一种基于迭代聚类的多幅遥感影像共性显著目标检测方法与流程

本发明属于遥感影像处理技术领域，具体涉及一种基于迭代聚类的多幅遥感影像共性显著目标检测方法。

背景技术：

近年来，卫星技术、遥感技术等不断发展，人类已经实现了全方位、全天候、多角度的对地观测。随着高分辨率遥感卫星的迅速发展，遥感影像的数量也不断增长。遥感影像目标检测有助于合理分配后续处理的计算资源，减少后续处理的复杂度。因而成为遥感影像处理技术中的重点研究问题。

现有的遥感影像目标检测方法可分为自顶向下和自底向上两大类。一是自顶向下的方法。这类方法首先对已知目标物体的颜色、纹理、亮度等特征进行机器学习，然后根据学习到的特征进行目标检测。自顶向下的方法需要利用大量先验知识，因此计算复杂度较高，针对不同目标适应性较差。二是自底向上的方法。此类方法基于图像的视觉显著性分析，可以有效提高目标检测效率。显著性分析是受人类视觉系统的显著性注意机制启发而来，现有的显著性分析方法可以分为基于生物模型的方法、基于计算模型的方法，以及基于混合模型的方法三类。itti方法(itti)是最为经典的基于生物模型的算法，也是诸多后续显著性分析方法的基础。该方法通过计算图像线性中央-周边差模仿人类视觉感受野，进行多尺度颜色、亮度和方向特征提取，随后通过多尺度特征融合得到单一尺度的特征显著图，最后通过神经网络进行特征点选取。基于计算模型的方法中，基于频率调谐的方法(ft:frequencytuned)首先对图像进行高斯差分滤波得到图像低频信息，然后通过计算图像低频信息与原图像差值得到最终显著图。ft方法得到的显著区域具有良好的边界。基于混合模型的方法中，基于图论的方法(gbvs:graphbasedvisualsaliency)通过对图像的前景和背景元素进行相似性度量，并根据各元素与预设的种子或序列的相似性计算其显著性。

基于单幅图像的显著性分析方法在自然景物图像以及遥感影像的目标检测中取得了较好的效果。由于基于单幅图像的显著性分析方法不能有效利用图像间的共性信息，因而所获得的显著图仅标示单张图像中显著值较高的区域。但对于一些图像来说，显著值较高的区域并不一定是所需的目标区域。尤其对于地物特征较为复杂的遥感影像而言，单幅图像中很可能出现与目标区域具有相似特征的背景区域或者与目标区域相比具有更高显著值的背景区域。而基于单幅图像的显著性分析方法无法对具有相似或者更高显著值的背景区域进行有效抑制。

本发明的一个重要特点是：能够对具有相似地物特征的多幅遥感影像完成共性显著目标的准确、高效检测。在具有相似地物特征的多幅遥感影像中，当大多数遥感影像都具有视觉显著性较高的同一类目标区域时，这一类目标就被称为共性显著目标。将共性显著目标检测方法引入遥感影像处理领域，利用多幅影像所共有的显著特征，互相给出参考信息，可以有效抑制这些影像中显著性较高的背景干扰，从而准确、高效地检测出多幅遥感影像的共性显著目标。

本发明已获得国家自然科学基金项目：“基于联合显著性分析的遥感影像感兴趣区域提取关键技术研究”(编号：61571050)的大力资助。

技术实现要素：

针对以上技术中存在的问题，本发明提供了一种基于迭代聚类的多幅遥感影像共性显著目标检测方法。该方法首先计算多幅遥感影像的灰度共生矩阵，获得灰度共生矩阵的对比度、能量、熵、相关性四个参数，结合遥感影像的长度与宽度，计算超像素数目；然后根据超像素数目对遥感影像完成超像素分割并对分割结果进行k-means聚类，计算类间显著性，得到影像的初始显著图；其次对所有初始显著图进行目标分割，将分割结果再次进行基于超像素的k-means聚类并计算类间显著性，得到影像的最终显著图；最后利用阈值分割获得多幅遥感影像的共性显著目标。本发明方法在有效抑制背景干扰的同时能够准确提取多幅遥感影像的共性显著目标，可用于环境监测、土地规划等多个领域。本发明主要关注两个方面：

1)准确地提取多幅遥感影像中的共性显著目标，提升遥感影像目标检测精度

2)有效抑制图像中显著值较高的背景信息

本发明所采取的技术方案为：首先对多幅遥感影像中的每幅影像分别计算灰度共生矩阵，根据灰度共生矩阵的对比度、能量、熵、相关性四个参数并结合影像的长度与宽度，计算出每幅遥感影像所需的超像素数目；其次，根据得到的超像素数目对多幅遥感影像中的每幅影像进行超像素分割，并对超像素分割结果进行k-means聚类，得到不同地物信息所对应的类，计算类间显著性，得到多幅遥感影像中每一幅影像的初始显著图。再次，对所有初始显著图进行目标分割，并将目标分割结果再一次进行基于超像素的k-means聚类，计算类间显著性，得到多幅遥感影像的最终显著图，最后利用阈值分割完成多幅遥感影像共性显著目标的自动检测。具体包括以下几个步骤：

步骤一：对多幅遥感影像中的每幅影像计算灰度共生矩阵，然后利用灰度共生矩阵的对比度、能量、熵、相关性四个参数，同时结合影像的长度与宽度，计算每幅遥感影像所需的超像素数目k；

步骤二：根据步骤一得到的超像素数目对多幅遥感影像中的每幅影像进行超像素分割，得到超像素分割后的多幅遥感影像；

步骤三：计算超像素分割后每幅遥感影像中每个超像素的颜色平均值，将其作为该超像素的颜色均值，基于超像素的颜色均值对超像素分割后的所有遥感影像进行k-means聚类；

步骤四：利用k-means聚类结果统计每一类的颜色直方图，然后根据颜色直方图计算类间颜色距离，基于类间颜色距离与空间加权信息计算类间显著性，最终得到多幅遥感影像中每幅影像的初始显著图；

步骤五：对每幅遥感影像的初始显著图使用最大类间方差法进行阈值分割，从而将这些初始显著图分割为目标区域与背景区域两类，最终得到多幅遥感影像中每幅影像的初始目标分割影像；

步骤六：将超像素数目k减半，然后对每幅遥感影像的初始目标分割影像进行超像素分割，再次利用k-means算法对超像素分割后的所有初始目标分割影像进行聚类，统计聚类结果中每一类的颜色直方图，然后根据颜色直方图计算类间颜色距离，再次基于类间颜色距离与空间加权信息计算类间显著性，得到多幅遥感影像中每幅影像的最终显著图；

步骤七：对每幅影像的最终显著图使用最大类间方差方法进行阈值分割，从而提取出多幅遥感影像的共性显著目标。

本发明方法以超像素为基础单位进行共性显著目标检测，最大限度地保证区域完整性，避免目标检测碎片化；同时选择更小的超像素进行基于超像素的迭代聚类，进一步抑制目标周边具有相似特征的背景区域。

附图说明

图1为本发明的流程图。

图2为本发明所使用多幅遥感影像中的一幅示例影像。

图3为本发明示例影像最终显著图与目标检测结果，(a)为示例影像最终显著图，(b)为示例影像目标检测结果。

图4为本发明方法与ft方法、itti方法、gbvs方法示例影像最终显著图结果比较，(a)为ft方法显著图，(b)为itti方法显著图，(c)为gbvs方法显著图，(d)为本发明方法显著图。图5为本发明方法与ft方法、itti方法、gbvs方法示例影像最终目标检测结果比较，(a)为ft方法目标检测结果，(b)为itti方法目标检测结果，(c)为gbvs方法目标检测结果，(d)为本发明方法目标检测结果。

图6为示例影像的地面实况(ground-truth)标识图。

图7为本发明方法与ft方法、itti方法、gbvs方法的受试者工作特征roc(roc:receiveroperatingcharacteristic)曲线图。

具体实施方式

下面结合附图对本发明做进一步详细说明。本发明的总体框架如图1所示，现介绍每一步实现细节。

步骤一：对多幅遥感影像中的每幅影像计算灰度共生矩阵glcm，然后利用灰度共生矩阵的对比度con、能量asm、熵ent、相关性corr四个参数值，同时结合影像的长度m与宽度n，计算遥感影像的超像素数目k；具体过程如下：

遥感影像p的灰度范围为[0,g-]1，p(i,j)为遥感影像p中坐标为(i,j)i∈{1,…,m},j∈{1,…,n}的像素的灰度值。从图像中灰度值为x的像素出发，统计与其距离d＝1灰度值为y的像素(i+a,j+b)出现的频度，记为灰度共生矩阵glcm(x,y)，其中a²+b²＝d²。灰度范围为[0,g-1]的遥感影像，其灰度共生矩阵glcm(x,y)为g×g的矩阵，glcm(x,y)计算公式如下：

glcm(x,y)＝{(i,j),(i+a,j+b)∈m×n|p(i,j)＝x,p(i+a,j+b)＝y}

x∈{0,…,g-1},y∈{0,…,g-1}

灰度共生矩阵glcm的对比度con、能量asm、熵ent、相关性corr四个参数值计算公式如下：

其中μx和σx分别为该图像灰度分布的均值和标准差且有μx＝μy，σx＝σy。

利用对比度con、能量asm、熵ent、相关性corr四个参数值，计算得到纹理特征权重w。

然后利用遥感影像长度m、宽度n与纹理特征权重w，计算得到超像素数目k。

步骤二：根据步骤一得到的超像素数目对多幅遥感影像中的每幅遥感影像进行超像素分割，在本发明中使用了slic(slic:simplelineariterativeclustering)超像素分割方法，对遥感影像每一个像素标记所属超像素sp(i,j)＝slick(p(i,j))，k表示超像素数目，得到超像素分割后的多幅遥感影像；

slic超像素分割方法首先在图像中均匀选择k个初始种子点，每个超像素以这些种子点为中心，初始大小为m×n/k，然后针对图像中的其它像素，计算其与k个种子点的距离，并将其分配到距离最近的种子点所属的超像素，最后更新种子点位置。重复上述过程，直到新的种子点与原种子点的距离小于设定的阈值，算法收敛，得到超像素分割结果。

步骤三：计算超像素分割后每幅遥感影像中每个超像素的颜色平均值，将其作为该超像素的颜色均值，基于超像素的颜色均值对超像素分割后的所有遥感影像进行k-means聚类，得到不同地物信息所对应的类；

k-means聚类方法首先在数据集中选取c个质心，然后对于数据集中的其它数据点，计算其与c个质心的距离，将其分配到距离最近的质心所属的类，最后对已经得到的c个类重新计算质心。重复上述过程，直到新的质心与原质心的距离小于设定的阈值，算法收敛，得到聚类结果。在本发明方法中取c＝3。

步骤四：利用k-means聚类结果统计每一类的颜色直方图，然后根据颜色直方图计算类间颜色距离，基于类间颜色距离与空间加权信息计算类间显著性，最终得到多幅遥感影像中每幅影像的初始显著图；具体过程如下：

首先计算步骤三所得到的聚类结果中每一类的颜色直方图，随后根据颜色直方图计算类间颜色距离d(ci,cj)。

其中l表示图像中不同颜色总数目，fi,l是类ci中第l种颜色在l种颜色总数出现的频率，fj,l类cj中第l种颜色在l种颜色总数在出现的频率；

随后计算空间加权信息得到每一类的显著值s(ci)。

其中d(ci,cj)为类ci与类cj质心的欧式距离，σ²＝0.4；r(cj)是类cj的像素数量与影像中像素总数之比。最终根据原遥感影像中每一像素所属类获得各个像素显著值，得到多每幅遥感影像的初始显著图。

步骤五：对每幅遥感影像的初始显著图使用最大类间方差法进行阈值分割，得到每幅初始显著图的最佳分割阈值，从而将这些初始显著图分为目标区域与背景区域两类，以二值图像bw(i,j)表示。生成的二值图像与原遥感影像相乘，最终得到多幅遥感影像中每幅影像的初始目标分割影像roi(i,j)。

步骤六：将超像素数目k减半，然后对每幅遥感影像的初始目标分割影像进行超像素分割，再次利用k-means算法对超像素分割后的所有初始目标分割影像进行聚类，统计聚类结果中每一类的颜色直方图，然后根据颜色直方图计算类间颜色距离，再次基于类间颜色距离与空间加权信息计算类间显著性，得到多幅遥感影像中每幅影像的最终显著图；

步骤七：对每幅遥感影像的最终显著图使用最大类间方差方法进行阈值分割，得到每幅遥感影像最终显著图的最佳分割阈值，从而将这些最终显著图分为目标区域与背景区域两类，以二值图像表示。生成的二值图像与原遥感影像相乘，得到多幅遥感影像的共性显著目标。

本发明的效果可通过以下实验结果与分析进一步说明：

1.实验数据

实验所用数据为来自spot5卫星的北京市郊区遥感影像，从影像中剪切若干512×512大小的影像作为实验数据，对本发明所采用实验数据示例如图2所示：

2.对比实验及实验评价指标

本发明方法对示例影像的最终显著图结果与目标检测结果如图3所示。本发明方法对比了传统的ft方法、itti方法和gbvs方法。从主观上分别对比了不同方法生成的显著图和目标检测结果，分别如图4和图5所示。图4中，(a)为ft方法生成的显著图，(b)为itti方法生成的显著图，(c)为gbvs方法生成的显著图，(d)为本发明方法生成的显著图。图5中，(a)为ft方法目标检测结果，(b)为itti方法目标检测结果，(c)为gbvs方法目标检测结果，(d)为本发明方法目标检测结果。

发明还使用roc(roc:receiveroperatingcharacteristic)曲线(又称受试者工作特征曲线)从客观上评价上述目标检测方法。roc曲线是一个展现二值分类器效果的二维平面曲线，横坐标为假阳性率(falsepositiverate，fpr)，纵坐标为真阳性率(truepositiverate，tpr)。

fpr为图像中被错误标记为目标区域的非目标区域所占总非目标区域的比例。tpr为图像中被正确标记的目标区域所占总目标区域的比例。通过改变对显著图的切割阈值，使其在灰度范围[0-255]内变化，得到一系列二值图像同时计算得到一系列的fpr值与tpr值，绘制得到roc曲线。

图像的真实目标区域用gt(i,j)表示，fpr与tpr的计算公式为：

图6为已标识的地面实况(ground-truth)。图7为roc曲线图。roc曲线图中，当fpr值相同时，tpr值越高，表示方法正确检测的区域越多。从图中可以看出本发明的方法性能明显优于ft方法、itti方法与gbvs方法。