CN104299241A - 基于 Hadoop 的遥感图像显著性目标检测方法及系统 - Google Patents

Abstract

一种基于Hadoop的遥感图像显著性目标检测方法及系统，包括输入遥感图像的灰度信息，对遥感图像进行图像分割，得到尺寸一致的图像块，获取不同图像块的灰度信息，进行Map过程计算各图像块的纹理特征值与方向特征值，进行Reduce过程将各图像块在Map过程后得到的结果归并输出，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，得到整幅遥感影像最终的显著特征图。本发明中遥感图像显著性目标检测方式综合考虑了各个图像块之间的纹理信息与方向信息，具有更好的理论基础，同时结果更加准确；使用云计算处理技术能够大幅度提高大数据量的遥感图像数据的运算处理能力，提高显著性目标检测效率与速度。

Description

基于 Hadoop 的遥感图像显著性目标检测方法及系统

技术领域

本发明属于图像处理领域，涉及一种基于Hadoop的遥感图像显著性目标检测方法及系统。

背景技术

近年来，随着数字图像获取与遥感技术的不断发展，我们得到的图像数据规模越来越庞大。图像的显著性检测是检测图像中最能够引起人兴趣，最能表现图像信息的区域。人在观察图像的时候，往往只对图像的某一区域感兴趣，因而在对图像进行信息提取时，只对感兴趣区域进行信息提取将可以很大程度上减少运算量同时提高计算效率。

面对日益增多的海量图像数据，图像的显著性检测等信息提取工作变得越来越困难。为了降低图像处理成本同时提高图像处理的速度，需要提出效率更高的面向大规模图像数据的处理技术，以达到图像处理速度与精度之间的平衡。传统的图像显著性目标检测技术在计算全局显著性目标时需要对整张图片的每一个像素都进行处理，随着图像规模的增大，运算时间相对于图像大小呈指数形式增加，导致运算效率低下，难以适应实际需求。为了适应图像规模的日益增大，研究者引入云计算技术作为应对该问题的一种解决方案。

云计算是一种新的计算模式，具有超大规模，虚拟化，高可拓展性，高可靠性等多种特点。Hadoop作为一种可对大量数据进行分布式处理的云计算框架，是基于Google公司GoogleFile System和MapReduce计算模型的开源实现，用户可以在不了解分布式底层细节的情况下开发分布式程序，充分利用集群的威力进行高速的运算和存储。Map-Reduce是一种编程框架，采用了概念″Map(映射)″和″Reduce(归约)″，用于大规模数据集(大于1TB)的并行运算。但是对于具体技术问题，需要解决如何规划技术方案以便并行实现的问题，本领域尚未有具有理想效果的方案出现。

发明内容

本发明的目的在于针对当前技术手段在解决大数据量遥感图像显著性目标检测过程中遇到的检测效率低等问题，提出了一种基于Hadoop云计算平台的分布式遥感图像显著性目标检测手段。

为达到上述目的，本发明提供一种基于Hadoop的遥感图像显著性目标检测方法，包括以下步骤，

步骤1，输入一幅遥感图像的灰度信息；

步骤2，对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key，value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；

步骤3，根据步骤2的分割结果，获取不同图像块的灰度信息，记为G(i，j)；

步骤4，进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；

步骤5，进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；

步骤6，根据步骤5所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,t)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,t)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；

步骤7，得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，

S_F(x，y)＝S_t(x，y)+S_O(x，y)

其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。

而且，步骤4中，图像块的纹理特征值采用该图像块的图像灰度方差值。

而且，步骤4中，图像块的方向特征值采用对该图像块进行Gabor滤波后得到的最大方向图的平均灰度值。

一种基于Hadoop的遥感图像显著性目标检测系统，包括以下模块，

输入模块，用于输入一幅遥感图像的灰度信息；

图像分割模块，用于对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key，value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；

图像块灰度信息提取模块，用于根据图像分割模块的分割结果，获取不同图像块的灰度信息，记为G(i，j)；

映射模块，用于进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；

归约模块，用于进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；

全局特征提取模块，用于根据归约模块所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,t)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,t)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；

显著特征图生成模块，用于得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，

S_F(x，y)＝S_t(x，y)+S_O(x，y)

其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。

而且，图像块灰度信息提取模块中，图像块的纹理特征值采用该图像块的图像灰度方差值。

而且，图像块灰度信息提取模块中，图像块的方向特征值采用对该图像块进行Gabor滤波后得到的最大方向图的平均灰度值。

本发明与现有技术相比具有以下优点：

1、本发明中使用到的遥感图像显著性目标检测方式综合考虑了各个图像块之间的纹理信息与方向信息，具有更好的理论基础，同时结果更加准确。

2、本发明使用云计算处理技术，能够大幅度提高大数据量的遥感图像数据的运算处理能力，提高显著性目标检测效率与速度。

3、本发明提出的改进遥感图像显著性目标检测的方法，在不影响显著性目标检测的准确性的条件下，能够显著提高运算效率，更有效的利用计算资源。

具体实施方式

本发明提供一种利用分布式计算框架Hadoop对海量遥感图像数据进行显著性检测的方法，基于开源云计算平台来提高遥感图像处理速度。显著性检测过程包括首先实现图片的分割，获取每块图片的灰度信息；随后，通过计算每块图片亮度的方差表示图像块之间纹理的差异性，同时利用Gabor滤波计算不同图像块的方向信息作为该图像块的方向特征值；对获取到的纹理信息及方向信息，依次将该图像块与全局范围内各个图像块进行比较计算得出该图像块在全局的显著性特征值。显著性检测过程的实现依赖于Hadoop开源云计算平台的MapReduce模型。由Hadoop将输入的数据进行分段处理，通过构建的Map函数对各段数据进行处理，在Reduce阶段对Map函数的处理信息归并生成最终结果。下面结合实施例对本发明技术方案进一步详细说明。

本发明技术方案可采用计算机软件方式支持自动运行。实施例具体步骤为：

步骤1，输入一幅遥感图像的特征参数，即遥感图像的灰度信息；若原始的遥感图像为非灰度图像，转换为灰度图像，即可得到灰度信息，实施例中将彩色图片转换为8位灰度图像进行操作。

步骤2，根据步骤1输入的遥感图像，进行图像分割，分割成为具有一定大小的图像块(patch)。

具体实施时，本领域技术人员可预先设定图像块尺寸，实施例将图像按大小为64×64像素的图像块分块，对于每个图像块，都拥有代表本图像块的纹理特征值和方向特征值。

在MapReduce程序运行的开始阶段，Hadoop需将待处理的图像进行切分，按定义格式读取等操作。

Hadoop支持的数据输入和读取需要实现InputFormat接口，InputFormat定义了HDFS输入图像数据的切片和存储工作的各种方法规范，这一接口实现的默认Hadoop支持的数据输入格式包括FileInputFormat等。实现该接口主要实现两个方法，即getSplits()与getRecordReader()方法，前者对HDFS输入数据进行切片操作，返回各个切片数组；后者为切片迭代器读取各个切片，生成RecordReader，RecordReader通过creatKey()，creatValue()方法创建可供Map处理的<key，value>键值对。每个图像块对应一组键值对，key值代表该图像块在整幅图像中所处的位置信息(i，j)，即该图像块在整幅遥感影像中的位置坐标；value值则用来存储后续步骤计算出来的该图像块相对于整幅图像的显著性特征值，即步骤4所得纹理特征值与方向特征值。

步骤3，根据步骤2的分割结果，获取不同图像块的灰度信息，记为G(i，j)，(i，j)表示该图像块在整幅遥感影像中的位置坐标。

步骤4，基于步骤3所得结果，根据灰度信息计算各图像块的纹理特征值与方向特征值。纹理信息通过对灰度图像中各图像块的灰度值计算方差获得。方向信息通过对各图像块进行Gabor滤波获得。实施例的步骤4具体实现如下，

针对每个图像块，计算图像块的纹理特征值，具体实施时可计算任一图像块的图像灰度方差值或其他特征作为该图像块的纹理特征值，记为t(i，j)表示该图像块在整幅遥感影像中的位置坐标。

针对每个图像块，计算图像块的方向特征值，具体实施时可将对任一图像块进行Gabor滤波后得到的最大方向图的平均灰度值作为该图像块的方向特征值，记为O(i，j)，i，j表示该图像块在整幅遥感影像中的位置坐标。

步骤5，步骤4对各图像块分别计算其纹理特征值与方向特征值后(即进行Map过程)，将各图像块在Map过程后得到的结果归并(即Reduce过程)输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值。

步骤6，根据步骤5所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，具体公式如下：

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,t)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,t)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，t(i，j)表示该图像块(i，j)的纹理特征值，O(i，j)表示该图像块(i，j)的方向特征值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，t(x，y)示图像块(x，y)的纹理特征值，O(x，y)表示该图像块(x，y)的方向特征值，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，其值等于这两个图像块在空间位置上的欧几里得距离的倒数，||t_(x，y)-t_(i，j)||表示图像块间纹理特征值的差异性，其值等于纹理特征值之差的绝对值，||O_(x，y)-O_(i，j)||表示图像块间方向特征值的差异性，其值等于方向特征值之差的绝对值。

遥感图像的显著性检测过程主要由两部分构成：(1)各图像块(x，y)与其他图像块(i，j)在位置上的欧几里得距离，取距离的倒数作为显著性影响系数W_{(x，y)|(i，j)}，即权重W，2)计算某一图像块(x，y)与其余图像块在纹理，方向两个特征空间的欧氏距离，进而计算该图像块(x，y)的纹理显著性值S_t(x，y)与方向显著性值S_O(x，y)。

步骤7，最终的显著特征图表示方法如下：

S_F(x，y)＝S_t(x，y)+S_O(x，y)

S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。通过纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)的叠加，获得该图像块的最终显著性特征值，进而得到整幅遥感影像的显著性检测图。记S_F指为由图像块的方向特征值与纹理特征值进行线性叠加得到的全局图像的显著特征图。

本发明还相应提高一种基于Hadoop的遥感图像显著性目标检测系统，包括以下模块：

输入模块，用于输入一幅遥感图像的灰度信息；

图像分割模块，用于对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key，value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；

图像块灰度信息提取模块，用于根据图像分割模块的分割结果，获取不同图像块的灰度信息，记为G(i，j)；

映射模块，用于进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；

归约模块，用于进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；

全局特征提取模块，用于据归约模块所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,t)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,t)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；

显著特征图生成模块，用于得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，

S_F(x，y)＝S_t(x，y)+S_O(x，y)

其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。

各模块具体实现与步骤相应，本发明不予赘述。

本文中所述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方法替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于Hadoop的遥感图像显著性目标检测方法，其特征在于：包括以下步骤，

步骤1，输入一幅遥感图像的灰度信息；

步骤2，对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key,value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；

步骤3，根据步骤2的分割结果，获取不同图像块的灰度信息，记为G(i，j)；

步骤4，进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；

步骤5，进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；

步骤6，根据步骤5所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,y)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,y)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；

步骤7，得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，

S_F(x，y)＝S_t(x，y)+S_O(x，y)

其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。

2.根据权利要求1所述基于Hadoop的遥感图像显著性目标检测方法，其特征在于：步骤4中，图像块的纹理特征值采用该图像块的图像灰度方差值。

3.根据权利要求1所述基于Hadoop的遥感图像显著性目标检测方法，其特征在于：步骤4中，图像块的方向特征值采用对该图像块进行Gabor滤波后得到的最大方向图的平均灰度值。

4.一种基于Hadoop的遥感图像显著性目标检测系统，其特征在于：包括以下模块，

输入模块，用于输入一幅遥感图像的灰度信息；

图像分割模块，用于对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key,value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；

图像块灰度信息提取模块，用于根据图像分割模块的分割结果，获取不同图像块的灰度信息，记为G(i，j)；

映射模块，用于进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；

归约模块，用于进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；

全局特征提取模块，用于根据归约模块所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，

$S_{t(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|t_{(x,y)}-t_{(i,j)}\left|\right|$

$S_{O(x,y)}=\frac{1}{M\&times;N}{\mathrm{\&Sigma;}}_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\&times;\left|\right|O_{(x,y)}-O_{(i,j)}\left|\right|$

其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；

显著特征图生成模块，用于得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，

S_F(x，y)＝S_t(x，y)+S_O(x，y)

其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。

5.根据权利要求4所述基于Hadoop的遥感图像显著性目标检测系统，其特征在于：图像块灰度信息提取模块中，图像块的纹理特征值采用该图像块的图像灰度方差值。

6.根据权利要求4所述基于Hadoop的遥感图像显著性目标检测系统，其特征在于：图像块灰度信息提取模块中，图像块的方向特征值采用对该图像块进行Gabor滤波后得到的最大方向图的平均灰度值。