一种基于稀疏指引与显著驱动的遥感目标检测方法
【技术领域】
[0001] 本发明属于计算机视觉与图像处理的应用领域，涉及针对遥感图像的稀疏驱动显 著性检测方法和最大值约束稀疏模型的目标识别方法。该方法首先通过稀疏表示挖掘出图 像子块间的类别信息，对遥感图像进行显著区域的提取，这些显著区域包含潜在目标，缩小 了后续的目标检测或者识别的候选区域范围，然后再利用最大值约束稀疏编码模型对检测 到的显著区域进行类别识别，这样不仅能快速对遥感图像中的显著目标定位，还能进一步 判别出目标类别，在减少了算法目标搜索时间的同时，还提高了遥感目标的检测性能。
【背景技术】
[0002] 遥感图像的目标检测技术无论对于军事领域还是民用领域都具有至关重要的意 义。在军事领域，对于军事打击目标的检测需求来说，要求能够精确、快速地获得目标位置 信息，以减少误检和漏检造成的损失。在民用方面，对于资源勘查、自然灾害评估和救援、 城市规划、地理数据信息库的建立与更新等方面发挥着不可或缺的作用。遥感图像的物理 属性决定了图像中感兴趣目标存在不同空间分布和时相变化等属性，根据目标在遥感图像 中的成像特点，可将遥感图像中的目标分为四类：区域目标、点目标、线目标和结构目标。显 著性检测的方法适用于区域目标（草地、水域、人工建筑群等）和结构目标（机场、油库等） 的检测。近年来，视觉显著性检测被广泛应用在遥感目标的检测与识别中，通过提取遥感图 像中感兴趣的区域来获得包含潜在目标的区域作为下一步检测或识别的对象。通过显著性 检测，能够避免对背景区域进行全局遍历搜索，大大减少了计算量和检测时间，提高了检测 和识别的效率。
[0003] 综上所述，传统的显著性检测方法针对具有复杂背景和环境干扰的遥感图像的应 用效果并不理想。单纯的利用底层特征来计算显著性，虽然简单却容易丢失显著区域的边 界信息或者内部信息；而采用基于任务的自顶向下的方法，计算复杂且耗时。目前，部分显 著性模型在底层特征的基础上学习到高层特征来计算图像的显著性，较比之前基于底层特 征形成显著图有很大的改善，但是对于背景复杂的遥感图像来讲，仍然不能将目标区域全 面、准确的提取出来。同时显著性检测的方法只提取出遥感图像中的显著区域，并不能对显 著区域的类别进行识别，当图像中检测到多个显著区域时，单纯利用显著性检测的方法就 很难判别显著区域的类别信息。因此，针对遥感图像，在进行显著性检测基础上还要利用分 类器对显著区域进行识别，不仅能准确地对图像中的遥感目标定位，还可以判断出目标的 类别信息。
【发明内容】
[0004] 本发明提出一种基于稀疏指引与显著驱动的遥感目标检测方法，其特征在于：包 括如下步骤：
[0005] 步骤1 :将输入的所述遥感图像分为若干个子块，提取全局子块的颜色特征，聚类 形成全局字典，同时提取处于图像边界的子块的背景颜色特征，聚类形成背景字典；
[0006] 步骤2 :利用所述全局字典对输入的所述遥感图像的所有子块进行稀疏表示，得 到全局稀疏表示系数，利用所述背景字典对输入的所述遥感图像的所有子块进行稀疏表 示，得到背景稀疏表示系数；
[0007] 步骤3 :分别对所述全局稀疏表示系数和所述背景稀疏表示系数进行最大池化处 理，将所述池化处理后的全局稀疏表示系数聚类生成全局显著图，将所述池化处理后的背 景稀疏表示系数聚类生成背景显著图；
[0008] 步骤4 :采用目标偏置的高斯模型分别对所述全局显著图和所述背景显著图进行 平滑去噪处理；
[0009] 步骤5 :对步骤4中平滑去噪处理后的所述全局显著图和所述背景显著图进行贝 叶斯融合，得到最终的显著图即为图像显著性检测的最终结果，从而获得遥感图像中的显 著目标区域；
[0010] 步骤6 :对步骤5检测到的显著目标区域以及事先采集的多个不同遥感目标的训 练样本分别提取其颜色特征和纹理特征，并使用训练样本的颜色与纹理的级联特征聚类形 成目标识别字典；
[0011] 步骤7 :利用所述识别字典分别对显著目标区域和训练样本进行最大值约束的稀 疏表示，得到显著目标区域和训练样本的最大值约束的稀疏表示系数；
[0012] 步骤8 :利用训练样本的稀疏表示系数进行分类器训练，再对步骤5检测到的显著 目标区域进行目标类别识别，从而实现遥感图像中显著目标的检测与识别。
[0013] 本发明具有如下的优点和有益效果：
[0014](1)、本发明提出了利用图像稀疏表示来挖掘图像子块的类别信息。本发明新提出 了根据图像的稀疏表示来挖掘图像子块的类别信息，相对于传统的显著性检测方法，例如 对比度或频域变换等，可以更好的提取目标区域的边缘，同时获得显著目标区域。对于高分 辨率的遥感图像，检测效果极佳。
[0015] (2)、由于本发明利用了全局线索和背景先验相结合的方法，通过全局信息，获得 全面的类别信息；通过背景先验，针对背景集合的稀疏表示，获得更加明确的类别信息。将 二者结合之后，获得的类别信息更加全面、准确。
[0016] (3)、本发明采用目标偏置的方法，计算出显著图的目标中心，以此中心为高斯模 型的中心对图像进行平滑，去除距离目标中心较远的噪声干扰，得到更加准确的显著图。
[0017] (4)、本发明采用了贝叶斯融合的方式，以得到的全局显著图或背景显著图作为先 验，然后计算背景显著图或全局显著图的似然概率来得到更加有效的显著图。
[0018] (5)、本发明采用最大值约束稀疏编码模型对显著目标区域进行目标类别识别，相 对传统稀疏编码模型，包含更多近邻信息，因此识别效果更为鲁棒。
[0019] (6)、本发明在利用显著性方法检测到遥感图像的显著目标区域后，又对该区域的 类别属性进行了判别，解决了传统显著性检测方法无法判别检测到的显著区域是否为目标 以及是什么目标的缺陷，为遥感目标检测提供了新的思路。
[0020] 本发明提出一种基于稀疏指引与显著驱动的遥感目标检测方法，可以得到更准 确，更完整，更加符合人眼视觉效果的显著目标区域，并能够准确识别出检测到的目标类 另IJ，对高分辨率遥感目标的准确定位与识别效果突出。
【附图说明】
[0021] 图1本发明对遥感图像的稀疏驱动的显著性检测流程示意图
[0022] 图2本发明的全局显著图生成的各步骤示意图
[0023] 图3本发明中全局显著图、背景显著图和最终显著图之间区别示意图
[0024] 图4本发明的实验效果图，a)单目标检测效果图，b)多目标检测效果图，c)油罐 检测效果图
[0025] 图5本发明对检测到的显著目标区域进行目标类别识别的结果图。
【具体实施方式】
[0026] 参见图1所示，本发明针对基于稀疏指引与显著驱动的遥感目标检测方法，其具 体实施步骤如下：
[0027] 步骤1 :将输入的所述遥感图像分为若干个子块，提取全局子块的颜色特征，聚类 形成全局字典，同时提取处于图像边界的子块的背景颜色特征，聚类形成背景字典；
[0028] (1)构造全局字典
[0029] 对于输入的所述遥感图像，将其划分T个子块，T为大于1的整数，采用LAB色彩 空间的颜色特征来表示所述各子块，形成子块矩阵，对于全局集合来说，将第i个子块中颜 色特征展开形成的矩阵定义为Glab(i)，1彡i彡T，其中，G为矩阵名称，lab为色彩空间名 称，i为某个子块，T为子块的个数；
[0030]
[0031] 其中K表示每个子块的大小，是子块中所有像素点的个数和，是一个 数值，对于2X2的子块来说，K=4,则Glab(i)表示的是一个3行4列的向量， （'，…，以）和分别表示第i个子块的LAB色彩空间中1通道、a通 道和b通道的颜色特征值；将所述T个子块展开成一个基于全局信息的集合Glab;
[0032]Glab=[Glab (1)，…Glab (t)，…Glab (T)]，t= (1，2,…，T) (2)
[0033]即
[0034]t= (1，2,…，T)，k= (1，2，...，K)⑶
[0035] 其中'、和g分别是第t(1彡t彡Τ)个子块包含的LAB色彩空间中1通道、 a通道和b通道第k(l彡k彡K)个像素的颜色特征值；对Glab使用k-means聚类（即k均 值聚类算法），选取KD个聚类中心，则可生成KD维的全局字典D，其中KD表示字典的维 数，通常为选定的常数，D表示字典Dictionary。
[0036] (2)构造背景字典
[0037] 对于输入的所述遥感图像，提取四个边界的图像作为背景集合，所述四个边界共 包括N个子块，其中N= 2 (W/Pwldth+HALlght) -4,其中W和Η分别为输入图像的宽和高，Pwldth 和tlght分别为各子块的宽和高；
[0038] 将第j个子块展开形成矩阵Blab (j)，1彡j彡N，B为矩阵名称，lab为色彩空间名 称，j为某个背景子块，N为背景子块的个数，结果如下式所示：
[0039]
[0040] 其中K表示每个子块的大小，是子块中所有像素点的个数和， 和(?，…,?)分别是第j个子块包含的LAB色彩空间中1通道、a通 道和b通道第k(l<k<K)个像素的颜色特征值。将所述的N个子块展开生成基于背景 信息的集合Blab，则
[0041] Rlab= TR labm . ???RlaVn') . ··· Rlab ΓΝ??.η= (? . ··· . Ν') (F,)
[0042]
?η= (1，2,…，Ν)，k = (1，2，···，Κ) (6)
[0043] 其中<、虼和&，分别是第η个子块包含的LAB色彩空间中1通道、a通道和b通 道第k个像素的颜色特征值；对Blab使用k-means聚类，选取KD个聚类中心，则可生成K潍 的背景字典DBadiground，KD表示字典的维数，为选定的常数，D表示字典Dictionary。
[0044] 步骤2:利用所述全局字典对输入的所述遥感图像的所有子块进行稀疏表示，得 到全局稀疏表示系数，利用所述背景字典对输入的所述遥感图像的所有子块进行稀疏表 示，得到背景稀疏表示系数；