[发明专利]一种基于稀疏指引与显著驱动的遥感目标检测方法

说明书

一种基于稀疏指引与显著驱动的遥感目标检测方法，其步骤为：①将输入的遥感图像分为子块，提取全局颜色特征聚类形成全局字典，同时提取图像边缘子块的颜色特征聚类形成背景字典；②分别利用所述全局字典和背景字典对输入的所有图像子块进行稀疏表示，得到全局和背景稀疏表示系数；③对步骤②得到的稀疏表示系数聚类生成全局和背景显著图；④对步骤③中所述全局和背景显著图进行平滑去噪后再利用贝叶斯融合得到最终显著图，获得显著目标区域；⑤对步骤④检测到的显著目标区域及采集的训练样本分别提取颜色特征和纹理特征，并用最大值约束稀疏编码模型进行稀疏表示；⑥利用步骤⑤获得的稀疏表示系数对所述显著目标区域进行目标类别识别。本发明可以准确、快速地从复杂背景中检测并识别出感兴趣的遥感目标，效果突出。

技术领域

本发明属于计算机视觉与图像处理的应用领域，涉及针对遥感图像的稀疏驱动显著性检测方法和最大值约束稀疏模型的目标识别方法。该方法首先通过稀疏表示挖掘出图像子块间的类别信息，对遥感图像进行显著区域的提取，这些显著区域包含潜在目标，缩小了后续的目标检测或者识别的候选区域范围，然后再利用最大值约束稀疏编码模型对检测到的显著区域进行类别识别，这样不仅能快速对遥感图像中的显著目标定位，还能进一步判别出目标类别，在减少了算法目标搜索时间的同时，还提高了遥感目标的检测性能。

背景技术

遥感图像的目标检测技术无论对于军事领域还是民用领域都具有至关重要的意义。在军事领域，对于军事打击目标的检测需求来说，要求能够精确、快速地获得目标位置信息， 以减少误检和漏检造成的损失。在民用方面，对于资源勘查、自然灾害评估和救援、城市规划、地理数据信息库的建立与更新等方面发挥着不可或缺的作用。遥感图像的物理属性决定了图像中感兴趣目标存在不同空间分布和时相变化等属性，根据目标在遥感图像中的成像特点，可将遥感图像中的目标分为四类：区域目标、点目标、线目标和结构目标。显著性检测的方法适用于区域目标(草地、水域、人工建筑群等)和结构目标(机场、油库等)的检测。近年来，视觉显著性检测被广泛应用在遥感目标的检测与识别中，通过提取遥感图像中感兴趣的区域来获得包含潜在目标的区域作为下一步检测或识别的对象。通过显著性检测，能够避免对背景区域进行全局遍历搜索，大大减少了计算量和检测时间，提高了检测和识别的效率。

综上所述，传统的显著性检测方法针对具有复杂背景和环境干扰的遥感图像的应用效果并不理想。单纯的利用底层特征来计算显著性，虽然简单却容易丢失显著区域的边界信息或者内部信息；而采用基于任务的自顶向下的方法，计算复杂且耗时。目前，部分显著性模型在底层特征的基础上学习到高层特征来计算图像的显著性，较比之前基于底层特征形成显著图有很大的改善，但是对于背景复杂的遥感图像来讲，仍然不能将目标区域全面、准确的提取出来。同时显著性检测的方法只提取出遥感图像中的显著区域，并不能对显著区域的类别进行识别，当图像中检测到多个显著区域时，单纯利用显著性检测的方法就很难判别显著区域的类别信息。因此，针对遥感图像，在进行显著性检测基础上还要利用分类器对显著区域进行识别，不仅能准确地对图像中的遥感目标定位，还可以判断出目标的类别信息。

发明内容

本发明提出一种基于稀疏指引与显著驱动的遥感目标检测方法，其特征在于：包括如下步骤：

步骤1：将输入的所述遥感图像分为若干个子块，提取全局子块的颜色特征，聚类形成全局字典，同时提取处于图像边界的子块的背景颜色特征，聚类形成背景字典；

步骤2：利用所述全局字典对输入的所述遥感图像的所有子块进行稀疏表示，得到全局稀疏表示系数，利用所述背景字典对输入的所述遥感图像的所有子块进行稀疏表示，得到背景稀疏表示系数；

步骤3：分别对所述全局稀疏表示系数和所述背景稀疏表示系数进行最大池化处理，将所述池化处理后的全局稀疏表示系数聚类生成全局显著图，将所述池化处理后的背景稀疏表示系数聚类生成背景显著图；

步骤4：采用目标偏置的高斯模型分别对所述全局显著图和所述背景显著图进行平滑去噪处理；