一種基于多顯著特征融合的遙感圖像感興趣區(qū)域檢測方法
【技術領域】
[0001] 本發(fā)明屬于遙感圖像處理及圖像識別技術領域，具體設及一種基于多顯著特征融 合的遙感圖像感興趣區(qū)域檢測方法。
【背景技術】
[0002] 隨著遙感技術的快速發(fā)展，遙感影像的數據規(guī)模迅速擴大，而遙感圖像的感興趣 區(qū)域提取能夠降低遙感圖像分析處理的復雜度，因此遙感圖像的感興趣區(qū)域提取也是最近 一段時間的關注熱點，怎樣準確、快速地實現遙感影像感興趣區(qū)域檢測已成為當下亟待解 決的問題之一。該問題的有效解決將對緩解遙感影像高速獲取與低速解譯之間的矛盾具有 重要意義，對±地利用、災害評估、城鎮(zhèn)規(guī)劃W及環(huán)境監(jiān)測等相關領域也具有重要的實際應 用價值。
[0003] 傳統遙感圖像感興趣區(qū)域檢測大多是基于全局的，需要先驗知識的。但是先驗知 識庫的建立本身是一個很復雜的問題，需綜合考慮專家知識庫、目標區(qū)域特征、背景區(qū)域特 點等信息。有的方法需要引入對顏色呈現和眼動的屯、理物理學數據的訓練，有的方法對遙 感影像感興趣區(qū)域檢測與分類則要借助同區(qū)域的數字地圖。該些算法都需要先驗知識庫， 且計算復雜度較高。
[0004] 視覺注意模型為遙感圖像感興趣區(qū)檢測提供了一個全新的視角，不同于傳統的檢 測方法，視覺注意模型完全由數據驅動，不設及知識庫等外部因素的影響，并且具有識別快 速結果準確等優(yōu)勢，視覺注意模型受到越來越多的關注，將視覺注意模型引入遙感圖像感 興趣區(qū)域的檢測具有重大的意義。
[0005] 在基于低層視覺特征的視覺注意模型方面，Itti等人在文章"A Model of Saliency-Based Visual Attention for Rapid Scene Analysis"中提出了Itti視覺注意 方法，該模型接近于人類視覺系統，利用各種視覺特性產生顯著圖。在基于數學方法的視覺 注意模型方面，Harel等人在文章"Graph-Based Visual Saliency"中提出了基于圖論的 算法（Gra地-based visual saliency，GBVS)，該算法通過使用傳統的Itti模型模擬視覺 注意機制來完成特征提取步驟，繼而使用圖結構表示圖像之間的像素關聯，最后引入馬爾 可夫鏈（Markow chains)計算顯著圖。在基于頻域分析注意模型方面，Achanta等人在文 章"Rrequen巧-tuned Salient Region Detection"中提出用于顯著區(qū)域檢測的頻率調諧 法（prequency-tuned，FT)，將輸入的RGB圖像轉換到CffiL油顏色空間并進行高斯平滑，再 減去圖像特征向量的算術平均后，按點求幅度即得到均勻且邊界清晰的顯著圖。
[0006] 基于低層視覺特征的視覺注意模型較好地模擬了人眼視覺的關注方式，但是沒有 充分考慮圖像的頻域特征，同時計算速度慢、效率低，難W達到實時應用的要求?；陬l域 分析方法的視覺注意模型形式簡潔，易于解釋和實現，但是當顯著區(qū)域占整個圖像的比例 過大時，或者圖像背景過于復雜時，該方法得到的顯著圖會誤將部分背景標為顯著區(qū)域，且 其生物合理性不是非常清楚。近年來國內外學者也提出了將視覺顯著性應用于遙感影像感 興趣區(qū)域檢測的新算法。例如化ang等人在文章"化st Detection of Visual Saliency RegionsinRemoteSensingImagebasedonRegionGrowing"中提出基于小波變換，降 低圖像分辨率，在視覺特征中引入二維離散矩變換，生成顯著圖。但是，該些算法都有共同 的缺點，它們都只能將顯著區(qū)域提取出來，卻無法區(qū)分該些顯著區(qū)域之間的差別。而一組具 有相似感興趣區(qū)域的遙感影像，如果能夠利用它們的相似性，就可W排除對感興趣區(qū)域檢 測有干擾的其他區(qū)域。
[0007] 在計算感興趣區(qū)域掩模方面，傳統方法常用一個固定半徑圓來描述感興趣區(qū)域， 它在識別隨機區(qū)域時會帶來大量冗余信息，而使用單一闊值的速度非常快，但是感興趣區(qū) 域會有很多小碎片，區(qū)域描述不準確。最大類間方差法（Ostu方法）是一種自動的非參數、 無監(jiān)督的闊值選擇法，該方法是自適應計算單闊值的簡單高效方法，該方法具有計算簡單、 自適應強等優(yōu)點。

【發(fā)明內容】

[000引本發(fā)明的目的在于提供了一種基于多顯著特征融合的遙感圖像感興趣區(qū)域檢測 方法，該方法用于對遙感圖像的感興趣區(qū)域進行精確檢測?，F有的感興趣區(qū)域檢測方法主 要是基于全局的，需要先驗知識的。但是先驗知識庫的建立本身是一個很復雜的問題，需綜 合考慮專家知識庫、目標區(qū)域特征、背景區(qū)域特點等信息。所W本發(fā)明方法主要關注兩個方 面：
[0009] 1)無需基于全局捜索和建立先驗知識庫；
[0010] 。提升遙感圖像感興趣區(qū)域檢測精度，獲得更為準確的感興趣區(qū)域信息。
[0011] 本發(fā)明所使用的技術方案包括遙感圖像的信息量顯著特征圖生成，共有顯著特征 圖生成，最終顯著圖生成，感興趣區(qū)域模板生成W及感興趣區(qū)域生成五個主要過程，具體包 括W下步驟：
[0012] 步驟一：計算顏色直方圖，即輸入一組尺寸為MXN的遙感圖像，分別提取每幅圖 像的每一個顏色通道，用f；(x，y)表示在顏色通道C中（x，y)位置的顏色強度，構建每幅遙 感圖像在不同顏色通道的強度直方圖其中M表示圖像的長，N表示圖像的寬，x、y分 別表示圖像的橫、縱坐標，X= 1、2......M，y= 1、2......N，C表示顏色通道，C= 1、2、3,i表 示像素強度值，i= 〇、1......255 ;
[0013] 步驟二；計算顏色通道C的標準化顯著權重，即根據顏色通道C的顏色直方圖 計算該顏色通道中每一個像素強度值i的信息量Int(i)，并將該信息量賦給與該像 素強度值相等的像素點，完成全部計算與賦值后，得到顏色通道C的信息量圖LOG。(X，y)，利 用該信息量圖，得到顏色通道C的顯著度h。，再利用各顏色通道的顯著度，計算得到每幅圖 像的各顏色通道標準化顯著權重W。；
[0014] 步驟S;計算信息量顯著特征圖，即利用各顏色通道的標準化顯著權重W。，加權計 算得到每幅圖像初步的信息量顯著特征圖，對初步獲得的信息量顯著特征圖進行高斯平滑 濾波，濾除噪聲后得到每幅圖像的最終的信息量顯著特征圖；
[0015] 步驟四：將一組遙感圖像從RGB顏色空間轉換至CIEL油顏色空間，即分別提取每 幅圖像每個像素的R、G、BS個顏色通道值，將它們轉換至CIEL油顏色空間，獲取L、a、b 立個分量，RGB顏色空間中，R表示red紅色，G表示green綠色，B表示blue藍色，CIEL油 顏色空間中，L表示亮度，L= 0代表黑色，L= 100代表白色，a表示顏色在紅/綠之間的 位置，a為負值代表綠色，a為正值代表紅色，b表示顏色在藍/黃之間的位置，b為負值代 表藍色，b為正值代表黃色；
[0016] 步驟五：利用k-means聚類算法完成CIEL油顏色空間的像素聚類，即通過 k-means聚類算法，將該組原始遙感圖像映射到CIEL油顏色空間上的所有像素點的值進 行聚類，得到k個簇；
[0017] 步驟六；計算共有顯著特征圖，即將第j個簇中含有的像素數與圖像總像素數相 除，相除的結果定義為第j個簇的權重，其中j= 1、2……k，得到所有k個簇的權重后，利用 簇的權重與簇之間的距離計算簇的顯著值，把簇的顯著值賦給每一個屬于該簇的像素點， 由此獲得一組共有顯著特征圖；
[0018] 步驟走：計算最終顯著圖，即利用各顏色通道直方圖信息所獲得的信息量顯著特 征圖，與在CIEL油顏色空間中通過k-means聚類獲得的共有顯著特征圖相乘