实施方式在分析目标及感兴趣区域的特性的基础上，引入视觉注意机制心理 学模型和计算模型，从人类视觉系统和视觉注意机制入手，研究大幅面遥感影像感兴趣区 域提取方法，实现提取过程高效化，为后续目标识别奠定基础；
[0057] 2、本实施方式结合自底向上和自顶向下的两种视觉注意机制，实现了大幅面高分 辨率遥感影像目标感兴趣区域的提取。
【具体实施方式】 [0058] 二、本实施方式是对一所述的基于视觉注意机制的大 幅面遥感影像感兴趣区域提取方法的进一步说明，步骤一中所述针对具有规则形状、规律 性分布的人造目标，以及形状不规则的自然地物的目标特性进行分析时常用几何参数有： ①圆形度&
[0059] Ci = P2/Ao (1)
[0060] 其中，P是物体的周长，Αο是物体的面积，当物体为圆形时，圆形度取最小值4π，形 状越复杂取值越大；
[0061] ②体态比C2
[0062] C2=ff/L (2)
[0063] 其中，W是物体最小外接矩形的宽，L是物体最小外接矩形的长，当物体为正方形或 圆形时，体态比为1;
[0064] ③矩形度C3
[0065] C3 = Ao/Ar (3)
[0066] 其中，Ao为物体的面积，AR为其最小外接矩形的面积；
[0067] ④目标重心坐标
[0068] 重心坐标由该区域所有像素点坐标(Xl，yi)平均得到：
[0072]其中L(XQ，yQ)为重心分布图，公式含义为:对图像逐像素点计算mXm邻域范围内的 目标重心累加值，m的取值需根据目标的普遍面积大小确定。
[0073]【具体实施方式】三、本实施方式是对【具体实施方式】一或二所述的基于视觉注意机制 的大幅面遥感影像感兴趣区域提取方法的进一步说明，步骤二中所述Itti模型对输入图像 I(x，y)采用高斯金字塔G(x，y，〇)在不同层次上进行非均匀采样，定义如下：
[0075] 其中，?为卷积运算符；
[0076]图像亮度及原图像红、绿、蓝、黄颜色通道上的分量表示为：
[0078] R(x)=r(x)-(g(x)+b(x))/2
[0079] G(x)=g(x)-(r(x)+b(x))/2 (7)
[0080] B(x)=b(x)-(r(x)+g(x))/2
[0081] Y(x)=(r+g)/2-Ir(x)-g(x)|/2-b(x)
[0082] 其中，I(x)为图像亮度，R(x)为红色通道上的分量，G(x)为绿色通道上的分量，B (X)为蓝色通道上的分量，Y(x)为黄色通道上的分量；
[0083] 利用中心c和周边s的高斯差分计算图像的特征显著度，符号"Θ":表示中央c和周 边8差计算，则亮度特征图：
[0089] 其中θΕ{〇。，45。，90。，135。};
[0090] 对特征关注图进行归一化，然后再合并生成显著图。
[0091 ]【具体实施方式】四、本实施方式是对【具体实施方式】一或二所述的基于视觉注意机制 的大幅面遥感影像感兴趣区域提取方法的进一步说明，步骤二中所述基于傅里叶变换的残 留谱方法认为图像信息由先验信息和新颖信息两部分组成，其中新颖信息可视为图像的显 著图；
[0092] SR方法在傅里叶频谱的幅度A(f)的对数谱上进行计算，图像总信息为：
[0093] L(f)=log(A(f)) (11)
[0094] L(f)通过低通滤波器匕^)，得B(f):
[0095] B(f)=hn(f)*L(f)
[0097] 经研究发现几乎所有B(f)都是类似的，故将B(f)看作图像先验信息，L(f)与B(f) 的差值为残留谱R(f)，即为图像新颖信息：
[0098] R(f)=L(f)-hn(f)*L(f) (13)
[0099] 根据R(f)和相位谱P(f)，进行傅里叶逆变换得视觉显著图S(x):
[0100] S(x)=G(x) |F_1[exp(R(f)+P(f))] |2 (14)
[0101] 其中G(x)为高斯平滑滤波器。
【具体实施方式】 [0102] 五、本实施方式是对一或二所述的基于视觉注意机制 的大幅面遥感影像感兴趣区域提取方法的进一步说明，步骤二中所述全局直方图对比度模 型：
[0103] 用输入图像每个像素的颜色与图像其它像素颜色的对比来表示显著性，即用每个 像素的统计来确定其显著值：
[0105]其中N为图像的像素个数，D( Ik, Ii)为像素Ik和Ii的颜色距离，需在Lab颜色空间上 进行计算：
[0107]将相同颜色的像素组成一组，则每种颜色显著值为：
[0109] 其中C1为像素Ik的颜色值，η为不同颜色数目，t为颜色值在图像中出现的频率。
【具体实施方式】 [0110] 六、本实施方式是对一至四之一所述的基于视觉注意 机制的大幅面遥感影像感兴趣区域提取方法的进一步说明，步骤三中所述针基于自底向上 刺激驱动机制的一级R0I提取方法：
[0111] 针对HC算法纹理敏感性过高的缺点，在HC算法基础之上提出多层重滤波颜色直方 图对比度显著性检测算法：
[0112] 设定一高斯模板对原始图像进行滤波，改变滤波次数，可以生成若干幅图像，相比 于改变高斯模板参数，改变滤波次数更简便，可控性好；
[0113]原始图像1〇经过见…化次高斯滤波后的图像为Ir"In，然后对生成的每幅图像进行 HC显著性计算，对应的HC显著图Hk可表示为
[0114] Hk = SMHc(Ik)，k = 0，l，2, · · ·，n (18)
[0115] 其中，SMhc为HC显著性检测算子。
[0116]将最终的合成显著图定义为：
[0117] s = Ho*Hi*. · ·*Ηη (19)
[0118] 式中(*)为矩阵对应元素相乘。
[0119]实验发现，三层重滤波合成的显著图可以达到足够好的检测效果。当采用三层重 滤波时，滤波次数Λ、犯的选择要结合目标尺寸，背景纹理及图像分辨率综合考虑，优先考虑 目标尺寸，最高滤波次数Nmax以不破坏目标可见性为最低标准，其次考虑背景纹理，若背景 纹理性弱，可适当降低滤波次数，若背景纹理性强，可适当提高滤波次数。这一过程要求在 不破坏目标可见性及能较有效去除纹理的前题下尽可能降低滤波次数，以保证目标的清晰 度。
[0120]超像素分割的目的是去除显著性低的区域，保留显著性高的区域。该方法将若干 个实际像素组成的一个正方形区域作为一个超像素。得到二值图像后，每个超像素中所含 值为1的像素个数定义为超像素重W，将超像素重W小于Wo的超像素舍去，剩余部分即一级 R0I，超像素重阈值Wo的设定由目标在原始图像中所占像素个数决定。
[0121]【具体实施方式】七、本实施方式是对【具体实施方式】一至四之一所述的基于视觉注意 机制的大幅面遥感影像感兴趣区域提取方法的进一步说明，步骤四（二）中所述基于自顶向 下目标驱动机制的二级R0I提取方法：目标的分布特性作为先验知识进行自顶向下的提取， 重心密度分布图通过一个η X η的全1模板与重心分布图卷积得到，模板的大小至少覆盖若 干个目标个体，故卷积得到的每个像素的值即为该像素周围ηΧη大小区域内所包含满足几 何条件的连通域个数，然后对所提取区域进行基于重心密度分布的显著性检测，从而实现 大幅面遥感影像感兴趣区域的提取。
【具体实施方式】 [0122] 八、本实施方式以人工地物中的油库与居民区这两类集群类目标为 例，对本发明作进一步详细的说明。
[0123] 一、目标及感兴趣区域特性分析：
[0124] 油库、居民区等团块目标为人工目标，几何特性明显区别于自然地物，且分布具有 很强的规律性，表1描述了油库目标感兴趣区域特性，表2描述了居民区目标感兴趣区域特 性；
[0125] 表1油库目标感兴趣区域特性
[0126]
[0127] 表2居民区目标感兴趣区域特性
[0128]
[0129]油库在几何形状上为圆形，若采用圆形度来提取物体几何特征，由于取物体周长P 的计算量比较大，而采用体态比和矩形度的计算量比较小，故利用体态比和矩形度相结合 的方式确定物体几何特征更为合理。
[0130]居民区在几何形状和方位朝向上规律性不是很强，若以居民区的几何形状和方位 朝向为依据提取感兴趣区域，算法复杂度会相应增加，由于居民区块状房屋分布更为集中， 重心分布密度较大，又因为目标重心坐标的计算比目标外接矩形的重心坐标计算复杂，块 状目标的重心与其外接矩形的重心偏差不大，所以以落在一定大小范围内的块状目标外接 矩形的重心分