專利名稱：基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法。
背景技術(shù)：
從遙感圖像中檢測機(jī)場目標(biāo)，對(duì)于軍事偵察和精確打擊等領(lǐng)域有著重要的實(shí)用價(jià)值，收到人們越來越多的關(guān)注。近些年來，國內(nèi)外研究學(xué)者試圖通過檢測機(jī)場跑道的線性特征、分析跑道的幾何特征來解決機(jī)場的檢測問題，但是遙感圖像中存在大量的公路、河流等和機(jī)場具有類似線性特征的干擾對(duì)象，僅依靠線性特征會(huì)造成大量的誤檢。還有采用圖像分割的方法得到疑似機(jī)場的候選區(qū)域，然后提取出候選區(qū)域的尺寸、矩形度等區(qū)域形狀特征進(jìn)行辨識(shí)，進(jìn)一步確認(rèn)機(jī)場區(qū)域。算法性能嚴(yán)重依賴圖像分割的效果，并且需要進(jìn)行逐像 素運(yùn)算，速度慢，效率低。中國專利申請?zhí)?01110166001. X，記載了一種“基于選擇性注意機(jī)制的遙感圖像機(jī)場目標(biāo)檢測與識(shí)別方法”，通過引入視覺注意力選擇模型，對(duì)原始遙感圖像進(jìn)行顯著性分析，來得到機(jī)場目標(biāo)候選區(qū)域，避免了對(duì)圖像進(jìn)行逐像素分析的缺點(diǎn)。對(duì)目標(biāo)候選區(qū)域提取SIFT局部特征進(jìn)行辨識(shí)，但遙感圖像背景復(fù)雜，通常存在與機(jī)場目標(biāo)特征屬性相似的顯著物干擾，僅提取SIFT局部特征進(jìn)行辨識(shí)，容易造成誤檢。

發(fā)明內(nèi)容
要解決的技術(shù)問題為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法。技術(shù)方案—種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法，其特征在于步驟如下步驟I :對(duì)原始圖像進(jìn)行降采樣，得到降采樣后的遙感圖像；步驟2 :對(duì)于降采樣后的遙感圖像，采用LSD算法進(jìn)行直線檢測，得到直線檢測結(jié)果圖；并采用FT算法計(jì)算降采樣后的遙感圖像顯著圖；步驟3 :首先利用qXq大小的滑動(dòng)窗口在降采樣后的遙感圖像上滑動(dòng)，根據(jù)直線檢測結(jié)果圖，判斷滑動(dòng)窗口中是否存在直線段，如果不存在，繼續(xù)滑動(dòng)窗口，如果存在，則將滑動(dòng)窗口展開為q2Xl的列向量V，利用正交匹配追蹤算法，通過求解min I |z' I1 s. t.P’ =Dz’，得到列向量p’在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量z'；同時(shí)，將降采樣后的遙感圖像上滑動(dòng)窗口的位置映射到遙感圖像顯著圖上，將映射后的滑動(dòng)窗口的視覺顯著值矩陣S展開為列向量S，按照/ 對(duì)稀疏編碼向量Z'進(jìn)行篩選，得到稀疏編碼向量Z";其中 運(yùn)算表示向量的對(duì)應(yīng)元素相乘；步驟4 :將z"輸入到SVM 二值分類器，檢測窗口中是否存在機(jī)場目標(biāo)，然后繼續(xù)滑動(dòng)窗口進(jìn)行機(jī)場檢測，直到完成整幅遙感圖像機(jī)場的檢測。所述步驟3的目標(biāo)-背景超完備字典，按如下步驟進(jìn)行構(gòu)造步驟a :在現(xiàn)有的紅外遙感圖像訓(xùn)練集中，截取包含機(jī)場完整目標(biāo)的最小圖像，同時(shí)截取包含任意背景的圖像，將截取的目標(biāo)圖像和背景圖像，分別進(jìn)行降采樣后再縮放到qX q，得到目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本；步驟b :將得到的每一幅目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本圖像展開為Q2Xl的列向量，然后將這些列向量組成為一個(gè)矩陣D，得到目標(biāo)-背景超完備字典￡> = [ ... ι1+1，4+2，…41+ 2]￡把、—2)，其中nl為目標(biāo)類訓(xùn)練樣本數(shù)目，n2為背景類訓(xùn)練樣本數(shù)目，矩陣每一列為超完備字典中的一個(gè)原子。
所述步驟3的SVM 二值分類器，按如下步驟進(jìn)行訓(xùn)練步驟(I):依次將步驟a得到的目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本中的每一幅圖像展開為q2Xl的列向量P ;步驟(2):利用正交匹配追蹤算法，通過下式求解得到列向量P在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量z ;min Izll1 s. t. p = DzI |z I I1代表向量z的L1范數(shù)；步驟(3):將稀疏編碼向量z作為SVM訓(xùn)練算法的輸入，訓(xùn)練得到SVM二值分類器。有益效果本發(fā)明提出的一種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法，首先對(duì)原始遙感圖像進(jìn)行降采樣，對(duì)于降采樣后的遙感圖像，采用LSD算法進(jìn)行直線檢測；采用FT算法計(jì)算圖像顯著性。然后采用滑動(dòng)窗口目標(biāo)檢測器進(jìn)行機(jī)場的檢測。首先判斷滑動(dòng)窗口中是否存在直線段，如果不存在，繼續(xù)滑動(dòng)窗口，如果存在直線段，則用遙感圖像機(jī)場目標(biāo)圖像構(gòu)造好的字典對(duì)窗口進(jìn)行稀疏編碼，然后結(jié)合本窗口的顯著值對(duì)稀疏編碼進(jìn)行篩選，從而獲得窗口的稀疏表達(dá)特征。最后采用SVM 二值分類器對(duì)滑動(dòng)窗口的稀疏編碼特征進(jìn)行判別，判斷窗口中是否存在機(jī)場，最終完成機(jī)場目標(biāo)的檢測。與現(xiàn)有技術(shù)相比，本發(fā)明增加了滑動(dòng)窗口的篩選策略，而不是每一個(gè)窗口都進(jìn)行處理，大大提高了處理速度，并且采用基于超完備字典的圖像稀疏表示，可以有效捕捉圖像的結(jié)構(gòu)特征，非常適合機(jī)場目標(biāo)的檢測。


圖I是本發(fā)明的實(shí)現(xiàn)流程圖；圖2是本發(fā)明中原始遙感圖像降采樣的結(jié)果圖；圖3是對(duì)圖2進(jìn)行直線檢測的結(jié)果圖；圖4是對(duì)圖2進(jìn)行顯著性計(jì)算的結(jié)果圖；圖5是機(jī)場檢測結(jié)果圖。
具體實(shí)施方式
現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述用于實(shí)施的硬件環(huán)境是因特爾Xeon (R) CPU, E550402. OG 2.0G(2處理器)計(jì)算機(jī)、6. OGB內(nèi)存、IGB顯卡，運(yùn)行的軟件環(huán)境是Matlab R2011a，Windows764位操作系統(tǒng)。我們用Matlab軟件實(shí)現(xiàn)了本發(fā)明提出的方法。實(shí)驗(yàn)中用于訓(xùn)練和測試紅外遙感圖像來源于http://datamirror. csdb. cn/index, jsp。本發(fā)明具體實(shí)施如下I、構(gòu)造目標(biāo)-背景超完備字典在原始紅外遙感圖像訓(xùn)練集中，截取包含完整機(jī)場目標(biāo)的最小圖像共150幅，對(duì)每一幅圖像每隔45度進(jìn)行旋轉(zhuǎn)變換,最后一共得到150*8=1200幅機(jī)場目標(biāo)訓(xùn)練圖像。對(duì)機(jī)場目標(biāo)訓(xùn)練圖像先進(jìn)行降采樣再縮放到64X64大小。然后任意截取64X64大小的背景圖像3600幅，這樣就得到目標(biāo)類圖像1200幅、背景類3600幅共4800幅大小為64X64的訓(xùn)練樣本。將每一幅訓(xùn)練圖像展開為4096X I列向量，
將這些向量組成目標(biāo)-背景超完備字典D，Ε#—1， 其中目標(biāo)類樣本數(shù)目nl = 1200，背景類樣本數(shù)目n2 = 3600。2、訓(xùn)練SVM 二值分類器依次將訓(xùn)練樣本集中的每一幅圖像展開為4096X1的列向量P，利用正交匹配追蹤算法，通過求解下式得到列向量P在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量Z，其中IlzII1R表向量Z的L1范數(shù)。min Izll1 s. t. p = Dz最后，將訓(xùn)練樣本的稀疏編碼向量z及其對(duì)應(yīng)的標(biāo)簽作為SVM訓(xùn)練算法的輸入，訓(xùn)練得到SVM 二值分類器。3、檢測機(jī)場對(duì)原始遙感圖像進(jìn)行比例因子為2的降采樣，結(jié)果為圖2。對(duì)圖2采用LSD算法進(jìn)行直線檢測，得到直線檢測結(jié)果圖3，采用FT算法計(jì)算圖2的視覺顯著性，結(jié)果為圖4。在圖2上，采用64X64大小的窗口進(jìn)行滑動(dòng)，根據(jù)直線檢測結(jié)果圖3，判斷滑動(dòng)窗口中是否存在直線段，如果不存在，繼續(xù)滑動(dòng)窗口，如果存在，將滑動(dòng)窗口展開為4096 X I的列向量V，利用正交匹配追蹤算法，通過求解下式得到列向量P’在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量z’。min| I Z' I1 s. t. p’ =Dz'根據(jù)遙感圖像顯著圖4，得到本滑動(dòng)窗口的視覺顯著值矩陣S，展開為列向量S，按照下式對(duì)稀疏編碼向量z’進(jìn)行篩選，得到稀疏編碼向量z"。其中 運(yùn)算表示向量的對(duì)應(yīng)元素相乘。z =Z s 將z "輸入到SVM 二值分類器，檢測窗口中是否存在機(jī)場目標(biāo)。然后繼續(xù)滑動(dòng)窗口進(jìn)行機(jī)場檢測，直到完成整幅遙感圖像機(jī)場的檢測。
權(quán)利要求
1.一種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法，其特征在于步驟如下 步驟I:對(duì)原始圖像進(jìn)行降采樣，得到降采樣后的遙感圖像； 步驟2 :對(duì)于降采樣后的遙感圖像，采用LSD算法進(jìn)行直線檢測，得到直線檢測結(jié)果圖；并采用FT算法計(jì)算降采樣后的遙感圖像顯著圖； 步驟3 :首先利用qXq大小的滑動(dòng)窗口在降采樣后的遙感圖像上滑動(dòng)，根據(jù)直線檢測結(jié)果圖，判斷滑動(dòng)窗口中是否存在直線段，如果不存在，繼續(xù)滑動(dòng)窗口，如果存在，則將滑動(dòng)窗口展開為q2X I的列向量P’，利用正交匹配追蹤算法，通過求解min I |z' I1 s. t. p’ =Dz’，得到列向量p'在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量z’ ； 同時(shí)，將降采樣后的遙感圖像上滑動(dòng)窗口的位置映射到遙感圖像顯著圖上，將映射后的滑動(dòng)窗口的視覺顯著值矩陣S展開為列向量S，按照/ =z 05對(duì)稀疏編碼向量z ’進(jìn)行篩選，得到稀疏編碼向量z";其中運(yùn)算表示向量的對(duì)應(yīng)元素相乘； 步驟4 -Mz"輸入到SVM 二值分類器，檢測窗口中是否存在機(jī)場目標(biāo)，然后繼續(xù)滑動(dòng)窗口進(jìn)行機(jī)場檢測，直到完成整幅遙感圖像機(jī)場的檢測。
2.根據(jù)權(quán)利要求I所述的基于稀疏編碼和視覺顯著性的紅外遙感圖像機(jī)場檢測方法，其特征在于所述步驟3的目標(biāo)-背景超完備字典，按如下步驟進(jìn)行構(gòu)造 步驟a:在現(xiàn)有的紅外遙感圖像訓(xùn)練集中，截取包含機(jī)場完整目標(biāo)的最小圖像，同時(shí)截取包含任意背景的圖像，將截取的目標(biāo)圖像和背景圖像，分別進(jìn)行降采樣后再縮放到qXq，得到目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本； 步驟b:將得到的每一幅目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本圖像展開為q2Xl的列向量，然后將這些列向量組成為一個(gè)矩陣D，得到目標(biāo)-背景超完備字典D = [Κ...Κ+1Λ1+2，j i+n2j € f —，其中nl為目標(biāo)類訓(xùn)練樣本數(shù)目，n2為背景類訓(xùn)練樣本數(shù)目，矩陣每一列為超完備字典中的一個(gè)原子。
3.根據(jù)權(quán)利要求I所述的基于稀疏編碼和視覺顯著性的紅外遙感圖像機(jī)場檢測方法，技術(shù)特征在于所述步驟3的SVM 二值分類器，按如下步驟進(jìn)行訓(xùn)練 步驟(I):依次將步驟a得到的目標(biāo)類訓(xùn)練樣本和背景類訓(xùn)練樣本中的每一幅圖像展開為Q2Xl的列向量P ; 步驟(2):利用正交匹配追蹤算法，通過下式求解得到列向量P在目標(biāo)-背景超完備字典D上的稀疏表示系數(shù)，獲得稀疏編碼向量z ; min I I z I I 丄 s. t. p = Dz IzII1R表向量2的1^范數(shù)； 步驟(3):將稀疏編碼向量Z作為SVM訓(xùn)練算法的輸入，訓(xùn)練得到SVM 二值分類器。
全文摘要
本發(fā)明涉及一種基于稀疏編碼和視覺顯著性的紅外遙感圖像檢測機(jī)場的方法，首先對(duì)原始遙感圖像進(jìn)行降采樣，對(duì)于降采樣后的遙感圖像，采用LSD算法進(jìn)行直線檢測；采用FT算法計(jì)算圖像顯著性。然后采用滑動(dòng)窗口目標(biāo)檢測器進(jìn)行機(jī)場的檢測。首先判斷滑動(dòng)窗口中是否存在直線段，如果不存在，繼續(xù)滑動(dòng)窗口，如果存在直線段，則用遙感圖像機(jī)場目標(biāo)圖像構(gòu)造好的字典對(duì)窗口進(jìn)行稀疏編碼，然后結(jié)合本窗口的顯著值對(duì)稀疏編碼進(jìn)行篩選，從而獲得窗口的稀疏表達(dá)特征。最后采用SVM二值分類器對(duì)滑動(dòng)窗口的稀疏編碼特征進(jìn)行判別，判斷窗口中是否存在機(jī)場，最終實(shí)現(xiàn)機(jī)場目標(biāo)的檢測。與其他發(fā)明技術(shù)相比，本發(fā)明檢測機(jī)場準(zhǔn)確率高，虛警率低。
文檔編號(hào)G06K9/00GK102831402SQ201210282568
公開日2012年12月19日 申請日期2012年8月9日 優(yōu)先權(quán)日2012年8月9日
發(fā)明者韓軍偉, 姚西文, 郭雷, 趙天云, 程塨, 錢曉亮 申請人:西北工業(yè)大學(xué)