[发明专利]一种基于多尺度特征融合的遥感图像感兴趣区域提取方法

说明书

技术领域

本发明属于遥感图像处理技术领域，是一种基于多尺度特征融合的遥感图像感兴趣区域提取方法。

背景技术

随着遥感图像空间分辨率的迅速升高，对海量遥感数据分析与处理的时间急剧增加，研究更加高效、快速的遥感图像处理方法已经成为迫在眉睫的课题，而“将遥感图像中人们感兴趣的区域准确提取，然后有针对性的分析处理”为有效降低海量遥感数据分析处理的复杂度，减少处理时间提供了很好的思路，也是目前遥感图像处理技术领域的研究热点。

视觉注意方法由于具有无需先验知识，提取感兴趣区域快速准确等优势，受到越来越多的关注。Itti等人在文章“A model of saliency-based visual attention for rapid scene analysis”中提出了具有代表性ITTI视觉注意方法。除此之外，还有学者提出了完全基于数学运算的视觉注意方法，如Hou在文章“″Saliency Detection：A Spectral Residual Approach”中提出的谱残差(SR)的方法。也有学者结合视觉注意的生理学基础和数学理论，提出了混合的视觉注意方法，其中具有代表性的是Harel等人在文章“Graph-based visual saliency”中提出的基于图论(GBVS)的方法。

小波变换因具有多尺度分析特性与较强的方向纹理描绘能力，已被广泛应用于图像的分析与处理领域，尤其是基于提升框架的整数小波，不仅继承了传统小波变换的优点，而且计算过程更为简单，无需额外存储空间，能够实现无损的整数变换。当前，已有学者将小波变换引入到视觉方法建模之中。例如，Nevrez等人在文章“A Saliency Detection Model Using Low-Level Features Based on Wavelet Transform”中提出了一种基于图像低级特征和小波变换的视觉注意方法(WT)，实现了小波变换与经典视觉注意理论的有效结合。

上述视觉注意方法虽然具有许多优点，但是直接应用于遥感图像，尤其是高空间分辨率遥感图像中却存在诸多弊端。例如，ITTI方法和GBVS方法产生的显著图分辨率过低，以至于无法实现对遥感图像感兴趣区域的精确描述，会漏检许多重要的区域。WT方法产生了与原图大小相同的显著图，但是显著图中包含许多碎片化区域。SR方法将原始图像缩小到64×64像素再进行谱残差计算，依托单一的低尺度图像生成显著图，虽然有利于对感兴趣区域的快速提取，但是会导致区域边缘过于模糊，使得感兴趣区域提取的准确度大幅降低。此外，遥感图像中包含了大量的边缘与纹理等信息，通常情况下，边缘与纹理越丰富的区域越可能成为感兴趣区域，上述方法对于遥感图像中的边缘与纹理信息检测并不理想，也加剧了对感兴趣区域的漏检、误检现象。

另一方面，目前得到广泛研究的视觉注意方法对于多尺度显著图的融合大部分采用插值到特定尺度再直接相加的方式，使得尺寸较大的感兴趣区域在显著图中不断被强化，而尺寸较小的感兴趣区域显著性则不断被削弱，可能导致无法检出。此外，尺度越粗糙，则区域的边缘会越模糊，因此，有必要对精细尺度的显著图进行增强，而对粗糙尺度的显著图进行抑制。

发明内容

由于谱残差方法不需要图像的颜色信息而且对纹理信息比较敏感，所以可以将此方法推广应用于全色遥感图像的感兴趣区域提取中。谱残差方法依托单一的低尺度图像生成显著图，虽然有利于对感兴趣区域的快速提取，但是会导致区域边缘过于模糊，使得感兴趣区域提取的准确度大幅降低。为了克服上述现有技术的不足，本发明提供了一种基于多尺度特征融合的遥感图像感兴趣区域提取方法。本发明的目的在于：

1)对谱残差方法进行改进，提出一种新的多尺度谱残差的显著性分析方法，使其能满足高空间分辨率全色遥感图像的感兴趣区域提取的应用要求；

2)构建合理的跨尺度加权和跨尺度融合算法，对精细尺度的显著图进行增强，而对粗糙尺度的显著图进行抑制，从而增强感兴趣区域的显著性，能够较为精确地描述与提取感兴趣区域。

本方法采用的技术方案为首先采用基于多尺度谱残差的显著性分析方法生成遥感图像的多尺度低频显著图，然后利用整数小波变换获取遥感图像水平、垂直和对角线方向的多尺度高频显著图，接着利用跨尺度加权与跨尺度融合策略得到亮度显著图与方向显著图，并合并两个显著图生成主显著图，最后通过最大类间方差法进行阈值分割提取最终的感兴趣区域，具体包括以下几个步骤：