布密度直接作为依据进行感兴趣区域提取,会有效提高提取效率。
[0131 ]二、干扰区域几何特性分析及鉴别:
[0132] 人工地物中的油库与居民区这两类集群类目标在一定程度上互为干扰区域。居民 区的建筑物占地面积比工业园区的建筑物小,但一些非居民区大型建筑的非平整顶部局部 会形成面积较小的高颜色显著性区域,给居民区目标造成干扰。城市中的居民区一般与商 业区相邻,同为城市建筑物,商业区的存在会给居民区的提取造成一定的干扰。表3、表4和 表5比较了目标区域及干扰区域的相同点和不同点。
[0133] 表3油库与化工原料罐特性分析
[0134]
[0135]表4居民区与非居民区大型建筑非平整顶部特性分析
[0136]
[0137] 表5城市居民区与商业区特性分析
[0138]
[0139] 三、感兴趣自然地物区域特性分析:
[0140] 不同于上节分析的通常具有规则形状或分布的人造地物,如建筑物通常呈方形或 长方形,道路呈线形,而自然地物通常没有特定的形状。
[0141] 以水体为例,遥感影像中水体的特性主要取决于其光谱特征。水体的反射特性主 要由水体中混合物质成分和水体的状态、水面的入射辐射、表面粗糙度、日照角与观测角 度、气-水界面的相对折射率等主要因素有关。在可见光波段〇.6μπι之前,水的吸收率和反射 率都很低,透射量很大,反射率仅为入射能量的5%左右,并随着太阳高度的变化呈3%~ 1 〇 %不等的变化。在蓝-绿光波段反射率为4%~5 %,0.6μπι以下的红光部分反射率降到2% ~3%。水体表面的平静或者光滑程度不同,其反射率也不同。纯净且平静的水体反射率非 常低,但是波浪会使得该水体的局部具有很高的反射率,其图像的直接表现是局部发亮即 具有很高的亮度。水体泥沙含量不同其反射率也不同,随着浊水浑浊度的增加,水体在整个 可见光谱段的反射亮度都会增加,水体由暗变得越来越明亮。然而在不同分辨率下,其特性 基本保持不变。
[0142] 四、基于视觉注意机制的感兴趣区域提取:
[0143] 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。
[0144] 过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,将视觉注意机制的心理学模型的计算模型应 用于工程中,最终实现了基于视觉注意机制的R0I提取。
[0145] 视觉注意机制典型模型,包括包括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);
[0146] 为比较I tt i、SR和HC三种不同算法生成的显著图的效果,分别对大小为1024 X 1024及2048 X 2048的图像进行处理,见图1和图2;
[0147] 并且对Itti、SR和HC三种不同算法时间复杂度进行了对比,见图3;
[0148] Itti、SR和HC三种不同算法模型优缺点比较,如表6所示;
[0149] 表6111 i、SR、HC三种算法模型比较
[0150]
[0151] 五、目标感兴趣区域提取:
[0152] 对大幅面遥感影像目标感兴趣区域的提取既要保证提取区域有效又要权衡算法 复杂度,本发明针对油库及居民区两种人造集群目标以及以水体为例的自然地物,结合自 底向上刺激驱动及自顶向下的目标驱动两种视觉注意机制,设计出完整的大幅面遥感影像 目标感兴趣区域提取方法,整体思路如图4所示。
[0153] (1)基于自底向上刺激驱动机制的一级R0I提取:
[0154] 针对HC算法纹理敏感性过高的缺点,本发明在HC算法基础之上提出多层重滤波颜 色直方图对比度显著性检测算法(Multiple Histogram Contrast,MHC)〇
[0155] 首先我们设定一个高斯模板对原始图像进行滤波,改变滤波次数,可以生成若干 幅图像,相比于改变高斯模板参数,改变滤波次数更简便,可控性好。
[0156]原始图像1〇经过见…化次高斯滤波后的图像为Ir"In,然后对生成的每幅图像进行 HC显著性计算,对应的HC显著图Hk可表示为
[0157] Hk = SMHc(Ik),k = 0,l,2, · · ·,n (18)
[0158] 其中,SMhc为HC显著性检测算子。
[0159]将最终的合成显著图定义为:
[0160] S = Ho*Hi*. . ·*Ηη (19)
[0161] 式中(*)为矩阵对应元素相乘的运算符。
[0162] 实验发现,三层重滤波合成的显著图可以达到足够好的检测效果。当采用三层重 滤波时,滤波次数Λ、犯的选择要结合目标尺寸,背景纹理及图像分辨率综合考虑,优先考虑 目标尺寸,最高滤波次数N max以不破坏目标可见性为最低标准,其次考虑背景纹理,若背景 纹理性弱,可适当降低滤波次数,若背景纹理性强,可适当提高滤波次数。这一过程要求在 不破坏目标可见性及能较有效去除纹理的前题下尽可能降低滤波次数,以保证目标的清晰 度。
[0163] 超像素分割的目的是去除显著性低的区域,保留显著性高的区域。该方法将若干 个实际像素组成的一个正方形区域作为一个超像素。得到二值图像后,每个超像素中所含 值为1的像素个数定义为超像素重W,将超像素重W小于Wo的超像素舍去,剩余部分即一级 R0I,超像素重阈值Wo的设定由目标在原始图像中所占像素个数决定。
[0164] (2)基于自顶向下目标驱动机制的二级R0I提取:
[0165] 依据目标几何特性对目标进行初步基于自顶向下机制的二级R0I提取,而后对所 提取区域进行基于重心密度分布的显著性检测。
[0166] 该部分提取以目标的分布特性作为先验知识进行自顶向下的提取,重心密度分布 图通过一个η Xn的全1模板与重心分布图卷积得到,模板的大小至少能覆盖若干个目标个 体,故卷积得到的每个像素的值即为该像素周围ηΧη大小区域内所包含满足几何条件的连 通域个数。
[0167] 对于油库目标的模板大小及重心密度阈值设定,由于油罐这类特殊建筑在几何特 性提取之后就能得到可靠性较高的连通域,油库中可能会存在成像效果不好的油罐在几何 特性提取过程中被遗漏,且油库中可能会有个别油罐脱离阵列分布,所以在模板大小固定 的情况下重心密度阈值应当偏低一些才能把整个油库划在感兴趣区域内。重心密度设为3 或4为宜,此时当模板完全覆盖油库时应包含10个油罐,每个油罐直径取20m,油罐外接矩形 占地面积大约占油罐阵列的1/4,故10个油管组成的阵列面积应约为64000m 2,近似为256m X 256m方块,即模板边长1为:
[0169] 式中a为图像空间分辨率。
[0170] 如一幅图像分辨率为0.5米,设重心密度阈值为3,则模板大小为512X512像素,得 到的重心密度分布显著图及油库二级R0I如图5所示。
[0171] 若一幅图中居民区中建筑物大约占 m像素,居民区建筑占地面积大约为居民区的 1/4,当使用ηΧη的模板,模板全部覆盖居民区时模板内应包含的目标个数为:
[0173]如一幅图中居民区建筑大约占700像素,使用大小为256X256的模板,得到的重心 密度分布显著图和提取到的居民区二级R0I如图6所示。
[0174] 六、结果及分析:
[0175] (1)油库目标感兴趣区域提取结果:
[0176]用于提取油库目标感兴趣区域的遥感数据分别为大小为30636X9724、像素分辨 率0.5米的国情地理普查彩色图像,和大小为13348 X 17999、像素分辨率为2米的GF-1大连 全色图像,油库目标感兴趣区域提取结果如图7、图8所示。
[0177] 提取结果用查准率P(Precision Ratio)和查全率R(Recall Ratio)进行评价:
[0180]式中,S为提取到的正确目标感兴趣区域面积,Ssum为提取到的全部感兴趣区域面 积,Srcil为图像中所有目标感兴趣区域面积,则虚警面积即过提取区域面积为Sf = Ssum-S。
[0181 ]油库目标感兴趣区域提取结果分析,见表7;
[0182] 表7油库目标感兴趣区域提取结果分析
[0183]
[0184] 结果1是由高分辨率彩色图像提取得到,而结果2是由高分辨率全色图像提取得 到,由于