專(zhuān)利名稱(chēng)：基于選擇性視覺(jué)注意機(jī)制的遙感圖像機(jī)場(chǎng)目標(biāo)檢測(cè)與識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種遙感圖像機(jī)場(chǎng)目標(biāo)快速檢測(cè)與識(shí)別的方法。
背景技術(shù)：
遙感圖像中典型目標(biāo)的檢測(cè)與識(shí)別是當(dāng)前自動(dòng)目標(biāo)檢測(cè)與識(shí)別研究的熱點(diǎn)。機(jī)場(chǎng)作為一類(lèi)特定目標(biāo)，在軍事和民用領(lǐng)域都具有十分重要的意義，受到越來(lái)越多的關(guān)注。 然而，機(jī)場(chǎng)所處的區(qū)域背景往往很復(fù)雜，這給它的檢測(cè)與識(shí)別帶來(lái)了困難。常用的機(jī)場(chǎng)檢測(cè)與識(shí)別的方法大致分為兩類(lèi)[1]基于邊緣提取的方法和基于區(qū)域分割的方法。前者是根據(jù)機(jī)場(chǎng)跑道的平行長(zhǎng)直線(xiàn)特性而來(lái)的，從圖像中提取它的邊緣，然后通過(guò)Hough[2]變換等方法進(jìn)行直線(xiàn)檢測(cè)并輔以紋理識(shí)別以達(dá)到機(jī)場(chǎng)的確認(rèn)[1][3]M。而后者則是基于機(jī)場(chǎng)與周?chē)y理的差異性，通過(guò)圖像分割的方法達(dá)到提取備選區(qū)域的目的，再在備選區(qū)域內(nèi)進(jìn)行識(shí)別[5]_[7]。上述兩類(lèi)方法各自有優(yōu)點(diǎn)也有不足?；谶吘壧崛〉姆椒ㄋ俣瓤?、復(fù)雜度低，機(jī)場(chǎng)區(qū)域也能夠檢測(cè)出直線(xiàn)，但由于背景的干擾，有許多非機(jī)場(chǎng)目標(biāo)的區(qū)域會(huì)被檢測(cè)出來(lái)，如公路、山脈等等，這些干擾物都會(huì)影響識(shí)別的準(zhǔn)確性。此外，僅僅使用Hough變換的結(jié)果來(lái)定位機(jī)場(chǎng)，由于其所檢測(cè)出的直線(xiàn)長(zhǎng)度可能超出或短于實(shí)際跑道長(zhǎng)度，故對(duì)機(jī)場(chǎng)的定位相對(duì)模糊。而基于紋理分割的方法在刻畫(huà)機(jī)場(chǎng)區(qū)域方面要做的更好，而且它不依賴(lài)于Hough變換的結(jié)果，干擾相對(duì)少，機(jī)場(chǎng)本身固有的一些紋理特性也使其便于特征的訓(xùn)練和識(shí)別。但該方法在圖像分割時(shí)需要逐像元分析，因而速度慢、復(fù)雜度高，識(shí)別效果依賴(lài)于分割閾值的選取，并且是否能夠找到對(duì)旋轉(zhuǎn)、縮放、平移魯棒性強(qiáng)的用于識(shí)別的特征也會(huì)影響識(shí)別效果。 值得一提的是，目前關(guān)于機(jī)場(chǎng)檢測(cè)的文獻(xiàn)中對(duì)于識(shí)別的虛警率往往避而不談，遙感圖像的覆蓋范圍很廣，當(dāng)我們?cè)趯?duì)各幅不同的圖像進(jìn)行識(shí)別時(shí)，不僅要保證目標(biāo)不被遺漏，還要確保沒(méi)有目標(biāo)的地方不被識(shí)別出目標(biāo)，這樣才有實(shí)際的應(yīng)用價(jià)值。近年來(lái)，注意力選擇[8]被廣泛地應(yīng)用到模式識(shí)別領(lǐng)域中，并且在自然圖像的目標(biāo)識(shí)別方面已經(jīng)收到了很好的效果。所謂視覺(jué)注意力，就是指視覺(jué)圖像場(chǎng)景中引起我們關(guān)注的區(qū)域。人可以在短時(shí)間內(nèi)找出眼前具有顯著特征的物體，機(jī)器視覺(jué)卻無(wú)法做到，是因?yàn)槿说淖⒁饬x擇機(jī)制在發(fā)揮著作用。注意力選擇過(guò)程可分為自底向上(Bottom up)和自頂向下(Top down)兩部分自底向上的過(guò)程是指由輸入圖像生成顯著圖的過(guò)程，顯著區(qū)域即那些具有較強(qiáng)對(duì)比度的區(qū)域或與周?chē)忻黠@差異的區(qū)域，這一過(guò)程是數(shù)據(jù)驅(qū)動(dòng)的，它不受主觀(guān)意識(shí)支配；而自頂向下的過(guò)程則是與人的先驗(yàn)知識(shí)及判斷有關(guān)的，有助于從顯著區(qū)域中確定目標(biāo)區(qū)域。針對(duì)機(jī)場(chǎng)檢測(cè)問(wèn)題，由于機(jī)場(chǎng)與周?chē)牟町愋员容^大，我們可以認(rèn)為其是顯著的，因而可以將注意力選擇機(jī)制引入到機(jī)場(chǎng)檢測(cè)中。目前已有許多學(xué)者對(duì)注意力選擇機(jī)制其進(jìn)行了建模。早期Itti和Walther在計(jì)算結(jié)構(gòu)上模仿人腦形成視覺(jué)顯著性的神經(jīng)機(jī)制而分別提出了 NVT[9]模型和STB_模型，隨后Bruce基于信息論提出了最大熵AIM[11]模型，但上述三種模型計(jì)算量大復(fù)雜度高，在工程上難以應(yīng)用。為簡(jiǎn)化計(jì)算復(fù)雜度，基于頻域的視覺(jué)顯著性方法被提出來(lái)，包括Hou的SR[12] 模型以及Guo的PFTm和PQFTm模型，這類(lèi)模型運(yùn)算速度很快，在自然圖像上收到了不錯(cuò)的效果。但我們實(shí)驗(yàn)后發(fā)現(xiàn)，上述這些模型在遙感圖像復(fù)雜背景的情況下，識(shí)別效果不甚理想，因?yàn)樽匀粓D像的背景往往是平滑的單一的，目標(biāo)很容易被分離出來(lái)，而遙感圖像雜亂無(wú)章的地表背景嚴(yán)重干擾了識(shí)別效果。與之不同的是，Harel的GBVS[15]模型收到了相對(duì)好的效果，只是運(yùn)行速度上過(guò)慢而難以實(shí)時(shí)操作。如何找出適用于機(jī)場(chǎng)檢測(cè)問(wèn)題的注意力選擇模型，并將它與用于識(shí)別的特征描述算子相結(jié)合以檢測(cè)、識(shí)別機(jī)場(chǎng)，是本發(fā)明主要想解決的問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種快速、精確的單波段遙感圖像機(jī)場(chǎng)檢測(cè)和識(shí)別的方法。本發(fā)明提出的遙感圖像機(jī)場(chǎng)目標(biāo)檢測(cè)與識(shí)別方法，是一種基于選擇性視覺(jué)注意機(jī)制的方法，該方法使用改進(jìn)后的注意力選擇模型GBVS對(duì)輸入遙感圖像進(jìn)行顯著性分析，得到顯著區(qū)域，然后提取顯著區(qū)域上的SIFT特征并代入HDR樹(shù)中識(shí)別，最終確定機(jī)場(chǎng)區(qū)域。與傳統(tǒng)的機(jī)場(chǎng)檢測(cè)和識(shí)別的方法相比，本發(fā)明不需要逐個(gè)像素地對(duì)原始圖像進(jìn)行分析，降低了運(yùn)算復(fù)雜度，同時(shí)解決了機(jī)場(chǎng)定位不精確的問(wèn)題，有效地降低了周?chē)鷱?fù)雜背景對(duì)檢測(cè)過(guò)程的干擾。本發(fā)明具有速度快、識(shí)別率高、虛警率低的特點(diǎn)，同時(shí)對(duì)噪聲有較強(qiáng)的魯棒性，非常適用于軍事和民用領(lǐng)域復(fù)雜背景下的實(shí)時(shí)機(jī)場(chǎng)目標(biāo)檢測(cè)，對(duì)于實(shí)際應(yīng)用具有較大的意義和價(jià)值。本發(fā)明提供的遙感圖像機(jī)場(chǎng)檢測(cè)與識(shí)別方法，包括兩部分改進(jìn)的GBVS視覺(jué)注意計(jì)算模型和基于視覺(jué)顯著性的機(jī)場(chǎng)目標(biāo)檢測(cè)與識(shí)別，分別描述如下
1.改進(jìn)的GBVS的視覺(jué)注意計(jì)算模型
GBVS模型是以NVT模型為基礎(chǔ)，在獲得多特征通道信息之后，對(duì)每張?zhí)卣鲌D運(yùn)用馬爾可夫隨機(jī)場(chǎng)的特點(diǎn)構(gòu)建二維圖像的馬爾可夫鏈，通過(guò)求其平衡分布而得到顯著圖。具體步驟如下
a.獲取多尺度的亮度信息對(duì)輸入的灰度圖像./，首先對(duì)其使用高斯金字塔低通濾波器進(jìn)行濾波，高斯金字塔的每一階都是一個(gè)二維高斯低通濾波器
權(quán)利要求
1.一種改進(jìn)的GBVS的視覺(jué)注意計(jì)算模型，原始的GBVS模型是在NVT模型基礎(chǔ)上，運(yùn)用馬爾可夫隨機(jī)場(chǎng)的特點(diǎn)構(gòu)建二維圖像的馬爾可夫鏈，再通過(guò)求其平衡分布而得到顯著圖， 具體過(guò)程為a.獲取多尺度的亮度信息對(duì)輸入的灰度圖像I首先對(duì)其使用高斯金字塔低通濾波器進(jìn)行濾波，高斯金字塔的每一階都是一個(gè)二維高斯低通濾波器G(x,y, σ) = exPl^-' J(1)σ稱(chēng)為尺度因子；所謂金字塔，就是指對(duì)原始圖像進(jìn)行不斷的1/2降采樣和高斯低通濾波，最終得到一組不同尺度下的濾波結(jié)果；b.獲取多尺度的方位信息用Gabor金字塔濾波器組對(duì)原始灰度圖像進(jìn)行濾波，以得到方向上的信息；二維Gabor濾波器表示如下1 ( x2+v2￥TXk 1H (χ, y, σ,θ) = -^ exp -π-^^ esp(i 2π/ {χ cos θ + ysmff))-exp(--) (2).# ( CT 兒2 J其中τ力尺度因子，/為正弦波頻率，5為方位取, ^ π π 3λ" θ= O,—,—,—— L 4 2 4 _即在四個(gè)方向上濾波，得到四組不同尺度下的濾波結(jié)果；c.求不同尺度和不同特征圖的馬爾可夫平衡對(duì)上述兩個(gè)通道五組結(jié)果中的每一組內(nèi)每一個(gè)尺度的濾波結(jié)果，求其馬爾可夫平衡分布；d.計(jì)算顯著圖將所有組所有尺度的濾波結(jié)果依次計(jì)算出平衡分布后，將結(jié)果按照通道疊加起來(lái)并歸一化；再將兩個(gè)通道的結(jié)果線(xiàn)性相加并歸一化得到最終的顯著圖，其大小與原始圖像一致；其特征在于對(duì)GBVS模型作如下改進(jìn)(1)僅使用兩個(gè)尺度，且將方向?yàn)V波器的數(shù)目從四個(gè)擴(kuò)展到八個(gè)；(2)對(duì)原始圖像進(jìn)行Hough變換并作為單獨(dú)的一個(gè)通道加入到模型中，將檢測(cè)到的直線(xiàn)用值為’ 1’的像素表示，并用高斯函數(shù)平滑，得到Hough通道的特征圖；最后將其與亮度通道、方向通道的特征圖等權(quán)重相加并歸一化，得到最終顯著圖；(3)將前述的顯著圖與經(jīng)過(guò)一次濾波的原始灰度圖像相乘，得到新的顯著圖，并作為最終結(jié)果。
2.一種基于選擇性視覺(jué)注意機(jī)制的遙感圖像機(jī)場(chǎng)目標(biāo)檢測(cè)與識(shí)別方法，其特征在于具體步驟如下(1)訓(xùn)練從原始的灰度圖像中選取一些作為訓(xùn)練樣本并提取SIFT特征點(diǎn)，把得到的 SIFT特征點(diǎn)對(duì)應(yīng)的特征向量分成兩類(lèi)屬于機(jī)場(chǎng)區(qū)域的標(biāo)記為1，屬于背景區(qū)域的標(biāo)記為 0，然后把這些帶有標(biāo)簽的訓(xùn)練向量帶入到HDR樹(shù)中進(jìn)行訓(xùn)練；(2)預(yù)處理對(duì)于一幅待識(shí)別的圖像，首先對(duì)其是否存在機(jī)場(chǎng)目標(biāo)做一個(gè)初步的判斷， 具體的做法是對(duì)原始圖像進(jìn)行二值化處理后做Hough變換，如果存在一定范圍長(zhǎng)度內(nèi)的直線(xiàn)，則認(rèn)為可能存在機(jī)場(chǎng)并進(jìn)行顯著性分析，否則直接按無(wú)目標(biāo)跳過(guò)；(3)生成顯著圖對(duì)于含有目標(biāo)的圖像，用如權(quán)利要求1所述的改進(jìn)的GBVS模型生成它的顯著圖；(4)生成候選區(qū)記顯著圖上最大像素值為/_:，第一步，從顯著圖中最亮的一個(gè)點(diǎn)向周?chē)肃徲蚍较蛏L(zhǎng)，如果某個(gè)方向上有某個(gè)像素值小于最亮點(diǎn)像素值的倍則該方向停止生長(zhǎng)，其中力取值在
間的閾值；這一過(guò)程直到所有方向上的生長(zhǎng)都停止為止；第二步，將生長(zhǎng)完成的區(qū)域的外接矩形框畫(huà)出來(lái)，此即為一個(gè)候選區(qū)域，然后將該候選區(qū)域內(nèi)的所有像素值清零，以免被再次選中；第三步，計(jì)算上個(gè)候選區(qū)清零后的顯著圖中的最亮點(diǎn)的像素值，如果小于χ ,則表明所有候選區(qū)已提取完畢，進(jìn)行下一環(huán)節(jié)；否則回到第一步以提取新的候選區(qū)；(5)特征識(shí)別對(duì)上步提取得到的候選區(qū)依次提取SIFT特征點(diǎn)和對(duì)應(yīng)的特征向量，并把特征向量代入到訓(xùn)練好的HDR樹(shù)中進(jìn)行識(shí)別，獲得每個(gè)特征點(diǎn)的標(biāo)簽，待所有特征點(diǎn)標(biāo)識(shí)完畢，計(jì)算各個(gè)候選區(qū)域的特征比柱打…—標(biāo)簽為1的特征點(diǎn)數(shù)…兀―該區(qū)域內(nèi)特征點(diǎn)總數(shù)⑶(6)確定機(jī)場(chǎng)區(qū)域先前的候選區(qū)提取是按照顯著性從大到小的順序確定候選區(qū)域的，那么每個(gè)候選區(qū)域有兩個(gè)評(píng)價(jià)參數(shù)顯著性次序和特征比；先只觀(guān)察特征比而不考慮區(qū)域顯著性，如果只有一個(gè)區(qū)域的特征比大于設(shè)定的閾值於 ，則該區(qū)域即為機(jī)場(chǎng)區(qū)域，不再考察其它區(qū)域；若沒(méi)有這樣的區(qū)域，則按照區(qū)域的顯著性大小次序依次考察各個(gè)候選區(qū)，只要考察的區(qū)域內(nèi)含有機(jī)場(chǎng)特征點(diǎn)，便將該區(qū)域判定為機(jī)場(chǎng)區(qū)域。
全文摘要
本發(fā)明屬于遙感圖像目標(biāo)檢測(cè)與識(shí)別技術(shù)領(lǐng)域，具體為一種基于選擇性視覺(jué)注意機(jī)制的遙感圖像機(jī)場(chǎng)目標(biāo)快速檢測(cè)和識(shí)別的方法。本發(fā)明用改進(jìn)后的注意力選擇模型GBVS(Graph-basedVisualSaliency)對(duì)原始遙感圖像進(jìn)行顯著性分析，得到顯著性區(qū)域，并根據(jù)區(qū)域上的SIFT(Scale-invariantFeatureTransform)特征結(jié)合HDR(HierachicalDiscriminantRegression)樹(shù)達(dá)到機(jī)場(chǎng)目標(biāo)識(shí)別的目的。本發(fā)明能有效地克服傳統(tǒng)機(jī)場(chǎng)檢測(cè)方法中對(duì)圖像逐像素分析的缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明，本發(fā)明較現(xiàn)有的其它機(jī)場(chǎng)檢測(cè)方法具有速度快、識(shí)別率高、虛警率低的特點(diǎn)，同時(shí)對(duì)噪聲有較強(qiáng)的魯棒性，非常適用于軍事和民用領(lǐng)域復(fù)雜背景下的實(shí)時(shí)目標(biāo)檢測(cè)，對(duì)于實(shí)際應(yīng)用具有較大的意義和價(jià)值。
文檔編號(hào)G06K9/00GK102214298SQ20111016600
公開(kāi)日2011年10月12日 申請(qǐng)日期2011年6月20日 優(yōu)先權(quán)日2011年6月20日
發(fā)明者張立明, 王斌, 王鑫 申請(qǐng)人:復(fù)旦大學(xué)