CN106295498A - 光学遥感图像目标区域检测装置与方法 - Google Patents

Abstract

本发明提供了一种光学遥感图像目标区域检测装置与方法，涉及图像处理领域。该光学遥感图像目标区域检测装置与方法将一光学遥感图像转换为三维立体图像，依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域，利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。该光学遥感图像目标区域检测装置与方法，不易受云、海浪等自然因素影响，稳定性高，并且目标区域提取错误率低，提取速度快。

Description

光学遥感图像目标区域检测装置与方法

技术领域

本发明涉及图像处理领域，具体而言，涉及一种光学遥感图像目标区域检测装置与方法。

背景技术

光学遥感图像目标区域检测的研究对象主要有合成孔径雷达(syntheticaperture radar，SAR)图像、光学卫星光学遥感图像。其中，SAR图像分辨率较低且噪声较大，而光学遥感图像空间分辨率较高，成像直观易懂、内容丰富，目标结构清晰，在目标区域检测中具有SAR图像没有的优势，因此光学遥感图像成为近年来遥感图像目标区域检测的研究热点。

现有技术中，主要通过阈值分割法对光学遥感图像目标区域进行检测。阈值分割法是利用目标与背景像素灰度值差异，选取最优差异阈值提取可能包含目标的区域。但是这种方法稳定性不高，易受云、海浪等自然因素的影响，从而导致丢失部分目标区域信息。

发明内容

有鉴于此，本发明实施例的目的在于提供一种光学遥感图像目标区域检测装置与方法。

第一方面，本发明实施例提供了一种光学遥感图像目标区域检测装置，所述光学遥感图像目标区域检测装置包括：

所述光学遥感图像目标区域检测装置包括：

图像转换单元，用于将一光学遥感图像转换为三维立体图像；

疑似目标区域提取单元，用于依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；

目标区域确定单元，用于利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。

第二方面，本发明实施例还提供了一种光学遥感图像目标区域检测方法，所述光学遥感图像目标区域检测方法包括：

将一光学遥感图像转换为三维立体图像；

依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；

利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。

与现有技术相比，本发明提供的一种光学遥感图像目标区域检测装置与方法，通过将一光学遥感图像转换为三维立体图像；依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。该光学遥感图像目标区域检测装置与方法，不易受云、海浪等自然因素影响，稳定性高，并且目标区域提取错误率低，提取速度快。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的服务器的方框示意图；

图2为本发明实施例提供的光学遥感图像目标区域检测装置的功能单元示意图；

图3为本发明实施例提供的目标区域确定单元的子单元示意图；

图4为本发明实施例提供的光学遥感图像目标区域检测方法的流程图；

图5为本发明实施例提供的步骤S403的具体流程图。

其中，附图标记与部件名称之间的对应关系如下：光学遥感图像目标区域检测装置100，服务器101，处理器102，存储器103，存储控制器104，外设接口105，图像转换单元201、疑似目标区域提取单元202，目标区域确定单元203，第一去均值块矩阵获得子单元301，第一特征矩阵获得子单元302，第二去均值块矩阵获得子单元303，第二特征矩阵获得子单元304，哈希编码子单元305，块扩展直方图特征提取子单元306，目标区域选中子单元307。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提出的光学遥感图像目标区域检测装置与方法，提供了一种光学遥感图像目标区域检测方法，该光学遥感图像目标区域检测方法可适用于服务器101。该服务器101可以是，但不限于，网络服务器、数据库服务器、云端服务器等等。

如图1所示，是所述服务器101的方框示意图。所述服务器101包括光学遥感图像目标区域检测装置100、处理器102、存储器103、存储控制器104及外设接口105。

所述存储器103、存储控制器104及处理器102，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述光学遥感图像目标区域检测装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器103中或固化在所述服务器101的操作系统(operating system，OS)中的软件功能模块。所述处理器102用于执行存储器103中存储的可执行模块，例如，所述光学遥感图像目标区域检测装置100包括的软件功能模块或计算机程序。

其中，存储器103可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器103用于存储程序，所述处理器102在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器101所执行的方法可以应用于处理器102中，或者由处理器102实现。

处理器102可能是一种集成电路芯片，具有信号的处理能力。上述的处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口105将各种输入/输入装置耦合至处理器以及存储器103。在一些实施例中，外设接口105，处理器102以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

请参阅图2，本发明实施例提供的一种光学遥感图像目标区域检测装置，所述光学遥感图像目标区域检测装置包括图像转换单元201、疑似目标区域提取单元202以及目标区域确定单元203。本实施例中，目标区域可以包括他、光学遥感图像中包含的船舶区域或者汽车区域等，在此并不做限制。

所述图像转换单元201用于将一光学遥感图像转换为三维立体图像。

具体地，所述图像转换单元201用于将所述光学遥感图像转化为灰度图像，并依据以所述灰度图像的每个像素为中心的领域产生的灰度向量将所述光学遥感图像转换为三维立体图像。例如，首先将光学遥感图像转换成灰度图像，然后再以灰度图像中的每个像素为中心的领域内(每个像素均可作为一个中心像素)，将每个像素的空间相邻像素(包括该中心像素)的灰度值按照相同排序规则(比如，按行从上到下)组成多个灰度值向量，将所有灰度值向量代替领域内中心像素，从而将光学遥感图像转换成三维立方体图像。

所述疑似目标区域提取单元202用于依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域。

具体地，所述疑似目标区域提取单元202用于利用RX异常检测算法将所述三维立体图像作为输入，从而检测出疑似目标区域。

进一步地，所述疑似目标区域提取单元202包括：

计算子单元，用于计算每个所述灰度向量与背景灰度向量分布之间的马氏距离平方值。

具体计算方式可以为：设上述三维立体图像中的每个灰度值向量构成的矩阵为X＝[x(1),x(2),...,x(L)]，其中x(i)表示第i个像素对应的灰度向量。利用RX异常检测算法判断每个灰度向量x(i)(i＝1,2,...L)属于以下两种假设情况的哪一种。第一种情况为：H₀：x(i)＝n；第二种情况为H₁：x(i)＝βt。其中，n表示图像背景噪声，β是一个正值常数，t表示目标。RX算法假设背景的灰度值分布H₀为高斯分布N(μ_b,C_b)，目标的灰度值分布H₁为高斯分布N(t,C_b)。这两个高斯分布有着相同的方差矩阵，但是均值不相同，并且它们都是未知的。其中μ_b，C_b的最大似然估计值分别为：

${\widehat{\mathrm{\μ}}}_b=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}x\left(i\right)$

${\hat{C}}_b=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\left(x\right(i)-{\widehat{\mathrm{\μ}}}_b){\left(x\right(i)-{\widehat{\mathrm{\μ}}}_b)}^T$

接下来采用马氏距离(Mahalanobis distance)参数表示三维立方体图像中每个灰度向量与背景分布之间的差异。对于每个灰度向量x(i)(i＝1,2,...L)，马氏距离平方值δ(x(i))为：

$\mathrm{\δ}\left(x\right(i\left)\right)={\left(x\right(i)-{\widehat{\mathrm{\μ}}}_b)}^T{({\hat{C}}_b+\mathrm{\ϵ}\·M)}^{-1}\left(x\right(i)-{\widehat{\mathrm{\μ}}}_b)$

通过上述计算可得到每个灰度向量对应的马氏距离平方值。其中，ε是一个正值常数，M是一个单位矩阵。

最优马氏距离阈值获得单元，用于依据大津法获得最优马氏距离阈值。

本实施例中，采用大津法(也称最大类间差法)从多个灰度向量与背景分布之间的马氏距离平方值中自适应地确定最优马氏距离阈值。其中，大津法是根据图像的灰度特性，将图像割成背景和目标两个类别，背景和目标之间的类间方差越大，说明构成图像的两个类别的差别越大。将图像的目标和背景的初始分割阈值记作t，属于目标的像素点数占整幅图像的比例为平均灰度为μ₀；属于背景的像素点数占整幅图像的比例为平均灰度为μ₁。图像的总平均灰度为μ_T，类间方差为假设图像的尺寸为M×N，图像中像素的灰度值小于灰度阈值t的像素个数记作n₀，大于灰度阈值t的像素个数记作n₁，则有：

n₀+n₁＝MN

将公式代入到公式中，可以得到等价公式：

采用遍历的方法得到使类间方差最大的灰度阈值t，即为最优马氏距离阈值。

所述选中子单元将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域。

由于背景中的灰度向量所包含的灰度值是比较稳定的，因此背景中的灰度向量往往具有更小的马氏距离值；而疑似目标区域中的灰度向量所包含的灰度值是比较波动的，因此疑似目标区域中的灰度向量往往具有更大的马氏距离值。因此可根据每个马氏距离平方值与最优马氏距离阈值的比较结果识别疑似目标的候选区域。具体地，将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域；将小于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域选中为背景区域。本实施例中，利用大津法可得到最优马氏距离阈值，使疑似目标的目标和背景两个类别之间的差异最大，且将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域，从而有效地提取出疑似目标区域。

所述目标区域确定单元203用于利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。

如图3所示，所述目标区域确定单元203包括：

第一去均值块矩阵获得子单元301，用于对主成分分析网络的每个训练图片样本疑似目标区域的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵。

具体地，假设有N个训练图片样本，对于每个训练图片样本中的每个像素，在每个像素周围进行一次k₁×k₂的块采样(这里采样是逐个像素进行的，因此是完全的覆盖式采样)，并将每个块都进行去均值处理，收集每个训练图片样本所有的块即对每个块都进行去均值处理，得到矩阵作为第i张训练图片样本I_i的第一层主成分分析网络映射的第一去均值块矩阵，对所有训练图片样本进行相同的处理，进行级联，最终得到所有训练图片样本的第一去均值块矩阵：

$X=\[{\stackrel{\‾}{X}}_1,{\stackrel{\‾}{X}}_2,\mathrm{...},{\stackrel{\‾}{X}}_N\]\∈R^{k_1{k}_2\×Nrc}$

第一特征矩阵获得子单元302，用于对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵。

假定在第i层的第一层主成分分析映射的滤波器数量为n_i，由于主成分分析映射的目的是寻找一系列标准正交矩阵来最小化重构误差，而这个问题的求解就是经典的主成分分析，即矩阵X的协方差矩阵XX^T的前n_i个主特征向量，因此第一层主成分分析映射的第一滤波器表示如下：

$W_l^1=f_{k_1,k_2}\left(e_l\right({\mathrm{XX}}^T\left)\right)\∈R^{k_1\×k_2},l=1,2,\mathrm{...},n$

其中，是将向量映射成矩阵的函数，e_l(XX^T)表示协方差矩阵XX^T的第l个主特征向量。公式l＝1,2,...,n的含义就是提取X的协方差矩阵的前n₁个主特征向量来组成第一层主成分分析映射的第一层主成分分析滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵。

另外，为了提高确定目标区域的准确度，可对疑似目标区域进行第二层主成分分析映射，从而确定目标区域。所述目标区域确定单元203还包括：

第二去均值块矩阵获得子单元303，用于对每个所述第一特征矩阵进行块采样并去平均值，获得第二层主成分分析映射的第二去均值块矩阵。

具体地，将第一层主成成分分析输出的所有第一特征矩阵再次进行主成分分析映射。首先输出的每个第一特征矩阵通过算式

$I_i^l=I_i*W_l^1,i=1,2,\mathrm{...}N,l=1,2,\mathrm{...},n_1$

进行二维卷积映射。需要说明的是，在进行二维卷积映射之前，需要进行边缘补零操作，以保证映射结果与原图像的尺寸相同(因为卷积操作会导致尺寸变小)。对二维卷积映射块后的每个第一特征矩阵进行块采样、去均值、级联得到第二层主成分分析映射的第二去均值块矩阵

第二特征矩阵获得子单元304，用于对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层成分分析映射的第二滤波器，依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理，从而获得多个第二特征矩阵。

具体地，第二滤波器同样通过选取协方差矩阵YY^T对应的主特征向量来组成，因此此时的第二滤波器表示如下：

$W_t^2=f_{k_1,k_2}\left(e_t\right({\mathrm{YY}}^T\left)\right)\∈R^{k_1\×k_2},t=1,2,\mathrm{...},n_2$

假设进行第一层主成分分析映射时有n₁个第一滤波器，第一层主成分分析时输出n₁个输出矩阵，第二层主成分分析针对每个第一特征矩阵，都会产生n₂个输出矩阵。对于每个疑似候选区域，第二层主成分分析输出n₁n₂个第二特征矩阵，第二特征矩阵可以用于下式表示：

$O_i^l=I_i^l*W_t^2,i=1,2,\mathrm{...},N,l=1,2,\mathrm{...},n_1,t=1,2,\mathrm{...}{n}_2$

哈希编码子单元305，用于对多个第二特征矩阵进行二值化处理并进行哈希编码。

首先取输出的每个第二特征矩阵，进行二值化处理，再对二值化处理后的每个第二特征矩阵利用算式进行哈希编码从而获得哈希编码后的整值矩阵，编码位数与第二滤波器个数相同。

块扩展直方图特征提取子单元306，用于对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图，连接所有块内的直方图从而提取每个训练图片样本的块扩展直方图特征。

经过上述二值化、哈希编码处理，每个哈希编码后的第二特征矩阵均被转换成整值矩阵接下来，将每个整值矩阵分为B块，计算统计每个块的直方图信息，再将各个块的直方图特征进行级联，记为最终得到所有整值矩阵的块扩展直方图特征F_i，其中，

$F_i={\[Bhist\left(Z_i^1\right),Bhist\left(Z_i^2\right),\mathrm{...},Bhist\left(Z_i^{n_2}\right)\]}^T\∈R^{\left(2^{n_2}{n}_{1}B\right)}$

目标区域选中子单元307，用于依据每个主成分分析网络提取的块扩展直方图特征训练支持向量机，并依据训练得到的支持向量机对所述每个所述疑似目标区域进行分类，并选中目标区域。

依据每个训练图片样本的块扩展直方图特征对训练支持向量机，并依据训练得到的支持向量机对提取的疑似目标区域进行分类，移除虚警报，从而选中并确定目标区域，得到最终的目标区域检测结果。

请参阅图4，本发明实施例还提供了一种光学遥感图像目标区域检测方法，需要说明的是，本实施例所提供的光学遥感图像目标区域检测方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述实施例中的相应内容。所述光学遥感图像目标区域检测方法包括：

步骤S401：将一光学遥感图像转换为三维立体图像。

利用图像转化单元将一光学遥感图像转换为三维立体图像。其中，步骤S301包括将所述光学遥感图像转化为灰度图像，并依据以所述灰度图像的每个像素为中心的领域产生的灰度向量将所述光学遥感图像转换为三维立体图像。

步骤S402：依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域。

利用疑似目标区域提取单元202依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域。其中，步骤S302包括利用RX异常检测算法将所述三维立体图像作为输入，从而检测出疑似目标区域。具体地，计算每个所述灰度向量与背景灰度向量分布之间的马氏距离平方值，依据大津法获得最优马氏距离阈值，将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域。

步骤S403：将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域。如图5所示，其中，步骤S403包括：

步骤S4031：对主成分分析网络中的每个训练图片样本的每个像素均进行块采样并去平均值获得第一层主成分分析映射的第一去均值块矩阵。

利用第一去均值块矩阵获得子单元301对对主成分分析网络每个训练图片样本的每个像素均进行块采样并去平均值获得第一层主成分分析映射的第一去均值块矩阵。

步骤S4032：对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵。

利用第一特征矩阵获得子单元302对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵。

步骤S4033：对所述第一特征矩阵进行块采样并去平均值，获得第二层主成分分析映射的第二去均值块矩阵。

利用第二去均值块矩阵获得子单元303对所述第一特征矩阵进行块采样并去平均值，获得第二层主成分分析映射的第二去均值块矩阵。

步骤S4034：对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器，依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理，从而获得第二层主成分分析映射的第二特征矩阵。

第二特征矩阵获得子单元304对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器，依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理，从而获得第二层主成分分析映射的第二特征矩阵。

步骤S4035：对第二特征矩阵进行二值化处理并进行哈希编码，获得多个整值矩阵。

利用哈希编码子单元305对第二特征矩阵进行二值化处理并进行哈希编码。

步骤S4036：对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图，连接所有块内的直方图从而提取每个训练图片样本的块扩展直方图特征。

利用块扩展直方图特征提取子单元306对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图，连接所有块内的直方图从而提取每个训练图片样本的块扩展直方图特征。

步骤S4037：依据主成分分析网络提取的块扩展直方图特征训练支持向量机，并依据训练得到的支持向量机对所述每个所述疑似目标区域进行分类，并选中目标区域。

利用目标区域选中子单元307依据每个训练图片样本的块扩展直方图特征训练支持向量机，并依据训练得到的支持向量机对所述每个所述疑似目标区域进行分类，并选中目标区域。

本发明实施例提供的光学遥感图像目标区域检测装置与方法与圆频率方向梯度(Circle Frequency-Histogram of Oriented Gradient，CF-HOG)特征结合liblinear或极限学习机(Extreme Learning Machine，ELM)的目标区域检测方法、梯度局部自相关(Gradient Local Auto-Correlations，GLAC)特征结合liblinear或ELM的目标区域检测方法以及局部三值模式(Local Ternary Pattern，LTP)特征结合ELM的目标区域检测方法进行了比较。

如表1所示，表1为上述不同的目标区域检测方法的结果比较。表1中，左起第一列为不同目标区域检测方法的特征结合分类器的名称缩写，第二列为不同目标区域检测结果的准确率，第三列为不同目标区域检测结果的丢失率，第四列为目标区域检测结果的虚警率，第五列为不同为目标区域检测结果的错误率。其中，第一行是本发明实施例光学遥感图像目标区域检测装置与方法的检测结果。从表1中可以看出，本发明提供的光学遥感图像目标区域检测装置与方法的检测结果具有更高的准确率和更低的虚警率。

表1

综上，本发明提供的一种光学遥感图像目标区域检测装置与方法，通过将一光学遥感图像转换为三维立体图像；依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。该光学遥感图像目标区域检测装置与方法，不易受云、海浪等自然因素影响，稳定性高，并且目标区域提取错误率低，提取速度快。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种光学遥感图像目标区域检测装置，其特征在于，所述光学遥感图像目标区域检测装置包括：

图像转换单元，用于将一光学遥感图像转换为三维立体图像；

疑似目标区域提取单元，用于依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；

目标区域确定单元，用于利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。

2.根据权利要求1所述的光学遥感图像目标区域检测装置，其特征在于，所述图像转换单元用于将所述光学遥感图像转化为灰度图像，并依据以所述灰度图像的每个像素为中心的领域产生的灰度向量将所述光学遥感图像转换为三维立体图像。

3.根据权利要求2所述的光学遥感图像目标区域检测装置，其特征在于，所述疑似目标区域提取单元用于利用RX异常检测算法将所述三维立体图像作为输入，从而检测出疑似目标区域。

4.根据权利要求3所述的光学遥感图像目标区域检测装置，其特征在于，所述疑似目标区域提取单元包括：

计算子单元，用于计算每个所述灰度向量与背景灰度向量分布之间的马氏距离平方值；

最优马氏距离阈值获得单元，用于依据大津法获得最优马氏距离阈值；

选中子单元，将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域。

5.根据权利要求1所述的光学遥感图像目标区域检测装置，其特征在于，所述目标区域确定单元包括：

第一去均值块矩阵获得子单元，用于对主成分分析网络的每个训练图片样本的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵；

第一特征矩阵获得子单元，用于对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵；

第二去均值块矩阵获得子单元，用于对每个所述第一特征矩阵进行块采样并去平均值，获得第二层主成分分析映射的第二去均值块矩阵；

第二特征矩阵获得子单元，用于对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器，依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理，从而获得第二层主成分分析映射的第二特征矩阵；

哈希编码子单元，用于对所述第二特征矩阵进行二值化处理并进行哈希编码；

块扩展直方图特征提取子单元，用于对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图，连接所有块内的直方图从而提取每个训练图片样本的块扩展直方图特征；

目标区域选中子单元，用于依据主成分分析网络提取的块扩展直方图特征训练支持向量机，并依据训练得到的支持向量机对所述每个所述疑似目标区域进行分类，并选中目标区域。

6.一种光学遥感图像目标区域检测方法，其特征在于，所述光学遥感图像目标区域检测方法包括：

将一光学遥感图像转换为三维立体图像；

依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域；

利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域。

7.根据权利要求6所述的光学遥感图像目标区域检测方法，其特征在于，所述将一光学遥感图像转换为三维立体图像的步骤包括：

将所述光学遥感图像转化为灰度图像，并依据以所述灰度图像的每个像素为中心的领域产生的灰度向量将所述光学遥感图像转换为三维立体图像。

8.根据权利要求7所述的光学遥感图像目标区域检测方法，其特征在于，所述依据所述三维立体图像检测出所述光学遥感图像的疑似目标区域的步骤包括：

利用RX异常检测算法将所述三维立体图像作为输入，从而检测出疑似目标区域。

9.根据权利要求8所述的光学遥感图像目标区域检测方法，其特征在于，所述利用RX异常检测算法将所述三维立体图像作为输入，从而检测出疑似目标区域的步骤包括：

计算每个所述灰度向量与背景灰度向量分布之间的马氏距离平方值，依据大津法获得最优马氏距离阈值，将大于所述最优马氏距离阈值的马氏距离平方值对应的灰度向量组成的区域提取为疑似目标区域。

10.根据权利要求6所述的光学遥感图像目标区域检测方法，其特征在于，所述利用主成分分析网络和支持向量机对所述疑似目标区域进行特征提取与分类，从而确定目标区域的步骤包括：

对主成分分析网络的每个训练图片样本的每个像素均进行块采样并去平均值获得第一层主成分分析映射的所有第一去均值块矩阵；对每个所述第一去均值块矩阵的协方差矩阵求取前X个主特征向量获得第一层主成分分析映射的第一滤波器，依据所述第一滤波器对训练图片样本进行卷积处理，从而获得第一层主成分分析映射的第一特征矩阵；对每个所述第一特征矩阵进行块采样并去平均值，获得第二层主成分分析映射的第二去均值块矩阵；对每个所述第二去均值块矩阵的协方差矩阵求取前Y个主特征向量获得第二层主成分分析映射的第二滤波器，依据所述第二滤波器对第一层主成分分析映射的第一特征矩阵进行卷积处理，从而获得第二层主成分分析映射的第二特征矩阵；对所述第二特征矩阵进行二值化处理并进行哈希编码；对每个哈希编码后的第二特征矩阵均进行分块并统计将每个块内的直方图，连接所有块内的直方图从而提取每个训练图片样本的块扩展直方图特征；依据主成分分析网络提取的块扩展直方图特征训练支持向量机，并依据训练得到的支持向量机对所述每个所述疑似目标区域进行分类，并选中目标区域。