专利名称：一种基于监督方法的遥感图像潜在目标区域检测方法
技术领域：
本发明属于遥感图像处理领域，涉及一种基于监督方法的遥感图像潜在目标区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标区域检测和精确定位。
背景技术：
遥感图像的目标检测是随着遥感技术的发展而兴起的一项新技术，具有作用距离远、覆盖范围广、执行效率高等方面的优点，同时也有着重要的军事意义和民用价值。复杂场景遥感图像的目标检测，就是在遥感图像分析和解译的过程中，针对特定的一类或几类目标，自动的提取出对解译推理有用的关键性信息，并分析计算其相关属性，为进一步的解译检测提供证据。此时的复杂场景，也正是由于遥感图像覆盖面积广，包含目标多，纹理特征复杂，识别难度大而得名。目前主要的遥感图像目标检测算法主要有两种思路自底向上的底层特征驱动型和自上而下的任务驱动型。由于对于遥感图像来说，一幅图像往往会包含很大范围的场景，信息量大，纹理复杂，颜色丰富，如果能够合理的将这些信息中的有用部分结合起来，则可以得出令人满意的检测结果。当然如果能够借助特定任务目标的先验知识，这将可以减少计算量，增加识别精度，例如在进行桥梁检测和水体检测时，一些学者根据桥梁和水域的特征提出了一种基于小树变换的水域分割方法和知识驱动的桥梁检测方法。他们首先对全色高分辨率遥感图像根据桥梁先验知识建立桥梁知识库，利用小树变换进行特征提取并分割水域，随后进行数学形态学运算以连通水域，将连通前后的水域做差得到可能的桥梁片段，然后由可能的桥梁片段检测桥梁候选区，最后进行特征匹配检测出桥梁。但是此类算法有几点缺陷第一，该算法首先需要根据人工选取的初始种子点确定水域的条件，然后根据初始种子点所处位置不同自动将河流分为两部分，再由初始种子点开始分别对两部分按顺流速扫方式进行扫描，直至将河流扫描完毕。这种半自动的方法并不能够满足现在人们对目标完全自动识别的需求。第二，该算法只适应于水体和桥梁的检测，如果更换目标，则此算法将不能完成准确的目标检测。
发明内容
要解决的技术问题为了避免现有技术的不足之处，本发明提出了一种基于监督方法的遥感图像潜在多类目标区域检测方法，可以自动地从具有复杂背景的遥感图像中检测并定位出多类目标的潜在区域，具有较好的检测结果。技术方案一种基于监督方法的遥感图像潜在目标区域检测方法，其特征在于步骤如下步骤I提取低层显著性特征分量图将输入图像下采样为200X200个像素，然后针对图像中的每个像素提取低层显著性特征。本发明选取了一些公认的与人类视觉注意相关的并且能够触发生物刺激的特征。具体如下
I)提取Itti模型中的3个对比性特征分量方向对比性特征分量，强度对比性特征分量和颜色对比性特征分量；2)提取红，绿，蓝3个颜色特征分量；3)提取Judd模型中的5个颜色概率特征分量。这些特征分量是由5个不同尺度的中值滤波器在图像的3D颜色统计空间中计算得出的结果；步骤2提取中层显著性特征分量图将输入图像下采样为200X200个像素，然后选取模型SR，SDS, FT, GBVS和WSCR作为中层显著性特征分量提取方法，从频域，局部对比度，中心-边缘对比，稀疏表达等不同的角度计算输入图像的显著性特征。具体如下1)SR提取算法设置尺度参数SR_scale = 3，利用SR提取算法得到显著性特征
分量图SR_map，在进行SR算法提取前将原始图像缩小为原来的
权利要求
1.一种基于监督方法的遥感图像潜在目标区域检测方法，其特征在于步骤如下步骤I提取低层显著性特征分量图将输入图像下采样为200X200个像素，然后针对图像中的每个像素提取低层显著性特征，具体如下.1)提取Itti模型中的3个对比性特征分量方向对比性特征分量，强度对比性特征分量和颜色对比性特征分量；.2)提取红，绿，蓝3个颜色特征分量；.3)提取Judd模型中的5个颜色概率特征分量；这些特征分量是由5个不同尺度的中值滤波器在图像的3D颜色统计空间中计算得出的结果；步骤2提取中层显著性特征分量图将输入图像下采样为200 X 200个像素，即dims =[200，200]，然后选取模型SR，SDS, FT, GBVS和WSCR作为中层显著性特征分量提取方法，具体如下.OSR提取算法设置尺度参数SR_scale = 3，利用SR提取算法得到显著性特征分量图SR_map，在进行SR算法提取前将原始图像缩小为原来的 ，并设定算法中高斯平滑窗口大小为gaussian_size = SR_scaleXs，s为一常数，其范围在
，用于调节高斯平滑窗口大小；.2)SDS提取算法利用SDS算法生成显著性特征分量图SDSjnap ；.3)FT提取算法利用FT提取算法生成FT显著性特征分量图；其中设置FT提取算法中高斯平滑窗口的大小为gaussian_size = dims Xs ；.4 ) GBVS提取算法利用GBVS算法，提取显著性特征分量图GBVS_map ;其中设置params. LINE=I,以加入直线检测通道；设置 params. UselttiKochInsteadOfGBVS=O,以利用随机场模型进行计算；.5) SWCR提取算法利用SWCR算法生成显著性特征分量图SWCR_map ;其中设置patch_size=25, surroundratio=5 ;所述patch_size e [5, 50]表不算法中用于对比的图块大小；surroundratio e [3, 9]表示中心图块周围的用于对比的区域范围；步骤3训练分类器从含有150幅图像的图像库中随机选取130幅图像作为训练样本，首先将训练样本下采样为200X200个像素，然后将每幅图像中的目标生成groundtruth图，分别从每一幅训练图像中的目标区域和非目标区域中随机选取像素点，将选取的像素点上对应在各个显著性特征分量图中的显著值以及他们在groundtruth图中相应位置上的值作为训练数据，送入SVM分类器中进行训练，得出SVM分类器参数；所述groundtruth图为二值图，图中目标区域的像素值为255，其他区域的像素值为O ;步骤4利用步骤3得出的分类器对测试图像进行显著性检测将图像库中剩下的20幅图像作为测试样本，首先将图像下采样为200X200个像素，然后用图像中的每一个像素点对应在各个显著性特征分量图中的显著值构成向量X，输入到SVM分类器中利用公式 TX+b得出每幅图像的显著图Smap，其中ω，b为步骤2中训练得出的分类器参数；步骤5显著区域分割利用meanshift算法将原始图像进行分割，得出分割区域为rk，k= 1,2... K，其中K表示分割出的区域总数，然后利用步骤4得出的显著图中的显著值来计 算分割出的每个区域的平均显著值
2.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述 Itti 模型为 A model of saliency-based visual attention for rapid sceneanalysis文章中的计算模型。
3.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述Judd模型为Learning to predict where humans look文章中的计算模型。
4.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述 SR 显著性特征提取算法米用 Saliency Detection:A Spectral Re s i dual Approach文章中提出的SR算法进行显著性特征提取。
5.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述 SDS 算法利用文章 Salient region detection and segmentation 中提出的 SDS算法。
6.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述FT算法利用文章Frequency-tuned salient region detection中提出的FT算法。
7.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述 GBVS 算法利用论文 Airport Detection in Remote Sensing Images BasedonVisualAttention中提出的改进GBVS算法。
8.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述 SWCR 算法利用文章 Emergence of simple-cell receptive field propertiesbylearning a sparse code for natural images 提出的 SWCR 算法。
9.根据权利要求I所述基于监督方法的遥感图像潜在目标区域检测方法，其特征在于所述meanshift 算法利用文章Frequency-tuned Salient Region Detection 中提到的meanshift 算法。
全文摘要
本发明涉及一种基于监督方法遥感图像目标潜在区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标区域检测和定位。特征在于在对遥感图像多类目标潜在区域进行检测时，首先提取相应的显著性特征分量，然后利用训练样本中的显著性特征进行训练得出SVM分类器参数，再将训练好的分类器用于测试图像中得到测试图像的显著图，最后利用自适应阈值分割方法对显著图进行分割，得出目标潜在区域的二值图。该方法具有较高的检测精度和较低的虚警率，与现有方法相比具有明显优势。
文档编号G06K9/46GK102945378SQ201210408888
公开日2013年2月27日 申请日期2012年10月23日 优先权日2012年10月23日
发明者韩军伟, 张鼎文, 郭雷, 周培诚, 程塨, 姚西文 申请人:西北工业大学