[发明专利]一种基于监督方法的遥感图像潜在目标区域检测方法

摘要

本发明涉及一种基于监督方法遥感图像目标潜在区域检测方法，可以应用于复杂背景下的遥感图像多类感兴趣目标区域检测和定位。特征在于：在对遥感图像多类目标潜在区域进行检测时，首先提取相应的显著性特征分量，然后利用训练样本中的显著性特征进行训练得出SVM分类器参数，再将训练好的分类器用于测试图像中得到测试图像的显著图，最后利用自适应阈值分割方法对显著图进行分割，得出目标潜在区域的二值图。该方法具有较高的检测精度和较低的虚警率，与现有方法相比具有明显优势。

主权项

1.一种基于监督方法的遥感图像潜在目标区域检测方法，其特征在于步骤如下：步骤1提取低层显著性特征分量图：将输入图像下采样为200×200个像素，然后针对图像中的每个像素提取低层显著性特征，具体如下：1）提取Itti模型中的3个对比性特征分量：方向对比性特征分量，强度对比性特征分量和颜色对比性特征分量；2）提取红，绿，蓝3个颜色特征分量；3）提取Judd模型中的5个颜色概率特征分量；这些特征分量是由5个不同尺度的中值滤波器在图像的3D颜色统计空间中计算得出的结果；步骤2提取中层显著性特征分量图：将输入图像下采样为200×200个像素，即dims＝[200,200]，然后选取模型SR,SDS,FT，GBVS和WSCR作为中层显著性特征分量提取方法，具体如下：1）SR提取算法：设置尺度参数SR_scale＝3，利用SR提取算法得到显著性特征分量图SR_map，在进行SR算法提取前将原始图像缩小为原来的并设定算法中高斯平滑窗口大小为gaussian_size＝SR_scale×s，s为一常数，其范围在[0.01,0.5]，用于调节高斯平滑窗口大小；2）SDS提取算法：利用SDS算法生成显著性特征分量图SDS_map；3）FT提取算法：利用FT提取算法生成FT显著性特征分量图；其中设置FT提取算法中高斯平滑窗口的大小为gaussian_size＝dims×s；4）GBVS提取算法：利用GBVS算法，提取显著性特征分量图GBVS_map；其中设置params.LINE=1，以加入直线检测通道；设置params.useIttiKochInsteadOfGBVS=0，以利用随机场模型进行计算；5）SWCR提取算法：利用SWCR算法生成显著性特征分量图SWCR_map；其中设置patch_size=25，surroundratio=5；所述patch_size∈[5,50]表示算法中用于对比的图块大小；surroundratio∈[3,9]表示中心图块周围的用于对比的区域范围；步骤3训练分类器：从含有150幅图像的图像库中随机选取130幅图像作为训练样本，首先将训练样本下采样为200×200个像素，然后将每幅图像中的目标生成groundtruth图，分别从每一幅训练图像中的目标区域和非目标区域中随机选取像素点，将选取的像素点上对应在各个显著性特征分量图中的显著值以及他们在groundtruth图中相应位置上的值作为训练数据，送入SVM分类器中进行训练，得出SVM分类器参数；所述groundtruth图为二值图，图中目标区域的像素值为255，其他区域的像素值为0；步骤4利用步骤3得出的分类器对测试图像进行显著性检测：将图像库中剩下的20幅图像作为测试样本，首先将图像下采样为200×200个像素，然后用图像中的每一个像素点对应在各个显著性特征分量图中的显著值构成向量x，输入到SVM分类器中利用公式ω^Tx+b得出每幅图像的显著图Smap，其中ω,b为步骤2中训练得出的分类器参数；步骤5显著区域分割：利用meanshift算法将原始图像进行分割，得出分割区域为r_k,k＝1,2...K，其中K表示分割出的区域总数，然后利用步骤4得出的显著图中的显著值来计算分割出的每个区域的平均显著值Vk：然后利用每个区域的平均显著值生成分割显著图Smap_seg，最后利用自适应阈值T_a对Smap_seg进行分割得出二值图BinaryMap；其中自适应阈值T_a设定为：Ta=tW×HΣx=0W-1Σy=0H-1S(x,y)]]>BinaryMap(i,j)=1,S(x,y)≥Ta0,S(x,y)<Ta]]>其中|r_k|表示第k个区域的范围，m_i，j表示显著图中位于坐标(i,j)处的显著值；W,H分别为分割显著图Smap_seg的沿x轴和y轴的像素数，S(x,y)为分割显著图Smap_seg中位置(x,y)上的显著值；t为一个常数参数，设定其为t∈[1,2]中的一个值。