基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法
【技术领域】
[0001] 本发明涉及遥感图像处理技术领域，尤其涉及基于视觉注意机制的大幅面遥感影 像感兴趣区域提取方法。
【背景技术】
[0002] 随着卫星分辨率的提高，高分辨率遥感卫星数据幅宽增大、数据量剧增，图像数据 量和复杂度的增加使目标自动识别的难度提高，相应的数据处理技术也很难适应实时有效 处理的要求;且遥感影像往往以卫星拍摄条带分景管理，数据幅宽可达十几甚至几十公里， 数据量达到1GB以上，依靠人工判读效率低，已不能满足应用需求;现有大多数研究方法或 实验中所使用的图像幅面较小，研究的前提一般是图像中已经存在需要检测的目标，缺乏 在大幅面遥感图像中搜索潜在目标的能力。
[0003] 为提高遥感图像数据的利用率、提高遥感信息自动化处理的效率和可靠性、增强 信息收集能力，本发明在分析目标及感兴趣区域的特性的基础上，引入视觉注意机制心理 学模型和计算模型，从人类视觉系统和视觉注意机制入手，研究大幅面遥感影像感兴趣区 域提取方法，实现提取过程高效化，为后续目标识别奠定基础。
【发明内容】
[0004] 本发明为解决现有遥感图像处理技术缺乏在大幅面遥感图像中搜索潜在目标的 能力，而提出基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法。
[0005] 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法，按以下步骤进行：
[0006] 步骤一、目标及感兴趣区域特性分析：
[0007] 特性分析是感兴趣区域提取(R0I)的基础，目标及感兴趣区域的特性可作为下一 级R0I提取的先验知识，通过目标的某几种几何特征的分布密度可反映目标的位置分布情 况，故目标及感兴趣区域的特性分析能够很大程度上决定R0I提取的准确性。
[0008] 目标及感兴趣区域特性分析，分别针对具有规则形状、规律性分布的人造目标，以 及形状不规则的自然地物的目标特性进行分析，研究人造目标位置分布规律及感兴趣自然 地物区域特性；
[0009] 步骤二、基于视觉注意机制的感兴趣区域提取：
[0010]视觉注意机制是人类从大量外界输入的信息中选择特定感兴趣区域的一个关键 技术，即大脑利用眼球1/10秒的速度获取重要信息，忽略不相关的部分的具有选择性和主 动性的生理和心理活动。人类视觉系统采取一种串行的计算策略，根据图像特征选择图像 特定区域，并通过快速的眼动扫描将该区域移到具有高分辨率的视网膜中央凹区，实现对 该区域的注意，来进一步对其进行更精细的观察和分析。
[0011]通过对视觉注意机制快速获取图像中的重要部分即感兴趣区域加以详细分析，可 大大提高数据的处理效率，本发明基于这种思想，将视觉注意机制计算模型应用于工程中， 最终实现了基于视觉注意机制的感兴趣区域提取。
[0012] 典型的视觉注意机制计算模型，包括Itti模型、基于傅里叶变换的残留谱方法 (SR)和全局直方图对比度模型(HC);
[0013] 步骤三、基于自底向上刺激驱动机制的一级感兴趣区域提取：
[0014] 根据步骤二的分析，针对HC模型纹理敏感性过高的缺点，在HC模型的基础上提出 多层重滤波颜色直方图对比度显著性检测算法；
[0015] 步骤三(一）、进行N层高斯重滤波；
[0016]步骤三(二）、利用全局直方图对比度模型提取N幅显著图，对应像素值相乘得到合 成HC显著图；
[0017] 步骤三(三）、显著图二值化；
[0018] 步骤三（四）、超像素分割，实现一级感兴趣区域提取；
[0019] 步骤四、基于自顶向下目标驱动机制的二级感兴趣区域提取：
[0020] 对于大幅面遥感影像，由于其大数据量及高复杂度，一级感兴趣区域提取远远不 能满足提取的要求，利用步骤一中分析得出的区域特性，采用基于自顶向下目标驱动机制 的二级感兴趣区域提取算法；
[0021] 步骤四（一）、对步骤三所得一级感兴趣区域进行连通区域标记，对标号图像计算 圆形度和矩形度，保留满足条件的区域；
[0022] 步骤四（二）、采用基于自顶向下目标驱动机制的二级感兴趣区域提取算法，计算 重心密度分布图，得到二级感兴趣区域。
[0023]本发明包括以下有益效果：
[0024] 1、本发明在分析目标及感兴趣区域的特性的基础上，引入视觉注意机制心理学模 型和计算模型，从人类视觉系统和视觉注意机制入手，研究大幅面遥感影像感兴趣区域提 取方法，实现提取过程高效化，为后续目标识别奠定基础；
[0025] 2、本发明结合自底向上和自顶向下的两种视觉注意机制，实现了大幅面高分辨率 遥感影像目标感兴趣区域的提取。
【附图说明】
[0026]图1为1024X1024像素图像不同算法显著图对比图；
[0027]图2为2048X2048像素图像不同算法显著图对比图；
[0028] 图3为Itti、SR、HC三种算法时间复杂度对比图；
[0029] 图4为感兴趣目标区域提取整体流程图；
[0030] 图5为油库目标分布特性提取结果示意图；
[0031] 图6为居民区目标分布特性提取结果示意图；
[0032] 图7为油库目标感兴趣区域提取结果1示意图；
[0033] 图8为油库目标感兴趣区域提取结果2示意图；
[0034] 图9为居民区感兴趣区域提取结果1示意图；
[0035] 图10为居民区感兴趣区域提取结果2示意图。
【具体实施方式】
[0036] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合图1至10和具体 实施方式对本发明作进一步详细的说明。
[0037]【具体实施方式】一、本实施方式所述的基于视觉注意机制的大幅面遥感影像感兴趣 区域提取方法，按以下步骤进行：
[0038]步骤一、目标及感兴趣区域特性分析：
[0039] 特性分析是感兴趣区域提取(R0I)的基础，目标及感兴趣区域的特性可作为下一 级R0I提取的先验知识，通过目标的某几种几何特征的分布密度可反映目标的位置分布情 况，故目标及感兴趣区域的特性分析能够很大程度上决定R0I提取的准确性。
[0040] 目标及感兴趣区域特性分析，分别针对具有规则形状、规律性分布的人造目标，以 及形状不规则的自然地物的目标特性进行分析，研究人造目标位置分布规律及感兴趣自然 地物区域特性；
[0041] 步骤二、基于视觉注意机制的感兴趣区域提取：
[0042] 视觉注意机制是人类从大量外界输入的信息中选择特定感兴趣区域的一个关键 技术，即大脑利用眼球1/10秒的速度获取重要信息，忽略不相关的部分的具有选择性和主 动性的生理和心理活动。人类视觉系统采取一种串行的计算策略，根据图像特征选择图像 特定区域，并通过快速的眼动扫描将该区域移到具有高分辨率的视网膜中央凹区，实现对 该区域的注意，来进一步对其进行更精细的观察和分析。
[0043] 通过对视觉注意机制快速获取图像中的重要部分即感兴趣区域加以详细分析，可 大大提高数据的处理效率，本发明基于这种思想，将视觉注意机制计算模型应用于工程中， 最终实现了基于视觉注意机制的感兴趣区域提取。
[0044] 典型的视觉注意机制计算模型，包括111 i模型、基于傅里叶变换的残留谱方法 (SR)和全局直方图对比度模型(HC);
[0045] 步骤三、基于自底向上刺激驱动机制的一级感兴趣区域提取：
[0046]根据步骤二的分析，针对HC模型纹理敏感性过高的缺点，在HC模型的基础上提出 多层重滤波颜色直方图对比度显著性检测算法；
[0047]步骤三(一）、进行N层高斯重滤波；
[0048]步骤三(二）、利用全局直方图对比度模型提取N幅显著图，对应像素值相乘得到合 成HC显著图；
[0049]步骤三(三）、显著图二值化；
[0050]步骤三（四）、超像素分割，实现一级感兴趣区域提取；
[0051] 步骤四、基于自顶向下目标驱动机制的二级感兴趣区域提取：
[0052] 对于大幅面遥感影像，由于其大数据量及高复杂度，一级感兴趣区域提取远远不 能满足提取的要求，利用步骤一中分析得出的区域特性，采用基于自顶向下目标驱动机制 的二级感兴趣区域提取算法；
[0053] 步骤四（一）、对步骤三所得一级感兴趣区域进行连通区域标记，对标号图像计算 圆形度和矩形度，保留满足条件的区域；
[0054]步骤四（二）、采用基于自顶向下目标驱动机制的二级感兴趣区域提取算法，计算 重心密度分布图，得到二级感兴趣区域。
[0055]本实施方式包括以下有益效果：
[0056] 1、本