CN106599891B

CN106599891B - 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法

Info

Publication number: CN106599891B
Application number: CN201610909042.6A
Authority: CN
Inventors: 杨卫东; 刘晓; 曹治国; 桑农; 颜露新; 金俊波
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2016-10-18
Filing date: 2016-10-18
Publication date: 2019-05-14
Anticipated expiration: 2036-10-18
Also published as: CN106599891A

Abstract

本发明公开了一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，在显著性特征图获取阶段，对遥感图像进行尺度变换，利用傅里叶变换获取变换后图像的相位谱并使用相位谱重建图像；利用生物视觉感知机制提高显著性特征图对比度，重复执行直到显著性特征图的对比度满足迭代终止条件后将显著性特征图变换到原图的尺度下；在区域提取阶段，使用多个阈值对显著性特征图二值分割，以在大阈值范围内保持不变的区域作为候选的显著性区域，去掉重复和重叠率高的显著性区域，余下的即为遥感图像感兴趣区；该方法利用图像的相位谱所表达的信息结合生物视觉感知机制，具有对感兴趣区域提取准确，计算效率高，适应性和抗干扰能力好的特点。

Description

一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法

技术领域

本发明属于遥感图像处理技术领域，更具体地，涉及一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法。

背景技术

遥感图像背景复杂，干扰信息量大，直接在原图中检测目标较为复杂，在复杂的遥感图像中快速的剔除无关的背景区域并提取出可能包含目标感兴趣区域是提高遥感图像目标识别正确率的重要预处理手段。显著性特征计算是描述图像区域重要程度的重要手段；将显著性特征应用于遥感图像感兴趣区域提取是一种快速而有效的途径。

现有技术中基于深度学习的目标识别方法在大量的样本中通过其网络模型自动选择最能够代表目标本身的特征，深度学习的网络具有很强的拟合能力，对目标的旋转变化具有一定的不变性；但这类方法的成功依赖于样本丰富的信息以及巨大的样本数量；但在实际应用中，这类目标的检测识别大多数时候只能提供简单的图像数据源，不论是样本的质量上还是样本的数据量均很难满足要求，存在着运算量大，耗时长的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其目的在由此解决现有技术运算量大、耗时长的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，包括如下步骤：

(1)对原遥感图像进行尺度归一化变换，对归一化后的图像进行傅里叶变换，获得频域图像；根据该频域图像获得原遥感图像的相位谱；

(2)通过将上述相位谱进行反傅里叶变换来重建获得原遥感图像的显著性特征图；

(3)使用加权DoG滤波算子对显著性特征图进行滤波，并将滤波后的结果与滤波前的显著性特征图叠加，获得叠加的显著性特征图；

(4)将上述叠加的显著性特征图作为滤波对象，重复步骤(3)，直到迭代的次数达到预设的上限，获得新显著性特征图；

(5)将步骤(4)获得的新显著性特征图变换到原遥感图像尺度下，获得原始尺度下的显著性特征图像；

(6)对原始尺度下的显著性特征图像进行多阈值的二值分割，得到多张二值图像；

统计各二值图像中的白色区域，将在阈值范围内保持形状稳定的区域提取出来，作为候选感兴趣区域；

其中，进行二值分割的阈值th＝t0,t0+δ,t0+2·δ,.....；本步骤中，阈值范围根据目标检测应用的场景确定，使得每次分割后，目标尽可能处于白色区域内；白色代表目标，黑色代表背景；

(7)根据候选感兴趣区域最外围的点的位置矩形化各候选感兴趣区域，获得多个重复的、重叠的显著性特征区域；通过对所述的多个显著性特征区域进行去重处理，获得原始遥感图像的感兴趣区域；

本步骤中，由于初始获得的显著性特征区域在区域的位置上存在重叠，不同区域之间彼此覆盖，去重处理的目的在于尽可能去掉重复出现的区域，使得各感兴趣区域尽量相互独立。

优选地，上述基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其步骤(1)包括如下子步骤：

(1.1)根据原遥感图像大小确定尺度因子，并根据尺度因子将原遥感图像进行尺度归一化变换；

(1.2)对归一化后的图像进行傅里叶变换，获得频域图像；并通过将频域图像的幅值设为1，只保留相位信息来获得原图像的相位谱。

优选地，上述基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其步骤(2)中，根据以下公式对给定的场景图I(x,y)进行重建：

SM(x,y)＝g(x,y)*||F^-1(e^i·p(u,v))||_λ；

其中，||·||表示求范数，g(x,y)是指高斯卷积函数；

其中，p(u,v)＝P(f(u,v))；f(u,v)＝F(I_s(x,y))；

x,y分别表示给定的场景图的横、纵坐标；F是指傅里叶变换；F^-1是指反傅里叶变换；P是指频域图像的相位；s是指尺度因子，λ是指范数级别。

优选地，上述基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其步骤(4)中，加权DoG滤波算子DoG(x,y)＝w₁G₁(x,y)-w₂G₂(x,y)；

其中，G₁(x,y)和G₂(x,y)为两个高斯分布函数；w₁为高斯分布函数G₁(x,y)的权值系数，w₂为高斯分布函数G₂(x,y)的权值系数；

对G₁(x,y)和G₂(x,y)，其峰值和数据的集中度取决于σ值，σ值越小高斯函数峰值越大，数据越集中；本步骤中，通过取G₁(x,y)中σ值小于G₂(x,y)中σ值，得到中间突出、四周抑制的加权DoG滤波算子；

理想情况下，尺度相位谱显著性特征图越明亮表示越感兴趣，但实际应用中由于遥感图像背景中细小的边缘以及纹理的影响，尺度相位谱显著性特征图中背景区域会出现细小的亮纹，本发明中通过加入加权DoG(x,y)滤波算子来抑制背景亮纹，提高整个图像的对比度。

优选地，上述基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其步骤(6)对原始尺度下的显著性特征图像进行多阈值的二值分割的方法，具体为：

在8位灰度等级0到255范围内以固定步长的阈值对图像进行二值分割；其中，起始阈值为σ₁，终止阈值为σ₂。

优选地，上述基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其步骤其特征在于步骤(7)中的去重处理的方法，具体如下：

(i)将区域中心间距小于第一阈值τ₁的区域进行合并，并以合并后的最外层区域的大小为感兴趣区域的大小；

具体的，两个矩形交叉后有重叠部分，如果这两个矩形之间的中心距离小于第一阈值，则将两个矩形所占的整个区域作为整体，并将该整体区域的大小作为感兴趣区域的大小；

(ii)计算每个感兴趣区域的覆盖率，去掉覆盖率高于第二阈值τ₂且内部不包含更小矩形区域的区域；

其中，第一阈值τ₁与第二阈值τ₂基于统计学设定，使得提取到的感兴趣区域准确率高且目标完整性高。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，采用利用相位谱重建手段，快速的剔除遥感图像中复杂的背景区域，为遥感图像目标识别提供快速有效的预处理手段；且不依赖于颜色信息、任何先验信息，利用二维离散的图像信号的本质特征，快速获取遥感图像的显著性特征图；

并且采用空间竞争改善显著性特征计算结果，结合极大稳定区域分割法MSER区域分割方法可靠地获取到图像中的感兴趣区域，具有提取效率高、适应性和抗干扰性强的特点；

(2)本发明提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，使用尺度相位谱显著性特征计算遥感图像的显著性特征图，利用加权Dog算子迭代滤波算法提高背景抑制度，起到增强滤波的作用；使目标区域更加清晰，以提高目标检测的准确度；

(3)本发明提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，在提取显著性区域作为感兴趣区域时，考虑到使用单一的阈值分割获取显著性区域存在阈值难确定、阈值难以具备多个场景普遍适应能力以及一幅二值图不能得到多个离散区域等问题，首先使用多个阈值对图像进行多次的二值化处理，对应每个阈值都得到一幅二值图，每幅二值图中都有相应的白色区域与黑色区域，在较大的区域范围内能够保持形状稳定的区域认为是感兴趣区域，具有多场景适应性，同时对于一幅图像可确定出多个离散目标区域；解决部分显著性区域因单一阈值问题而被分割成背景，造成目标检测的准确率下降的问题；

(4)本发明提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，在对感兴趣区域去重去覆盖时，为了保证目标区域的完整性，对于区域中心距离小于第一阈值τ₁的区域进行合并，并以最外层的区域大小为最终的感兴趣区域大小；对于覆盖率高的区域，当其覆盖率高于第二阈值τ₂且内部不包含任何更小的矩形区域时，去掉该区域；由此将相邻相交叉的小目标区域合并成一个大的目标区域，防止目标被分割成两块，保证了目标的完整性、提高了目标检测的精度。

附图说明

图1是本发明实施例提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法的流程图；

图2是实施例中尺度相位谱显著性特征图计算示意图；

图3是实施例中加权DoG滤波迭代处理的示意图；

图4是实施例中感兴趣区域提取示意图；其中，(a)为原始遥感图像，(b)为原始遥感图像的相位谱显著性特征图，(c)为加权DOG滤波显著性特征图，(d)为候选的感兴趣区域示意图，(e)为实施例中提取的兴趣区示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例提供的基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其流程如图1所示，具体包括如下步骤：

(1)遥感图像获取：实施例中，在google earth上人工截取包含各类典型目标(飞机、油库、舰船)的大幅遥感场景作为原始遥感图像I，并将包含目标的区域作为感兴趣的区域；

(2)实施例中，获取尺度相位谱显著性特征的流程如图2所示，

对原始遥感图像I，根据选定的尺度因子进行下采样得到新的场景图I'；

并通过傅里叶变换将离散二维信号I'变换到频域，获得频域图像，表示为：f(u,v)＝F(I'(x,y))；

通过将该频域信号的幅度设置为1，获得图像的相位谱

f'(u,v)＝e^{i·angle(f(u,v))}；

(3)通过将上述相位谱f'(u,v)进行反傅里叶变换来重建获得原遥感图像的显著性特征图，得到新的二维离散信号I"(x,y)：

I"(x,y)＝||F^-1(f'(u,v))||₁；

对该二维离散信号I"(x,y)进行高斯滤波平滑处理，获得显著性特征图，表示为：SM(x,y)＝g(x,y)*I"(x,y)；

(4)实施例中加权DoG滤波迭代处理的流程如图3所示：

使用加权DoG滤波算子对上述显著性特征图进行滤波，实现显著性特征图上的每一点与周围像素点的比较；并将滤波后的结果与叠加到原图上；其中，原图是指滤波前的显著性特征图SM(x,y)；

重复该滤波与叠加的处理，直到迭代的次数达到预设的上限；实施例中上限设置为2；

实施例中，对于如图4(a)所示的原始遥感图像，所提取的原始遥感图像的相位谱显著性特征图如图4(b)所示；经过加权DoG滤波与叠加迭代处理获得如图4(c)所示的加权DOG滤波显著性特征图；

其中，加权DoG滤波算子DoG(x,y)＝w₁G₁(x,y)-w₂G₂(x,y)；其中，w₁和w₂为权值系数；

其中，图像相位谱计算式为：SM(x,y)←|SM(x,y)*(1+DoG(x,y))|；

(5)通过将步骤(4)得到的新显著性特征图变换到原遥感图像尺度下进行尺度还原；通过多尺度还原叠加得到原始遥感图像的显著性特征图；

(6)显著性区域提取：在显著性特征图SM(x,y)中，像素点的强度值标识了原像素值在原图中的跳变程度，区域的明亮程度标识该区域是感兴趣区域的概率；计算得到的显著性图像中感兴趣区域为整块的亮斑，需要将显著性特征图中的所有亮斑提取出来，并使得各个区域之间的覆盖尽可能的小；

使用阈值th＝t0,t0+δ,t0+2·δ,.....对原始尺度下的显著性特征图像进行多阈值的二值分割，得到多张二值图像；统计各二值图中包含的白色区域与黑色区域，计算区域的位置及大小信息，将在阈值范围内能够保持形状稳定的区域提取出来，作为候选感兴趣区域；

阈值范围根据目标检测应用的场景确定；实施例中，对于简单背景，使用的阈值等级采用4级，较为复杂的采用8级阈值；譬如在一个8级阈值分割下，能在超过4个阈值分割下都属于同一个类别，那么该区域就是极大稳定区域；每次分割后，使得目标都处于白色区域内；其中，白色代表目标，黑色代表背景；

实施例中，图4(d)里的各斑点状区域就代表一个候选的感兴趣区域，可以看出，感兴趣区域存在很大程度上的覆盖和重叠；

(7)区域去重与去覆盖：

(7.1)矩形化处理每个绿色区域：使用绿色区域最外层的轮廓点作为边界，得到多个相互覆盖的矩形区域；

(7.2)将区域中心距离小于第一阈值τ₁的区域合并，并以最外层的区域大小作为感兴趣区大小；本实施例中，第一阈值τ₁为“5个像素”；

(7.3)计算各兴趣区的区域覆盖率，去除覆盖率高于第二阈值τ₂并且内部不包含任何更小的矩形区域的兴趣区域，余下的即为遥感图像中的感兴趣区域；本实施例中，第二阈值τ₂为0.7；实施例中获得的原始遥感图像的感兴趣区域如图4(e)所示。

实施例提供的这种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，具有计算快速、复杂度低、尺度适应范围大、且不依赖于图像的颜色信息和大量样本的特点，可更加准确的提取遥感图像中可能包含目标的感兴趣区域。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法，其特征在于，包括如下步骤：

(1)对原遥感图像进行尺度归一化变换，通过对归一化后的图像进行傅里叶变换获得频域图像；根据所述频域图像获得原遥感图像的相位谱；

(2)通过将所述相位谱进行反傅里叶变换重建获得原遥感图像的显著性特征图；所述步骤(2)中，根据以下公式对给定的场景图I(x,y)进行重建：

SM(x,y)＝g(x,y)*||F^-1(e^i·p(u,v))||_λ；

其中，||·||表示求范数，g(x,y)是指高斯卷积函数；

其中，p(u,v)＝P(f(u,v))；f(u,v)＝F(I_s(x,y))；

x,y分别是指给定的场景图的横、纵坐标；F是指傅里叶变换；F-¹是指反傅里叶变换；P是指频域图像的相位；s是指尺度因子，λ是指范数级别；

(4)将所述叠加的显著性特征图作为滤波对象，重复步骤(3)，直到迭代的次数达到预设的上限，获得新显著性特征图；

(5)将所述新显著性特征图变换到原遥感图像尺度下，获得原始尺度下的显著性特征图像；

(6)对所述原始尺度下的显著性特征图像进行多阈值的二值分割，得到多张二值图像；并统计各二值图像中的白色区域，将在阈值范围内保持形状稳定的白色区域提取出来作为候选感兴趣区域；

(7)根据候选感兴趣区域最外围的点的位置矩形化各候选感兴趣区域，获得多个显著性特征区域；并通过对所述的多个显著性特征区域进行去重处理，获得原始遥感图像的感兴趣区域。

2.如权利要求1所述的遥感图像兴趣区快速提取方法，其特征在于，所述步骤(1)包括如下子步骤：

(1.1)根据原遥感图像大小确定尺度因子，并根据所述尺度因子将原遥感图像进行尺度归一化变换；

(1.2)对归一化后的图像进行傅里叶变换，获得频域图像；并通过将频域图像的幅值设为1、保留相位信息来获得原图像的相位谱。

3.如权利要求1或2所述的遥感图像兴趣区快速提取方法，其特征在于，所述步骤(4)中，加权DoG滤波算子DoG(x,y)＝w₁G₁(x,y)-w₂G₂(x,y)；

其中，G₁(x,y)、G₂(x,y)均为高斯分布函数，w₁为高斯分布函数G₁(x,y)的权值系数，w₂为高斯分布函数G₂(x,y)的权值系数。

4.如权利要求1或2所述的遥感图像兴趣区快速提取方法，其特征在于，所述步骤(6)对原始尺度下的显著性特征图像进行多阈值的二值分割的方法具体为：在灰度等级为0～255的范围内以固定步长的阈值对图像进行二值分割。

5.如权利要求4所述的遥感图像兴趣区快速提取方法，其特征在于，所述步骤(7)中的去重处理的方法，具体如下：

(i)将区域中心间距小于第一阈值τ₁的区域进行合并，以合并后的最外层区域的大小作为感兴趣区域的大小；

(ii)计算各感兴趣区域的覆盖率，去掉覆盖率高于第二阈值τ₂且内部不包含更小矩形区域的区域。