ⁽⁰⁾)＞0：

3.3、在任意t时刻，从配置 $x^{(t-1)}=\{x_1^{(t-1)},x_2^{(t-1)},...,x_N^{(t-1)}\}$ 中随机抽取

3.4、选择合适的转移核Q_k(k=1，...,N_Q),由

得到

其中，N_Q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；

3.5、得到新配置 $x^{\left(t\right)}=\{x_1^{(t-1)},...,x_i^{\left(t\right)},...,x_N^{(t-1)}\},$ 计算能量U(x^(t))；

3.6、如果U(x^(t))＜U(x^(t-1))，跳到下一个配置x^(t)；否则，保持当前配置；

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（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（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（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 (9)

1.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：首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，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，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。 

2.如权利要求1所述的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：其中建立多类包含遥感地物目标的图像代表集采用以下方法： 

1.1、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； 

1.2、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； 

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或2所述的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：其中第二步中构建随机几何模型采用以下方法： 

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； 

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） 

2.5、将真实场景中目标配置x的最大后验概率估计x表示为： 

当p(.)＞0时，将后验概率密度p(x|I)写成Gibbs能量形式： 

定义U_d(x)＝-logp(I|x)为似然能量，是在目标配置x给定的前提下，考察图像I中是否存在目标，其主要作用是衡量当前目标配置与输入图像之间的匹配程度；定义 

U_p(x)＝-logp(x)为先验能量，用以约束x中各个目标以及目标之间的相互关系； 

2.6，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； 

2.7、数据项该项反映配置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； 

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，模型最优配置的估计值x即为能量函数的极小值。 

4.如权利要求3所述的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：其中构建模型的先验项采用以下方法： 

2.6.1、构建避免部件之间重叠的惩罚项能量U_p1(x)； 

2.6.2、构建鼓励部件之间规则排列的奖励项能量U_p2(x)； 

2.6.3、构建避免部件孤立存在的惩罚项能量U_p3(x)； 

2.6.4、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： 

U_p(x)＝U_p1(x)+U_p2(x)+U_p3(x)  （4） 。

5.如权利要求3所述的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：其中选择不同的模型数据项采用以下方法： 

2.7.1、构建高斯混合模型U_d1(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(μ_i,σ_i)为标记点内部的像素的分布函数，N(μ_o,σ_o)为标记点外部像素的分布函数，总数据项是所有像素的似然能量U_d1(x)； 

2.7.2、构建线性模型U_d2(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为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； 

2.7.3、构建随机几何模型的似然能量： 

U_d(x)＝w_sU_d1(x)+w_cU_d2(x)  （5） 

其中，w_s和w_c分别为对应的权重因子。 

6.如权利要求4或5所述的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：其中第三步中估计非参数概率密度的极大值采用以下方法： 

3.1、采用Gibbs抽样寻求最优配置，将配置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⁾,...,x_N ⁽⁰⁾},且满足p(x₁ ⁽⁰⁾，x₂ ⁽⁰⁾，...，x_N ⁽⁰⁾)＞0: 

3.3、在任意t时刻，从配置中随机抽取

3.4、选择合适的转移核Q_k(k=1,....，N_Q),由

得到

其中，N_Q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； 

3.5、得到新配置计算能量U(x^(t))； 

3.6、如果U(x^(t))＜U(x^(t-1))，跳到下一个配置x^(t)；否则，保持当前配置； 

3.7、为了保证采样算法最终能收敛到全局最优，采用模拟退火算法求解模型。 

7.如权利要求4所述的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：其所述步骤2.6.1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，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，即能量值越小，表示该情况存在的可能性越大。 

8.如权利要求4所述的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：其所述步骤2.6.3中，地物目标由各类部件组合而成，模型中对于部件检测结果孤立存在的情况予以“惩罚”，即将这类情况对应的能量值设为无穷大。 

9.如权利要求6所述的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：其所述步骤3.4中，转移核主要包括以下六种： 

（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配置x={x₁,...,x_N}中随机选取的元素x_i变成x'_i，得到新配置x′={x₁,...，x′_i,...，x_N},其中，x_i与x'_i之间满足以下关系： 

其中，≠表示两个点坐标不同； 

（2）长缩放核：随机改变一个目标矩形的长度，其主要作用是使当前配置X={x₁,...,x_i，...，x_N}与新配置x′={x₁,...,x′_i，...,x_N}中对应的x_i与x'_i之间满足以下关系： 

（3）宽缩放核：随机改变一个目标矩形的宽度，其主要作用是使当前配置x={x₁，...，x_i，...，x_N}与新配置x′={x₁，...，x′_i，...，x_N}中对应的x_i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配置x={x₁,...，x_i，...，x_N}与新配置x′={x₁,...,x′_i,...，x_N}中对应的x_i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)为配置x对应的概率密度函数，与配置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，其主要作用是基于配置x={x₁,...,x_N},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),c_s(x'_N+1))，得到x′={x₁,...,x_N,x′_N+1}。 

经过生核作用以后，新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)是当前配置x中元素的总数。特别的，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配置x={x₁,...,x_N}中随机选取的元素x_i删去，得到新配置x′={x₁,...，x_i-1,x_i+1，...,x_N}; 

经过灭核作用以后，新配置中的元素总数减少，此时对应的格林比计算公式如下： 

。

Images