一种遥感图像目标物检测方法及设备与流程

本申请涉及图像处理领域，尤其涉及一种遥感图像目标物检测方法及设备。

背景技术

现有技术中，运用影像中纹理等低阶特征，提出了均质算子的概念，即该方法是基于匹配的局部直方图，形成一个威布尔(weibull)密度族；威布尔密度包两个参数：中位数和偏度(weibull参数)。人工地物地区有威布尔参数值比含有自然特征的区域小，人工地物提取是有效的使用该方法来区分自然特征；由于该方法不是直接利用图像的具体特征，转化为参数来判定，另外算子的得出是均质算子，对于不均质区域的人工地物，算子的准确度就降低了，所以该均质算子对应的影像处理方法不适用于不均质区域的人工地物提取。

现有技术的另一种基于改进的分水岭分割算法的人工地物分割方法中，采用非下采样轮廓波变换(nsct)方法对图像进行多尺度几何图像分析，然后结合特征的“纹理梯度”改进分水岭分割，最后对人工地物的区域分类；现有技术的另一种基于人类视觉注意机制以及纹理视觉感知，通过提取影像的纹理以及集合特征分割人工地物，将纹理特征聚类之后实现有效的图像分割，几何结构特征被获得以实现最终检测和标记。此处两种算法在提取目标过程中并不关注其类别，而是直接对影像进行特征提取及分割等处理，因此具有适用性广、对单目标及复杂景物分析均适用的特点。但是由于在分割、特征提取等处理设计过程中，面对复杂得地面环境，分割效果有时显得并不如意，结果还有待提高。

现有技术中的又一种通过二维隐式马尔科夫模型对图像中的人工地物建模，先把图像分块，每块提出一个特征向量，特征向量在统计上依赖于底层状态过程，假定为马尔科夫网格，以相邻块水平和垂直方向的状态为过渡概率。因此，依赖于两个维度同时体现。利用em算法估计参数，最后应用最大后验概率来分割影像。现有技术中的又一种等通过变形模板描述了一个以观察者为中心的参考模型，在耦合模型和图像信息的基础上提取人工地物。此处两种以知识驱动的提取算法根据知识规则的限定，通过分析目标在影像中可能存在的特征进行分割。可见，提取算法针对性强，避免提取影像中过多的次要特征，算法效率高。其缺点为当识别的目标发生改变后，相应的知识规则会发生变化，因此普适性较差。遥感影像中场景复杂，同一地物类型有可能呈现不同形态，难以精确地提取完整的人工地物目标。

技术实现要素：

本申请的一个目的是提供一种遥感图像目标物检测方法及设备，以解决现有技术中对遥感图像进行处理过程中的普适性差和提取不精确的问题。

根据本申请的一个方面，提供了一种遥感图像目标物检测方法，该方法包括：

依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量；

采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值；

基于所述残差值确定所述像素点对应的分类结果；

若所述分类结果为人工地物，则在所述原始遥感图像上将所述像素点标记为人工地物点。

进一步地，上述方法中，所述依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量，包括：

对获取的所述原始遥感图像进行下采样，得到下采样后的遥感图像；

对所述下采样后的遥感图像进行冗余contourlet变换，得到一个低通子带及其各层带通或高通子带，其中，每层所述带通或高通子带的数量均为至少一个；

在冗余contourlet变换的每一层分解过程中，基于所述带通或高通子带内的能量熵函数值和能量分布均方差，对每层所述带通或高通子带进行过滤，得到每层过滤后的带通或高通子带；

分别对每层所述过滤后的带通或高通子带和所述低通子带内的每个像素点进行特征提取，得到每个像素点分别在每层所述过滤后的带通或高通子带和所述低通子带内对应的特征值，并得到所述原始遥感图像中的每个像素点对应的特征向量。

进一步地，上述方法中，所述对所述下采样后的遥感图像进行冗余contourlet变换，得到一个低通子带及其各层带通或高通子带，还包括：

对所述下采样后的遥感图像进行冗余contourlet变换，得到每个所述带通或高通子带分别对应的子带系数；

基于所述子带系数计算并确定去噪硬阈值；

根据所述去噪硬阈值对所述下采样后的遥感图像进行去噪预处理，得到所述原始遥感图像对应的去噪后的遥感图像。

进一步地，上述方法中，所述基于所述带通或高通子带内的能量熵函数值和能量分布均方差，对每层所述带通或高通子带进行过滤，得到每层过滤后的带通或高通子带，包括：

判断当前层的所述带通或高通子带内的能量熵函数值和能量分布均方差是否满足最优基选择条件，

若是，则丢弃当前层的所述带通或高通子带，将该带通或高通子带进行下一层的冗余contourlet变换的分解；

若否，则将当前层的所述带通或高通子带确定为当前层过滤后的带通或高通子带并得到其对应的最优基函数；

其中，所述最优基选择条件为：当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值小于预设比值阈值，且所述当前层的带通或高通子带内的能量分布均方差大于预设均方差阈值。

进一步地，上述方法中，所述分别对每层所述过滤后的带通或高通子带和所述低通子带内的每个像素点进行特征提取，得到每个像素点分别在每层所述过滤后的带通或高通子带和所述低通子带内对应的特征值，并得到所述原始遥感图像中的每个像素点对应的特征向量，包括：

分别计算每层所述过滤后的带通或高通子带内的每个像素点在预设邻域内的能量熵函数值和能量分布均方差，并计算所述低通子带内的每个像素点在预设邻域内的能量熵函数值；

对每个像素点进行如下步骤，得到所述原始遥感图像中的每个像素点对应的特征向量：

将所述像素点在每层所述过滤后的带通或高通子带内的预设领域内的能量熵函数值和能量分布均方差及在所述低通子带内的预设邻域内的能量熵函数值，确定为所述像素点在预设领域内对应的特征向量中的特征值。

进一步地，上述方法中，所述采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值，包括：

构建用于分类测试的样本训练矩阵，其中，所述样本训练矩阵包括至少一个样本向量；

对每个所述像素点进行如下步骤，得到每个所述像素点的特征向量对应的残差值：

分别计算所述像素点在预设邻域内对应的特征向量与每个所述样本向量之间的初始残差值；

将所有所述初始残差值中最小的初始残差值，确定为所述像素点的特征向量对应的残差值。

进一步地，上述方法中，所述分别计算所述像素点在预设邻域内对应的特征向量与每个所述样本向量之间的初始残差值，包括：

根据每个所述像素点在所述预设邻域内对应的特征向量和所述样本特征矩阵，求解最小范数，得到每个所述像素点在所述预设邻域内对应的特征向量的线性系数向量；

依据预设的采样选择函数识别所述线性系数向量的类别，并获得每类所述线性系数向量对应的近似解，基于所述近似解计算得到的初始残差值。

进一步地，上述方法中，所述基于所述残差值确定所述像素点对应的分类结果，包括：

基于所述残差值及计算所述残差值对应的所述样本向量的类型，确定所述像素点对应的分类结果，其中，所述类型包括人工地物类和自然区域类。

进一步地，上述方法中，若所述分类结果为自然区域，则在所述原始遥感图像上将所述像素点标记为自然区域。

进一步地，上述方法中，所述方法还包括：

对所述原始遥感图像对应的标记后的遥感图像进行形态学闭操作。

本申请另一实施例提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述遥感图像目标物检测方法。

根据本申请的另一方面，还提供了一种遥感图像目标物检测设备，其中，所述设备包括：

一个或多个处理器；

非易失性存储介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述遥感图像目标物检测方法。

与现有技术相比，本申请实施例中的一种遥感图像目标物检测方法，通过依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量；通过对图像进行冗余contourlet变换及特征提取，使得充分利用了遥感图像的纹理特征，克服了现有遥感图像处理过程中的普适性查的特点，能够适用于多种复杂环境，且冗余contuorlet变换中的多尺度的图像分析也更好地表达了原始遥感图像；之后采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值；基于所述残差值确定所述像素点对应的分类结果；若所述分类结果为人工地物，则在所述原始遥感图像上将所述像素点标记为人工地物点，通过稀疏表示分类法极大优化了人工地物的提取精确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种遥感图像目标物检测方法的流程示意图；

图2示出根据本申请一个方面的一种遥感图像目标物检测方法中的冗余contourlet变换示意图；

图3示出根据本申请一个方面的一种遥感图像目标物检测方法中获取的原始遥感图像示意图；

图4示出根据本申请一个方面的一种遥感图像目标物检测方法中原始遥感图形经冗余contourlet变换后的频谱图的示意图；

图5示出根据本申请一个方面的一种遥感图像目标物检测方法中原始遥感图像经最优基选择条件过滤后的频谱图的示意图；

图6示出根据本申请一个方面的一种遥感图像目标物检测方法中原始遥感图像经人工地物标定后的图像示意图；

图7和图8分别示出根据本申请一个方面的一种遥感图像目标物检测方法中的原始遥感图像经冗余contourlet变换后的、未采用最优基选择的特征分类/检测结果示意图；

图9和图10均示出根据本申请一个方面的一种遥感图像目标物检测方法中的原始遥感图像经冗余contourlet变换后的、采用最优基选择的特征分类/检测结果示意图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。中高频

如图1所示，本申请一个方面的一种遥感图像目标物检测方法，该方法包括步骤s11、步骤s12、步骤s13及步骤s14，具体包括：

步骤s11，依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量；通过对图像进行冗余contourlet变换及特征提取，使得充分利用了遥感图像的纹理特征，克服了现有遥感图像处理过程中的普适性差的特点，能够适用于多种复杂环境，且冗余contuorlet变换中的多尺度的图像分析也更好地表达了原始遥感图像；

步骤s12，采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值；

步骤s13，基于所述残差值确定所述像素点对应的分类结果；

步骤s14，若所述分类结果为人工地物，则在所述原始遥感图像上将所述像素点标记为人工地物点，通过稀疏表示分类法极大优化了人工地物的提取精确度。

本申请实施例中，所述步骤s11依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量，包括：

首先，对获取的所述原始遥感图像进行下采样，得到下采样后的遥感图像；

之后，对所述下采样后的遥感图像进行冗余contourlet变换，得到一个低通子带及其对应的能量熵函数值和至少一层带通或高通子带及其内的能量熵函数值和能量分布均方差，其中，每层所述带通子带的数量为至少一个，和/或每层所述高通子带的数量亦为至少一个；

然后，在冗余contourlet的每一层分解过程中，基于所述带通或高通子带内的能量熵函数值和能量分布均方差，对每层所述带通或高通子带进行选择，得到每层过滤后的带通或高通子带；

最后，分别对每层所述过滤后的带通或高通子带和所述低通子带内的每个像素点进行特征提取，得到每个像素点分别在每层所述过滤后的带通或高通子带及所述低通子带内对应的特征值，并得到所述原始遥感图像中的每个像素点对应的特征向量。

例如，所述步骤s11在对原始遥感图像作下采样处理前，先获取原始遥感图像，并根据该原始遥感图像的分辨率及对人工地物目标进行检测的精度的需求，对获取的原始遥感图像进行下采样，得到下采样后的遥感图像；此处下采样的采样倍率为2^g，在本申请一优选实施例中，选择该g＝2，使得对原始遥感图像进行下采样时的下采样倍率为2²＝4，即下采样后的遥感图像的大小为该原始遥感图像的1/4大小，实现了对原始遥感图像的下采样操作。

在本实施例中，所述步骤s11在对原始图像进行下采样处理之后，还对所述下采样后的遥感图像进行冗余contourlet变换，由于冗余contourlet变换消除了采样环节，使得得到的低通子带及各层中的每个带通或高通子带与下采样后的遥感图像的大小一致，能够更加丰富的表征图像的几何特征，以便后续对各子带对应的图像的特征提取。在此，将经过下采样后的遥感图像进行冗余contourlet变换，即先采用拉普拉斯(laplacian)金字塔分解下采样后的遥感图像，分节为低通子带和中高频对应的带通或高通子带，中高频中不仅包括带通子带，还包括高通子带，但后续对各子带进行的图像处理是分别对不同带通子带或高通子带进行的；当然，经过拉普拉斯(laplacian)金字塔分解后的图像为至少一层；然后，对金字塔分解后的每一层的中高频对应的带通或高通子带采用方向滤波器组(directionalfilterbank，dfb)进行处理，提取出了各个方向子带的频域信息，例如每层带通或高通子带内的能量熵函数值和能量分布均方差值及低通子带的能量熵函数值等。

在此，对下采样后的遥感图像进行冗余contourlet变换，如图2所示，可以看到经过冗余contourlet变换后的遥感图像的每层带通或高通子带的大小不会随着分解滤波级数的增加而减小，经过拉普拉斯(laplacian)金字塔分解及方向滤波器组之后得到的中高频对应的带通或高通子带如图2所示，可以看到每个带通或高通子带被划分成了很多方向的更小的子带频谱。

接着本申请的上述实施例，所述步骤s11中的对所述下采样后的遥感图像进行冗余contourlet变换，得到一个低通子带及其对应的能量熵函数值及其各层带通或高通子带及其内的能量熵函数值和能量分布均方差的过程中，还包括：

对所述下采样后的遥感图像进行冗余contourlet变换，得到每个所述带通或高通子带对应的子带系数；基于所述子带系数计算并确定去噪硬阈值；例如，计算该子带系数所对应的方差，并将该方差乘以预设倍比后得到的值作为该子带系数对应的带通或高通子带的去噪硬阈值，使得根据所述去噪硬阈值对下采样后的遥感图像进行去噪预处理，得到所述原始遥感图像对应的去噪后的遥感图像，实现对下采样后的基于所述带通或高通子带内的能量熵函数值和能量分布均方差，对每层所述带通或高通子带进行过滤，得到每层过滤后的带通或高通子带，包括：

判断当前层的所述带通或高通子带内的能量熵函数值和能量分布均方差是否满足最优基选择条件，

若是，则丢弃当前层的所述带通或高通子带，将该带通或高通子带进行下一层冗余contourlet变换的分解，其中，最优基函数则存在于进一步的子带分解中；

若否，则将当前层的所述带通或高通子带确定为当前层过滤后的带通或高通子带并得到其对应的最优基函数；

其中，所述最优基选择条件为：当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值小于预设比值阈值，且所述当前层的带通或高通子带内的能量分布均方差大于预设均方差阈值。

例如，经过冗余contourlet变换分解之后得到的至少一个带通或高通子带，且每个带通或高通子带对应着一个基函数，但有些带通或高通子带对应的基函数所表达的信息已经最优，完全不必要进行下一层冗余contourlet分解，从而减少后续特征提取过程中所需的计算量，故对带通或高通子带对应的系数进行特征提取之前，需要判断所述带通或高通子带内的能量熵函数值和能量分布均方差是否满足最优基选择条件，其中，该最优基选择条件为：

当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值小于预设比值阈值，且所述当前层的带通或高通子带内的能量分布均方差大于预设均方差阈值；让每层的拉普拉斯金字塔分解和方向滤波器组分解后的带通或高通子带满足如下最优基选择条件：

其中，为第i层的第j个带通或高通子带，假设各个带通和高通子带的大小都为m×n，则上述两公式中的中f(·,·)、e(x)和f(x)定义为：

其中p≥1

其中，f(.,.)为非线性选择函数，e(x)表示带通或高通子带内含的能量熵函数，f(x)表示带通或高通子带内的能量分布的均方差，u为带通或高通子带所对应的均值。

若当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值小于预设比值阈值t1，且当前层的带通或高通子带内的能量分布均方差大于预设均方差阈值t2，则丢弃所述带通或高通子带，将该带通或高通子带进行下一层冗余contourlet分解，最优基函数存在于进一步的子带分解中，以便后续进行特征提取；若当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值不小于预设比值阈值t1，和/或，当前层的带通或高通子带内的能量分布均方差小于等于预设均方差阈值t2，则认为当前层的带通或高通子带的基函数所表达的信息最优，不需要将该带通或高通子带进行下一层冗余contourlet分解，实现对经过冗余contourlet变换分解之后的所有带通或高通子带的过滤，将当前层的所述带通或高通子带确定为当前层过滤后的带通或高通子带并得到其对应的最优基函数，以减少后续对带通或高通子带的特征提取的计算量。

当然，在本实施例中，可以将最优基选择条件中的预设比值阈值优选为1.1，即设预设比值阈值为t1＝1.1，将预设均方差阈值设置优选为3，即预设均方差阈值为t2＝3以及表示带通或高通子带内含的能量熵函数e(x)计算中的p优选为p＝1，进而可以实现对经过冗余contourlet变换分解之后的所有带通或高通子带的精确有效过滤。

接着本申请的上述实施例，所述步骤s11中的分别对每层所述过滤后的带通或高通子带和所述低通子带内的每个像素点进行特征提取，得到每个像素点分别在每层所述过滤后的带通或高通子带和所述低通子带内对应的特征值，并得到所述原始遥感图像中的每个像素点对应的特征向量，包括：

分别计算每层所述过滤后的带通或高通子带内的每个像素点在预设邻域内的能量熵函数值和能量分布均方差，并计算所述低通子带内的每个像素点在预设邻域内的能量熵函数值；

对每个像素点进行如下步骤，得到所述原始遥感图像中的每个像素点对应的特征向量：

将所述像素点在每层所述过滤后的带通或高通子带内的预设领域内的能量熵函数值和能量分布均方差及在所述低通子带内的预设邻域内的能量熵函数值，确定为所述像素点在预设邻域内对应的特征向量中的特征值。

例如，假设在所述步骤s11中对经过冗余contourlet变换分解之后的所有带通或高通子带经过最优基选择条件过滤后，冗余contourlet变换共分解l层，l层中选出k个带通或高通子带，每个带通或高通子带是没有经过采样形成的，大小与原始图像大小一致。计算每个带通或高通子带内的每个像素点对应的坐标点的特征，选取以此点为中心的预设领域，在各个带通或高通子带中计算预设邻域内的能量熵函数值和能量分布均方差。其中，该预设邻域大小根据待处理的原始遥感图像的分辨率大小来确定，可以设置为m×n大小的预设邻域内，例如8×8，16×16及32×32大小等。下面基于预设邻域为：m×n大小邻域内的能量熵函数值和能量分布的均方差计算公式如下：

其中，ej⁽ⁱ⁾(a,b)表示第i层第j个带通或高通子带内的像素点(a,b)在预设领域m×n内的能量熵函数值，uj⁽ⁱ⁾(a,b)表示第i层第j个带通或高通子带内的像素点(a,b)在预设领域m×n内的均值；表示第i层第j个带通或高通子带内的像素点(a,b)在预设领域m×n内的能量分布均方差；

则第i层，k个子带，得到的旋转不变特征为：

在此，假设预设领域的大小为：8×8，即上述公式中的m×n为8×8。且假设冗余contourlet变换进行最优基选择之后共分解了l层，则可根据上式计算得到每一层带通或高通子带内的像素点(每个像素点对应一个坐标点)在该预设邻域：8×8内的能量熵函数值和能量分布均方差(2l)，并作为特征向量中的特征值，再加上第l层的低频对应的低通子带所对应的能量熵函数值elf进行组合，可得到原始遥感图像中的每个像素点对应的2l+1维的特征向量为：feature＝[elfel…e1σl…σ1]，实现对经过冗余contourlet变换分解之后的所有带通或高通子带中的、经过最优基选择条件过滤后的带通或高通子带的特征提取，以得到原始遥感图像中每个像素点对应的特征向量。

本申请一实施例中，所述步骤s12采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值，包括：

构建用于分类测试的样本训练矩阵，其中，所述样本训练矩阵包括至少一个样本向量；

对每个所述像素点进行如下步骤，得到每个所述像素点的特征向量对应的残差值：

分别计算所述像素点的特征向量与每个所述样本向量之间的初始残差值，在计算初始残差值的过程包括：根据每个所述像素点在所述预设邻域内对应的特征向量和所述样本特征矩阵，求解最小范数，得到每个所述像素点在所述预设邻域内对应的特征向量的线性系数向量，并依据预设的采样选择函数识别所述线性系数向量的类别，并获得每类所述线性系数向量对应的近似解，基于所述近似解计算得到的初始残差值；

将所有所述初始残差值中最小的初始残差值，确定为所述像素点的特征向量对应的残差值。

例如，根据上述的特征向量的提取方法，提取用于监督学习的、预设数量的(例如20至40例等)训练样本，分别为人工地物目标类别和非人工地物目标类别各占50％，构建由两类样本组成的样本训练矩阵a＝[a1，a2]∈r^2l+1，其中，设a1为人工地物目标类别。现输入图像经冗余contourlet变换，去噪，最优基选择并进行特征提取后，得到每一像素点的特征向量yj∈r^2l+1，将每一像素点对应的特征向量依次作为测试样本，采用稀疏表示分类法来计算每个像素点的特征向量与样本训练矩阵中的每个样本向量之间的残差值：

首选，求解最小l¹范数，获得x的近似解

a＝[a1,a2]＝[v1,1,v1,2，，…，v2,1，v2,2，…，…，v2,n]

其中，属于i类的测试样本y可表示为：

y＝ax0

则x的近似解为：

且ax＝y

然后，计算测试样本与样本向量之间的初始残差值：

其中，i＝1或-1(其中1和-1为类别标识，也可取其它的标识值)，当i＝1时对应为人工地物目标类别，当i＝-1时对应为非人工地物目标类别。计算残差值后，将像素点对应的特征向量与样本训练矩阵中的每个样本向量之间的所述初始残差值中最小的初始残差值argminiri(yj)，确定为所述像素点的特征向量对应的残差值，通过上述稀疏表示分类法实现对原始遥感图像的每个像素点的特征向量对应的残差值的计算。

在本实施例中，所述步骤在计算残差值后，所述步骤s13基于所述残差值确定所述像素点对应的分类结果，包括：

基于所述残差值及计算所述残差值对应的所述样本向量的类型，确定所述像素点对应的分类结果，其中，所述类型包括人工地物类和自然区域类。

例如，根据argminiri(yj)最小来决定每个像素点yj的类别，即是否归属于人工地物类或自然区域类，若判断得到最小的初始残差值argminiri(yj)是通过与人工地物类别a1中的样本向量计算得到的，则说明当前的测试样本与人工地物类别a1更相近，则确定最小的初始残差值argminiri(yj)对应的像素点的分类结果为人工地物类，并在原始遥感图像中将当前的像素点标记为人工地物；若判断得到最小的初始残差值argminiri(yj)是通过与非人工地物类别a2中的样本向量计算得到的，则说明当前的测试样本与非人工地物类别a2更相近，则确定最小的初始残差值argminiri(yj)对应的像素点的分类结果为非人工地物类(即自然区域类)，并在原始遥感图像中将当前的像素点标记为自然区域，从而实现通过稀疏表示分类法来对原始遥感图像中的人工地物与自然区域的标记。

本申请一实施例中的一种遥感图像目标物检测方法还包括：对所述原始遥感图像对应的标记后的遥感图像进行形态学闭操作。例如，在对原始遥感图像中的每个像素点进行标记之后，还需要对标记后的遥感图像进行形态学闭操作，将标记后的遥感图像中的面积过小的人工地物点所组成的人工地物区域去除，改善优化分类结果；由于在所述步骤s11中对原始遥感图像进行的下采样的采用倍率为2^g为2²＝4，则在需要对标记后的图像进行与下采样对应的上采样，使得通过插值操作使得稀疏表示分类结果得到的标记后的遥感图像与原始遥感图像的大小对应一致，实现对原始遥感图像中的每个像素点的人工地物或自然区域的标记。

本申请一实施例中的一种遥感图像目标物检测方法的实际应该场景中，获取一原始遥感图像，首先，对该原始遥感图像向下采样后(例如下采样的采样倍率为2^g＝2²＝4)的遥感图像变为原始遥感图像的1/4如图3所示；

接着，对下采样后的遥感图像进行冗余contourlet变换分解图像，在此，下采样后的遥感图像冗余contourlet分解为3级后的频谱如图4所示；

之后，对下采样后的图像进行去噪预处理；

然后，对冗余contourlet变换后的所有带通或高通子带基于最优基选择条件来进行最优基选择，过滤掉基函数信息量较少的带通或高通子带，该最优基选择条件为：

当前层的带通或高通子带内的能量熵函数与下一层的带通或高通子带内的能量熵函数之间的比值小于预设比值阈值t1，且所述当前层的带通或高通子带内的能量分布均方差大于预设均方差阈值t2，将满足上述最优基选择条件的带通或高通子带进行进一步子带分解，以实现对所有带通或高通子带的过滤减少信息量较少的带通或高通子带，结果如图5所示；

继续计算每个像素点(对应坐标点)的特征值，即计算该像素点的预设领域内的能量熵函数值和能量分布均方差，由于冗余contourlet分解为3层，则对每层带通或高通子带内的像素点计算气预设邻域内的能量熵函数值和能量分布均方差总共为6个，再加上低频段的低通子带的能量熵函数值，加起来是7个特征值来作为当前的像素点的特征向量(7维的)；

在计算的到每个像素点的特征向量之后，将原始遥感图像中的每个像素点的特征向量作为测试样本，计算出像素点的特征向量与采样稀疏分类法中构建的用于分类测试的样本训练矩阵，其中，所述样本训练矩阵包括至少一个样本向量，对每个所述像素点进行如下步骤，得到每个所述像素点的特征向量对应的残差值：分别计算所述像素点的特征向量与每个所述样本向量之间的初始残差值；将所有所述初始残差值中最小的初始残差值，确定为所述像素点的特征向量对应的残差值，若计算该残差值时的样本向量属于人工地物类别，则将当前的像素点标记为人工地物；若计算该残差值时的样本向量属于非人工地物类别，则将当前的像素点标记为非人工地物(即自然区域)；为了消去小空洞，完成需对标记后的遥感图像进行形态学处理；最后再把形态学处理之后的上采样还原成原始遥感图像的大小，即插值法将标记后的遥感图像放大4倍，实现将标记后的图像还原至原始遥感图像的大小，实现对原始遥感图像的标记。

在本实施例的实际应用场景中，获取的原始遥感图像如3所示，其中，图6为原始遥感图像标定人工地物后的图像；图4为未经过最优基选择的nsct的3级分解频谱图，假设共生成了34个中高频的带通或高通子带经过最优基选择之后，得到如图5所示的经过最优基选择的3级分解频谱图，可以看到，带通或高通子带从34个降到了18个，减少了后续对带通或高通子带的特征提取时的计算量；其中，图7和图8为未采用最优基选择之后直接进行带通或高通子带的像素点的特征向量的计算，并用稀疏表示分类器分类后得到的结果；图9和图10为经过最优基选择基函数，减少频谱子带后，计算特征向量，用稀疏表示分类器分类的结果，由图7至图10可以看出：有最有基选择和无最优基选择的结果差别不大，单分类结果比较精确，以使经过最优基基函数选择之后的带通或高通子带后，极大地提高了计算的速度与效率。

本申请另一实施例提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述遥感图像目标物检测方法。本申请另一实施例提供了一种遥感图像目标物检测设备，其中，所述设备包括：

一个或多个处理器；

非易失性存储介质，用于存储一个或多个计算机可读指令，

当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述遥感图像目标物检测方法。

在此，所述遥感图像目标物检测设备的各实施例的详细内容，具体可参见该遥感图像目标物检测设备端的方法实施例的对应部分，在此，不再赘述。

综上所述，本申请实施例中的一种遥感图像目标物检测方法，通过依序对获取的原始遥感图像进行下采样、冗余contourlet变换及特征提取，得到所述原始遥感图像中的每个像素点对应的特征向量；通过对图像尽心冗余contourlet变换及特征提取，使得充分利用了遥感图像的纹理特征，克服了现有遥感图像处理过程中的普适性查的特点，能够适用于多种复杂环境，且冗余contuorlet变换中的多尺度的图像分析也更好地表达了原始遥感图像；之后采用稀疏表示分类法，计算每个像素点的特征向量对应的残差值；基于所述残差值确定所述像素点对应的分类结果；若所述分类结果为人工地物，则在所述原始遥感图像上将所述像素点标记为人工地物点，通过稀疏表示分类法极大优化了人工地物的提取精确度。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(asic)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，ram存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。