技術(shù)特征：

1.一種基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述遙感目標(biāo)主要針對(duì)機(jī)場(chǎng)和油罐兩類目標(biāo)，包括如下步驟：

步驟1：將待檢測(cè)的輸入圖像利用簡(jiǎn)單線性迭代聚類算法SLIC(Simple Linear Iterative Clustering,SLIC)進(jìn)行超像素分割，將所述圖像中近鄰區(qū)域內(nèi)具有顏色相似性的像素聚類，然后采用超像素來表示聚為一類的區(qū)域，從而得到超像素分割后的圖像；

步驟2：將分割后的圖像中每個(gè)超像素的顏色特征作為底層特征，構(gòu)建全局信息集，同時(shí)，提取位于分割后的圖像邊界位置的所有超像素的底層特征構(gòu)建背景信息集；

步驟3：采用基于最小距離的相似性測(cè)量算子LDSM(Least Distance Similarity Measure operator,LDSM)，學(xué)習(xí)每個(gè)超像素和背景信息集之間的特征相似度，所述特征相似度用LDSM的學(xué)習(xí)系數(shù)表征，所述學(xué)習(xí)系數(shù)的取值與每個(gè)超像素和背景信息集之間的特征相似度呈正相關(guān)，利用所述學(xué)習(xí)系數(shù)構(gòu)建出潛在目標(biāo)特征圖，所述潛在目標(biāo)特征圖可以反映出每個(gè)超像素區(qū)域與背景信息集之間的特征差異，包含所有候選顯著目標(biāo)區(qū)域；

步驟4：從待檢測(cè)的輸入圖像中自頂向下地提取出機(jī)場(chǎng)和油罐目標(biāo)的先驗(yàn)特征，分別生成目標(biāo)特征圖；對(duì)于機(jī)場(chǎng)目標(biāo)，利用直線檢測(cè)算子LSD(Line Segment Detector，LSD)對(duì)待檢測(cè)的輸入圖像進(jìn)行直線檢測(cè)，得到直線檢測(cè)結(jié)果；然后利用步驟1中超像素分割后的圖像，統(tǒng)計(jì)其每個(gè)超像素區(qū)域中位于檢測(cè)到的直線上的像素點(diǎn)數(shù)目，生成直線密度圖作為機(jī)場(chǎng)目標(biāo)的目標(biāo)特征圖；對(duì)于油罐目標(biāo)，利用Hough變換方法，對(duì)待檢測(cè)的輸入圖像進(jìn)行圓檢測(cè)，得到圓的檢測(cè)結(jié)果，再利用投票機(jī)制，為檢測(cè)到的圓的內(nèi)部點(diǎn)和非內(nèi)部點(diǎn)分配不同的權(quán)值，生成圓特征圖，將圓特征圖作為油罐目標(biāo)的目標(biāo)特征圖；

步驟5：將步驟3中所述潛在目標(biāo)特征圖與步驟4中所述機(jī)場(chǎng)目標(biāo)特征圖和油罐目標(biāo)特征圖，即三幅圖像進(jìn)行融合，生成層級(jí)顯著圖；層級(jí)顯著圖中的顯著區(qū)域包括學(xué)習(xí)過程中每一層獲得的潛在目標(biāo)特征圖中的候選顯著目標(biāo)區(qū)域，機(jī)場(chǎng)目標(biāo)區(qū)域和油罐目標(biāo)區(qū)域；

步驟6：利用潛在主題語義模型LDA(Latent Dirichlet Allocation topic model，LDA)定義自適應(yīng)學(xué)習(xí)結(jié)束準(zhǔn)則，并用所述準(zhǔn)則來判斷步驟5所述當(dāng)層級(jí)顯著圖中的顯著區(qū)域與機(jī)場(chǎng)和油罐目標(biāo)之間的特征相似度，以此來判斷是否應(yīng)該結(jié)束當(dāng)前的學(xué)習(xí)過程，若學(xué)習(xí)過程沒有結(jié)束，則執(zhí)行步驟7；若學(xué)習(xí)過程已經(jīng)結(jié)束，則執(zhí)行步驟8；

步驟7：采用多層學(xué)習(xí)框架，相鄰層級(jí)間利用反饋機(jī)制，將每一層獲得的層級(jí)顯著圖反饋至當(dāng)前層的輸入圖像中，實(shí)現(xiàn)逐層背景壓制，即，將步驟5中所述經(jīng)過融合得到的層級(jí)顯著圖作為增強(qiáng)因子，作用于當(dāng)前層的輸入圖像，對(duì)當(dāng)前層經(jīng)過超像素分割后的圖像進(jìn)行增強(qiáng)，并將增強(qiáng)后得到的新圖像作為下一層學(xué)習(xí)的輸入圖像，執(zhí)行步驟1，開始新一層的學(xué)習(xí)過程；如此反復(fù)，通過多層學(xué)習(xí)，逐步將目標(biāo)區(qū)域突顯出來；

步驟8：停止學(xué)習(xí)后，將當(dāng)前層中步驟5所述的層級(jí)顯著圖作為最終顯著圖，提取最終顯著圖中的顯著區(qū)域作為目標(biāo)區(qū)域，在待檢測(cè)圖像中標(biāo)注出目標(biāo)區(qū)域以及目標(biāo)的類別標(biāo)簽，即機(jī)場(chǎng)目標(biāo)或油罐目標(biāo)，從而獲得遙感目標(biāo)檢測(cè)的最終結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟1中，利用SLIC算法進(jìn)行超像素分割具體步驟為：

對(duì)待檢測(cè)的輸入圖像I，以彩色圖像的顏色特征以及各像素點(diǎn)的位置信息為約束，采用K-means聚類算法進(jìn)行聚類，提取圖像CIELab顏色空間的顏色特征，將局部的具有相似顏色特征的像素點(diǎn)用超像素來代表，從而完成圖像的超像素分割過程，選取整幅圖像總的超像素分割個(gè)數(shù)為k，則分割后的圖像I包含k個(gè)超像素區(qū)域。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟2中，構(gòu)建全局信息集與背景信息集的具體步驟如下：

(1)已知超像素分割后的圖像中含有的總的超像素個(gè)數(shù)為k，選取每個(gè)超像素的顏色特征構(gòu)造底層特征，即將圖像變換到CIELab顏色空間，分別求取每個(gè)超像素中所有像素在CIELab顏色空間三個(gè)顏色通道的值，取每個(gè)超像素中所有像素點(diǎn)在每個(gè)顏色通道的均值，作為該超像素的底層特征，即第i個(gè)超像素的底層特征p_i表示為：

p_i＝(ll_i,la_i,lb_i) (1)

其中，ll_i，la_i，lb_i分別表示在CIELab顏色空間的第i個(gè)超像素中的所有像素點(diǎn)在三個(gè)顏色通道取值的均值，則所有超像素的特征集為P＝{p₁,p₂,…,p_k}，定義P為全局信息集；其中p₁，p₂，…,p_k分別表示分割后的圖像中第1，2，…,k個(gè)超像素區(qū)域的底層特征；1≤i≤k，i表示全局信息集中任意一個(gè)超像素，k表示總的超像素個(gè)數(shù)；

(2)對(duì)于全局信息集P＝{p₁,p₂,…,p_k}，設(shè)有n個(gè)超像素位于圖像邊界上，將位于邊界的n個(gè)超像素提取出來，組成背景信息集，n則表示總的背景超像素個(gè)數(shù)，背景信息集B表示為：

B＝{b₁,b₂,…,b_n}，0<n<k (2)

b_j＝(ll_j,la_j,lb_j)，1≤j≤n (3)

其中j表示背景信息集中的任意一個(gè)超像素，b_j表示背景信息集中超像素區(qū)域的底層特征，ll_j，la_j，lb_j分別表示位于CIELab顏色空間的第j個(gè)超像素中的所有像素點(diǎn)在三個(gè)顏色通道取值的均值。

4.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟3中，利用學(xué)習(xí)系數(shù)構(gòu)建潛在目標(biāo)特征圖，具體如下：

定義超像素?cái)?shù)據(jù)集(p_i,b_j)，其中p_i表示全局特征集中超像素區(qū)域的底層特征，b_j表示背景信息集中超像素區(qū)域的底層特征，即p_i∈P,b_j∈B，應(yīng)用LDSM算子求取每個(gè)全局信息集中超像素區(qū)域的底層特征，即p_i，與每個(gè)背景信息集中超像素區(qū)域的底層特征b_j之間的相似性系數(shù)α_ij，如下式所示：

$\begin{array}{ccc}{\mathrm{\&alpha;}}_{ij}=\underset{{\mathrm{\&alpha;}}_{ij}}{\arg \min }\left|\right|b_j-{\mathrm{\&alpha;}}_{ij}{p}_i|{|}_2,& 1\&le;i\&le;k,& 1\&le;j\&le;n\end{array}---\left(4\right)$

通過求解公式(4)，得到相似性測(cè)量的學(xué)習(xí)系數(shù)α_ij，當(dāng)p_i與b_j相近時(shí)，α_ij近似為1；當(dāng)p_i與b_j完全相等時(shí)，α_ij等于1；當(dāng)p_i與b_j相差較大時(shí)，α_ij遠(yuǎn)離1；由于p_i與b_j的相似性表述為α_ij偏離1的程度，將相似性學(xué)習(xí)系數(shù)α_ij按公式(5)規(guī)范化為β_ij，則

其中，表示將|a_ij-1|的取值范圍歸一化到區(qū)間[0,1]，歸一化后的學(xué)習(xí)系數(shù)β_ij越接近于0，則表示全局超像素區(qū)域的底層特征p_i越接近于背景超像素區(qū)域的底層特征b_j；

通過求解以上最優(yōu)化問題，得到一組規(guī)范化后的學(xué)習(xí)系數(shù)，如下式所示：

$\left(\begin{array}{cccc}{\mathrm{\&beta;}}_{11}& {\mathrm{\&beta;}}_{12}& \mathrm{...}& {\mathrm{\&beta;}}_{1n}\\ {\mathrm{\&beta;}}_{21}& {\mathrm{\&beta;}}_{22}& \mathrm{...}& {\mathrm{\&beta;}}_{2n}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {\mathrm{\&beta;}}_{k1}& {\mathrm{\&beta;}}_{k2}& \mathrm{...}& {\mathrm{\&beta;}}_{kn}\end{array}\right)---\left(6\right)$

i表示公式(6)中矩陣的任意一行，第i行表示用特征集中第i個(gè)超像素去學(xué)習(xí)所有背景超像素所得到的學(xué)習(xí)系數(shù)，對(duì)每行中各元素取均值，定義潛在特征β_i的計(jì)算公式為：

${\mathrm{\&beta;}}_i=\underset{j=1}{\overset{n}{\&Sigma;}}{\mathrm{\&beta;}}_{ij}/n---\left(7\right)$

其中n為總的背景超像素個(gè)數(shù)，β_ij表示公式(6)矩陣中的任意一個(gè)元素，由公式(7)得到潛在目標(biāo)特征圖F＝(β₁,β₂,…,β_k)，k表示總的超像素個(gè)數(shù)。

5.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟4中，提取機(jī)場(chǎng)和油罐目標(biāo)的目標(biāo)特征圖，實(shí)現(xiàn)如下：

(1)提取機(jī)場(chǎng)目標(biāo)特征圖

對(duì)于待檢測(cè)的輸入圖像I，應(yīng)用LSD直線檢測(cè)算子初步獲取整幅圖像的直線信息，然后對(duì)應(yīng)當(dāng)前層的超像素分割結(jié)果，計(jì)算直線密度特征，分子為每個(gè)超像素區(qū)域中位于直線上的像素點(diǎn)的數(shù)目，分母為相應(yīng)區(qū)域的面積。用公式(8)表示對(duì)于任意一個(gè)超像素區(qū)域i，對(duì)應(yīng)的直線密度特征d_i為：

$\begin{array}{cc}{d}_i=\frac{{\mathrm{Num}}_L\left(region\right(i\left)\right)}{Num\left(region\right(i\left)\right)},& i=1,2,\mathrm{...},k\end{array}---\left(8\right)$

其中Num_L表示位于直線上的像素點(diǎn)數(shù)目，Num為總的像素?cái)?shù)，region(i)表示第i個(gè)超像素區(qū)域，由此得到基于機(jī)場(chǎng)目標(biāo)的目標(biāo)特征圖，即直線密度圖D＝(d₁,d₂,…,d_k)，其中d₁，d₂，…,d_k分別表示第1，2，…,k個(gè)超像素區(qū)域的直線密度特征，k表示總的超像素個(gè)數(shù)；

(2)提取油罐目標(biāo)特征圖

圓特征是油罐目標(biāo)典型的區(qū)域特征，對(duì)待檢測(cè)的輸入圖像利用Hough變換進(jìn)行圓檢測(cè)，然后將圓檢測(cè)結(jié)果轉(zhuǎn)化為特征圖，并將該特征圖作為油罐目標(biāo)特征圖；

利用Hough變換進(jìn)行圓檢測(cè)時(shí)，對(duì)圓心位置(a,c)和圓半徑r組成的(a,c,r)進(jìn)行投票，其中a為圓心橫坐標(biāo)，c為圓心縱坐標(biāo)；投票結(jié)果中的局部峰值即為存在的圓心位置坐標(biāo)和圓的半徑，將投票結(jié)果作為圓特征的權(quán)重值，滿足公式(9)的所有點(diǎn)應(yīng)該共享與對(duì)應(yīng)的(a,c,r)相同的權(quán)重值，即：

(x-a)²+(y-c)²≤r² (9)

其中(x,y)為目標(biāo)特征圖中任一位置的坐標(biāo)，而其他非圓內(nèi)的點(diǎn)則保留原有的權(quán)重值，得到油罐目標(biāo)的目標(biāo)特征圖C。

6.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟5中，融合生成層級(jí)顯著圖具體如下：

首先將機(jī)場(chǎng)目標(biāo)的目標(biāo)特征圖D和油罐目標(biāo)的目標(biāo)特征圖C進(jìn)行加法融合，即取并集運(yùn)算，得到加法融合后的圖像；再將潛在目標(biāo)特征圖F與前述加法融合后的圖像再次進(jìn)行融合，融合過程采用對(duì)應(yīng)像素點(diǎn)間相乘的方式，即取交集運(yùn)算，則融合方式表述為：

S＝(D+C)·F (10)

其中，S表示在每層學(xué)習(xí)過程經(jīng)過融合生成的顯著圖，即層級(jí)顯著圖。

7.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟6中，定義自適應(yīng)的學(xué)習(xí)結(jié)束準(zhǔn)則，判斷是否應(yīng)該結(jié)束當(dāng)前的學(xué)習(xí)過程，具體包括：

(1)首先從數(shù)據(jù)庫中獲取機(jī)場(chǎng)目標(biāo)與油罐目標(biāo)的樣本圖像，應(yīng)用機(jī)場(chǎng)目標(biāo)的樣本和油罐目標(biāo)的樣本分別訓(xùn)練LDA模型，得到機(jī)場(chǎng)與油罐目標(biāo)的主題模型，同時(shí)訓(xùn)練背景的主題模型，得到機(jī)場(chǎng)和油罐目標(biāo)與背景的主題模型。在LDA模型訓(xùn)練過程中，所有訓(xùn)練樣本的特征選擇為CIELab顏色空間的顏色特征；經(jīng)過LDA模型訓(xùn)練后，得到背景主題模型p(z|bg)，機(jī)場(chǎng)主題模型p(z|fg₁)和油罐主題模型p(z|fg₂)；

(2)對(duì)于每一層的層級(jí)顯著圖，設(shè)定閾值0.6。當(dāng)超像素區(qū)域的取值大于0.6時(shí)，認(rèn)為該超像素區(qū)域?yàn)轱@著區(qū)域，否則，認(rèn)為該超像素區(qū)域不顯著；計(jì)算第i個(gè)顯著區(qū)域的主題模型p(z|s_i)，其中s_i表示第i個(gè)超像素顯著區(qū)域，計(jì)算主題模型p(z|s_i)與p(z|bg)，p(z|fg₁)，p(z|fg₂)之間的距離，取距離最小的主題模型對(duì)應(yīng)的類型標(biāo)簽，類型標(biāo)簽分別為機(jī)場(chǎng)目標(biāo)、油罐目標(biāo)或背景三者中的一個(gè)，給顯著區(qū)域s_i標(biāo)注同樣的標(biāo)簽，當(dāng)所有顯著區(qū)域的類型標(biāo)簽都為目標(biāo)的類型標(biāo)簽時(shí)，結(jié)束學(xué)習(xí)，并輸出每個(gè)顯著區(qū)域的位置及其類型標(biāo)簽值，否則，繼續(xù)下一層的增強(qiáng)學(xué)習(xí)過程；在計(jì)算主題模型之間的距離時(shí)，采用兩向量之間的余弦距離。

8.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感多目標(biāo)檢測(cè)方法，其特征在于：所述步驟7中，采用多層學(xué)習(xí)框架，相鄰層級(jí)間利用反饋機(jī)制，將每一層的層級(jí)顯著圖反饋至當(dāng)前層的輸入圖像中，實(shí)現(xiàn)逐層的背景壓制，具體包括：

當(dāng)學(xué)習(xí)到的當(dāng)前層的層級(jí)顯著圖S不滿足學(xué)習(xí)結(jié)束條件時(shí)，首先利用拉伸函數(shù)對(duì)層級(jí)顯著圖S進(jìn)行拉伸，公式如下：

R＝f(S) (11)

其中，f表示作用于層級(jí)顯著圖S的拉伸函數(shù)，所述拉伸函數(shù)選擇二次函數(shù)；將拉伸后的矩陣R定義為增強(qiáng)矩陣，并應(yīng)用增強(qiáng)矩陣對(duì)輸入圖像進(jìn)行增強(qiáng)。則第一層的圖像增強(qiáng)公式如下：

I₂＝I·R₁ (12)

R₁是學(xué)習(xí)過程中第一層的增強(qiáng)矩陣，由待檢測(cè)的輸入圖像I通過層級(jí)間反饋得到第一層的增強(qiáng)圖像I₂，將I₂作為第二層增強(qiáng)學(xué)習(xí)過程的輸入圖像，對(duì)I₂進(jìn)行前述的特征提取步驟，得到第二層學(xué)習(xí)過程的層級(jí)顯著圖，以此類推，則層級(jí)間的反饋表達(dá)式為：

I_t+1＝I_t·R_t (13)

其中，I_t和I_t+1分別表示第t層和第t+1層的輸入圖像，R_t為第t層的增強(qiáng)矩陣，通過公式(13)的層級(jí)間反饋過程，第t+1層的輸入圖像I_t+1目標(biāo)區(qū)域的顯著性得到保持而背景區(qū)域被壓制；

在第t次的學(xué)習(xí)過程中，對(duì)于當(dāng)前層的輸入圖像I_t，應(yīng)用SLIC算法對(duì)其進(jìn)行超像素分割，將圖像分割為k_t個(gè)超像素區(qū)域；采用的超像素分割數(shù)目滿足以下條件：

k₁≥k₂≥k₃≥…≥k_t≥…，t＝1,2,3,… (14)

即采用由精到粗的分割模式，最初的精細(xì)分割能夠準(zhǔn)確地保留圖像的邊緣特征，后續(xù)的粗分割可以適當(dāng)減少運(yùn)算量；

更新后的圖像I_t+1將作為下一層的輸入圖像開始新一層的學(xué)習(xí)，執(zhí)行步驟1。

9.根據(jù)權(quán)利要求1所述的基于改進(jìn)的層次化顯著模型的遙感目標(biāo)檢測(cè)方法，其特征在于：所述步驟8中，在最終顯著圖中獲取目標(biāo)區(qū)域以及目標(biāo)的類別標(biāo)簽，具體包括：

在學(xué)習(xí)過程中，如果當(dāng)前層的層級(jí)顯著圖滿足自適應(yīng)學(xué)習(xí)結(jié)束準(zhǔn)則時(shí)，則結(jié)束學(xué)習(xí)過程；當(dāng)前層所在的層數(shù)T則表示為總的學(xué)習(xí)層數(shù)，也是學(xué)習(xí)過程的迭代次數(shù)；將當(dāng)前層的層級(jí)顯著圖作為最終的顯著圖，即最終顯著圖S_final表示為：

S_final＝S_T (15)

S_T表示在第T層學(xué)習(xí)過程中得到的層級(jí)顯著圖S；

設(shè)s為最終顯著圖S_final中的任一顯著區(qū)域，根據(jù)自適應(yīng)學(xué)習(xí)結(jié)束準(zhǔn)則所確定的該區(qū)域的標(biāo)簽，即機(jī)場(chǎng)目標(biāo)或油罐目標(biāo)，在待檢測(cè)的輸入圖像中標(biāo)注機(jī)場(chǎng)目標(biāo)或油罐目標(biāo)的位置，完成遙感目標(biāo)的檢測(cè)任務(wù)。