[发明专利]一种基于监督方法的遥感图像潜在目标区域检测方法

说明书

技术领域

本发明属于遥感图像处理领域，涉及一种基于监督方法的遥感图像潜在目标区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标区域检测和精确定位。

背景技术

遥感图像的目标检测是随着遥感技术的发展而兴起的一项新技术，具有作用距离远、覆盖范围广、执行效率高等方面的优点，同时也有着重要的军事意义和民用价值。复杂场景遥感图像的目标检测，就是在遥感图像分析和解译的过程中，针对特定的一类或几类目标，自动的提取出对解译推理有用的关键性信息，并分析计算其相关属性，为进一步的解译检测提供证据。此时的复杂场景，也正是由于遥感图像覆盖面积广，包含目标多，纹理特征复杂，识别难度大而得名。

目前主要的遥感图像目标检测算法主要有两种思路：自底向上的底层特征驱动型和自上而下的任务驱动型。由于对于遥感图像来说，一幅图像往往会包含很大范围的场景，信息量大，纹理复杂，颜色丰富，如果能够合理的将这些信息中的有用部分结合起来，则可以得出令人满意的检测结果。当然如果能够借助特定任务目标的先验知识，这将可以减少计算量，增加识别精度，例如在进行桥梁检测和水体检测时，一些学者根据桥梁和水域的特征提出了一种基于小树变换的水域分割方法和知识驱动的桥梁检测方法。他们首先对全色高分辨率遥感图像根据桥梁先验知识建立桥梁知识库，利用小树变换进行特征提取并分割水域，随后进行数学形态学运算以连通水域，将连通前后的水域做差得到可能的桥梁片段，然后由可能的桥梁片段检测桥梁候选区，最后进行特征匹配检测出桥梁。但是此类算法有几点缺陷：第一，该算法首先需要根据人工选取的初始种子点确定水域的条件，然后根据初始种子点所处位置不同自动将河流分为两部分，再由初始种子点开始分别对两部分按顺流速扫方式进行扫描，直至将河流扫描完毕。这种半自动的方法并不能够满足现在人们对目标完全自动识别的需求。第二，该算法只适应于水体和桥梁的检测，如果更换目标，则此算法将不能完成准确的目标检测。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出了一种基于监督方法的遥感图像潜在多类目标区域检测方法，可以自动地从具有复杂背景的遥感图像中检测并定位出多类目标的潜在区域，具有较好的检测结果。

技术方案

一种基于监督方法的遥感图像潜在目标区域检测方法，其特征在于步骤如下：

步骤1提取低层显著性特征分量图：将输入图像下采样为200×200个像素，然后针对图像中的每个像素提取低层显著性特征。本发明选取了一些公认的与人类视觉注意相关的并且能够触发生物刺激的特征。具体如下：

1）提取Itti模型中的3个对比性特征分量：方向对比性特征分量，强度对比性特征分量和颜色对比性特征分量；

2）提取红，绿，蓝3个颜色特征分量；

3）提取Judd模型中的5个颜色概率特征分量。这些特征分量是由5个不同尺度的中值滤波器在图像的3D颜色统计空间中计算得出的结果；

步骤2提取中层显著性特征分量图：将输入图像下采样为200×200个像素，然后选取模型SR,SDS,FT,GBVS和WSCR作为中层显著性特征分量提取方法，从频域，局部对比度，中心-边缘对比，稀疏表达等不同的角度计算输入图像的显著性特征。具体如下：

1）SR提取算法：设置尺度参数SR_scale＝3，利用SR提取算法得到显著性特征分量图SR_map，在进行SR算法提取前将原始图像缩小为原来的并设定算法中高斯平滑窗口大小为gaussian_size＝SR_scale×s，s为一常数，其范围在[0.01,0.5]，用于调节高斯平滑窗口大小；

2）SDS提取算法：利用SDS算法生成显著性特征分量图SDS_map；

3）FT提取算法：利用FT提取算法生成FT显著性特征分量图；其中设置FT提取算法中高斯平滑窗口的大小为gaussian_size＝dims×s；

4）GBVS提取算法：利用GBVS算法，提取显著性特征分量图GBVS_map；其中设置params.LINE=1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS=0，以利用随机场模型进行计算；

5）SWCR提取算法：利用SWCR算法生成显著性特征分量图SWCR_map；其中设置patch_size=25，surroundratio=5；所述patch_size∈[5,50]表示算法中用于对比的图块大小；surroundratio∈[3,9]表示中心图块周围的用于对比的区域范围；