基于光譜顯著性的高光譜遙感圖像小目標(biāo)檢測方法
【專利摘要】基于光譜顯著性的高光譜遙感圖像小目標(biāo)檢測方法屬于高光譜遙感圖像領(lǐng)域。本發(fā)明在進(jìn)行目標(biāo)檢測時利用從高光譜圖像中提取的光譜信息和空間信息，采用改進(jìn)的Itti模型計算局部顯著度，構(gòu)造局部顯著圖；然后利用改進(jìn)的進(jìn)化規(guī)劃方法，計算全局顯著度，創(chuàng)建全局顯著圖；最后將全局顯著圖和局部顯著圖進(jìn)行歸一化合并得到總的視覺顯著圖，作為最終的目標(biāo)檢測結(jié)果。本發(fā)明根據(jù)光譜顯著性建立適用于高光譜圖像的顯著性模型，對高光譜圖像光譜特征和空間特征進(jìn)行綜合分析的基礎(chǔ)上，實現(xiàn)圖像感興趣目標(biāo)檢測，這種方法能在沒有先驗信息的條件下檢測與周圍背景存在差異的目標(biāo)，突出了圖像的主要內(nèi)容，降低了圖像處理分析的復(fù)雜度。
【專利說明】基于光譜顯著性的高光譜遙感圖像小目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明以高光譜遙感圖像為研究對象，在對高光譜遙感圖像的光譜特征及空間特征進(jìn)行綜合分析的基礎(chǔ)上，建立高光譜圖像的顯著性模型，生成光譜顯著圖；在顯著圖的基礎(chǔ)上自動提取顯著目標(biāo)，實現(xiàn)高光譜圖像的小目標(biāo)檢測，為高光譜圖像目標(biāo)識別、分類與檢索奠定基礎(chǔ)。
【背景技術(shù)】
[0002]高光譜遙感(Hyperspectral Remote Sensing)是20世紀(jì)80年代發(fā)展起來新型對地觀測技術(shù)，地物以其固有的特性反射、吸收和輻射電磁波，高光譜遙感通過接收、記錄電磁波與不同物體相互作用后的高光譜分辨率的輻射信號，實現(xiàn)對地表信息的獲取。由于高光譜圖像的高空間相關(guān)性和高光譜分辨率等特性，使其具有較高的利用價值，已成為精細(xì)農(nóng)業(yè)、大氣觀測、環(huán)境監(jiān)測、自然災(zāi)害研究、資源調(diào)查等領(lǐng)域的重要數(shù)據(jù)源。
[0003]隨著高光譜遙感硬件以及軟件技術(shù)的發(fā)展，硬件技術(shù)遠(yuǎn)遠(yuǎn)超前于遙感數(shù)據(jù)的處理技術(shù)，面對如此海量的光譜遙感信息，如何充分有效的處理并進(jìn)一步利用遙感數(shù)據(jù)是遙感【技術(shù)領(lǐng)域】亟待解決的問題。
[0004]高光譜數(shù)據(jù)處理的一個主要內(nèi)容就是目標(biāo)檢測,通過判定高光譜圖像中不同空間位置是否存在目標(biāo)，可以為大范圍地面信息的獲取提供重要途徑，有著重要的軍事意義和民用價值。高光譜圖像包含了觀測場景中目標(biāo)的空間信息和光譜信息，目標(biāo)檢測時不僅可以利用目標(biāo)空間信息，還可利用光譜信息。光譜特征展現(xiàn)的是不同化學(xué)成分物質(zhì)的固有特性，每一個像元對應(yīng)一條確定的光譜，這一光譜反應(yīng)了該像元對電磁波輻射和反射特性。物體的光譜反射率隨波長變化的曲線稱為光譜反射率曲線，其形狀反映了地物的反射光譜特性。通過對目標(biāo)光譜特征分析，可以根據(jù)目標(biāo)的光譜特征鑒別出目標(biāo)的類別，利用目標(biāo)光譜和背景光譜的差異來提取和識別目標(biāo)，實現(xiàn)復(fù)雜環(huán)境下和雜亂背景中低空間分辨率的小目標(biāo)和低對比度目標(biāo)的檢測。
[0005]傳統(tǒng)的高光譜遙感目標(biāo)檢測主要是依據(jù)目標(biāo)與地物在光譜特征上存在的差異進(jìn)行檢測識別。通常目標(biāo)檢測需要一定的先驗信息(如地面真實測量結(jié)果和光譜數(shù)據(jù)庫)，而實際應(yīng)用中獲取這種先驗信息是很困難的，從而影響了目標(biāo)的有效檢測。
[0006]基于光譜顯著性的高光譜遙感圖像目標(biāo)檢測方法，通過引入“光譜顯著性(spectral saliency)”概念,根據(jù)光譜顯著性建立適用于高光譜圖像的顯著性模型,對高光譜圖像光譜特征和空間特征進(jìn)行綜合分析的基礎(chǔ)上，實現(xiàn)高光譜遙感圖像感興趣目標(biāo)檢測，這種方法能在沒有先驗信息的條件下檢測與周圍背景存在差異的目標(biāo)，突出了圖像的主要內(nèi)容，降低了圖像處理分析的復(fù)雜度，為高光譜遙感圖像目標(biāo)識別、圖像分類與檢索奠定基礎(chǔ)。

【發(fā)明內(nèi)容】

[0007]本發(fā)明與已有高光譜遙感圖像目標(biāo)檢測方法不同，通過引入“光譜顯著性(spectral saliency)”概念，將“顯著性”定義為更廣泛的概念而不局限于單一的視覺注意范疇。在這里，顯著性不僅限于視覺概念，而是度量內(nèi)容信息量大小的一種方法。本發(fā)明利用了光譜反射率(任何物體的反射光譜都蘊含著自身的本質(zhì)信息，如物體的類別、組成、結(jié)構(gòu)、電學(xué)性質(zhì)及表面特征(粗糙度、質(zhì)地)等)而不是顏色、亮度等視覺信息定義“光譜顯著性”，即在一定程度上突出于背景圖像的某一組像元。不需要背景或目標(biāo)的先驗光譜信息，充分利用高光譜圖像豐富的光譜和空間信息，建立適用于高光譜圖像的顯著性模型，能夠在復(fù)雜的圖像中快速定位感興趣目標(biāo)，實現(xiàn)高光譜遙感圖像的目標(biāo)檢測。主要包括以下幾個步驟:圖像預(yù)處理、局部顯著度圖生成、全局顯著度圖生成、顯著圖融合和顯著目標(biāo)檢測。流程如附圖1所示。
[0008]由于顏色特征或顏色布局特征(如全局統(tǒng)計特征如直方圖等)對于高光譜遙感圖像而言缺乏足夠的內(nèi)容表達(dá)能力，因此傳統(tǒng)的視覺注意模型(如Itti模型)不適用于高光譜遙感圖像。受到Itti模型的啟發(fā)，本發(fā)明在進(jìn)行目標(biāo)檢測時利用從高光譜圖像中提取的光譜信息和空間信息，采用改進(jìn)的Itti模型計算局部顯著度，構(gòu)造局部顯著圖；然后利用改進(jìn)的進(jìn)化規(guī)劃方法，計算全局顯著度，創(chuàng)建全局顯著圖；最后將全局顯著圖和局部顯著圖進(jìn)行歸一化合并得到總的顯著圖，在顯著圖的基礎(chǔ)上自動提取顯著目標(biāo)作為最終的目標(biāo)檢測結(jié)果。
[0009]1.圖像預(yù)處理
[0010]考慮到本發(fā)明的可擴(kuò)展性和可延續(xù)性，便于高光譜圖像檢索工作的后續(xù)研發(fā)，本發(fā)明首先基于不重疊區(qū)域?qū)Ω吖庾V遙感圖像進(jìn)行數(shù)據(jù)分塊。
[0011]一幅完整的高光譜遙感圖像中，目標(biāo)影像常常是空間無縫、包含多個復(fù)雜目標(biāo)的大幅面影像，而在檢索過程中，查詢影像則一般僅包含一種或少數(shù)幾種目標(biāo)并且尺寸較小，在查詢影像和整幅目標(biāo)影像之間做相似性匹配是沒有意義的，基于內(nèi)容的遙感圖像檢索實際上是查詢影像和目標(biāo)影像局部區(qū)域之間的相似性匹配。合理有效地分塊組織遙感影像數(shù)據(jù)，對于高光譜遙感圖像目標(biāo)檢測、創(chuàng)建遙感影像基于同質(zhì)紋理特征區(qū)域的特征庫、提高檢索精度十分必要。
[0012]本發(fā)明采用Tile分塊方式對高光譜遙感圖像進(jìn)行預(yù)處理。Tile分塊的思想是將遙感影像庫的目標(biāo)影像從左至右、從上至下分成規(guī)則、不重疊且大小相等的子圖像塊(例如256 X 256、128 X 128、64X 64等)，分塊后子圖像將作為目標(biāo)檢測的對象。如附圖2所示，給出了一個Tile分塊示意圖，原始遙感影像被分成規(guī)則的4X4=16塊。由示意圖可見，這種數(shù)據(jù)分塊組織方式非常直觀，而且便于采用成熟的數(shù)據(jù)庫管理系統(tǒng)(如Microsoft SQLSever)管理分塊遙感影像數(shù)據(jù)。
[0013]這種基于不重疊區(qū)域的圖像分塊方式的優(yōu)點是簡單、直觀、容易理解和實現(xiàn)，而且通過基于Tile分塊建立的紋理特征庫中，紋理特征向量與分塊產(chǎn)生的遙感影像子區(qū)域一一對應(yīng)。便于實現(xiàn)特征索引，有利于后續(xù)工作的進(jìn)行。
[0014]2.基于光譜顯著性的高光譜顯著圖提取
[0015]在過去幾十年，人們充分研究了彩色圖像的顯著性，而對不能直接顯示在傳統(tǒng)計算機(jī)屏幕上的光譜圖像的顯著性，很少有人對其進(jìn)行研究。本發(fā)明受到已有視覺注意模型的啟發(fā)，從高光譜圖像的特點出發(fā)，對現(xiàn)有視覺注意模型進(jìn)行改進(jìn)，綜合高光譜圖像的光譜和空間信息，提出一種新型高光譜圖像顯著圖計算方法。分別生成局部顯著圖和全局顯著圖，最終融合成綜合顯著圖，提取顯著目標(biāo)。
[0016]I)局部顯著圖的生成
[0017]本發(fā)明充分利用高光譜數(shù)據(jù)光譜特征和空間特征對高光譜遙感圖像進(jìn)行分析，并行構(gòu)建局部顯著圖的光譜通道和方向通道。
[0018]構(gòu)建光譜通道時，首先對Tile分塊后的高光譜圖像進(jìn)行光譜分割，將其分割成分別對應(yīng)藍(lán)、綠、紅波段范圍的3個子圖像。對這3個子圖像構(gòu)造高斯金字塔(加上原圖像共9層)，包括高斯濾波和空間子采樣兩個步驟。對高斯濾波后圖像進(jìn)行下采樣產(chǎn)生8個層次的子圖像，每一層圖像的水平像元和垂直像元個數(shù)均是上一層的一半。通過這兩個步驟共獲得3個不同波段的9個空間尺度的子圖像集。
[0019]構(gòu)建方向通道時,首先對Tile分塊后的高光譜圖像采用最小噪聲分離(MinimumNoise Fraction, MNF)變換進(jìn)行數(shù)據(jù)降維，將圖像中重要特征集中到少數(shù)主成分中。由于MNF變換后的前3個波段的特征影像能夠反映高光譜圖像的大部分信息，因此本發(fā)明將MNF變換后前3個波段的圖像進(jìn)行融合，分別在四個方向(0°，45° ,90°和135° )對融合后的圖像進(jìn)行Gabor濾波，然后對Gabor濾波后圖像進(jìn)行高斯濾波和空間子采樣。在4個方向分別獲得9層高斯金字塔。
[0020]然后生成特征圖。在特征圖生成時，引入中央-周邊差(Center-surround)算子Θ。中央周邊差算子是通過將高斯金字塔中不同層次的圖像做差分操作而實現(xiàn)的。對于高斯金字塔中的9層，基圖像(第O層圖像)為輸入的原始圖像，中央層次定義為第2、3、4層用c表示，每I個中央層對應(yīng)2個周邊層，用s表示，周邊層數(shù)等于對應(yīng)的中央層數(shù)加上3和4。通過中央周邊差計算得到不同層之間的光譜角度匹配(spectral angle mapper, SAM)特征圖和譜范數(shù)差(spectral norm difference, SND)特征圖以及方向特征圖。
[0021 ] 將上述三種特征圖進(jìn)行歸一化和跨尺度融合形成特征關(guān)注圖，最后將特征關(guān)注圖進(jìn)行歸一化合并和線性組合得到局部顯著圖。整個計算過程如附圖3所示。
[0022]2)全局顯著圖的生成
[0023]本發(fā)明利用改進(jìn)的進(jìn)化規(guī)劃(Evolutionary Programming, EP)方法計算全局顯著度，創(chuàng)建全局顯著度圖。進(jìn)化規(guī)劃是一種區(qū)域檢測方法，它是通過模擬自然進(jìn)化過程而得到最優(yōu)解的一種隨機(jī)的進(jìn)化方法，目的是將圖像中感興趣的目標(biāo)區(qū)域從背景中提取出來。它從全局信息分析，在沒有任何先驗知識的情況下能直接注意到不尋常的事物，有效的避免陷入局部最優(yōu)。
[0024]( I)主成分分析合成真彩色圖像
[0025]考慮到要盡可能保留圖像中的紋理信息，本發(fā)明利用主成分分析(PrincipleComponent Analysis, PCA)對Tile分塊后的高光譜數(shù)據(jù)進(jìn)行降維處理,經(jīng)過主成分分析變換后，前3個主成分幾乎包含了原始高光譜數(shù)據(jù)的大部分信息，而后面的主成分則包含了較少的信息，主成分的級別越低，包含的信息越少。故而，可選擇主成分分析變換后的前3個主成分,合成真彩色圖像。
[0026](2)改進(jìn)的基于進(jìn)化規(guī)劃的全局顯著度圖
[0027]對合成的真彩色圖像進(jìn)行下采樣。然后計算采樣后圖像中每個像素位置的特征與其它像素位置的特征不相似的個數(shù)。具體過程如下:將采樣后的圖像視作矩形網(wǎng)格狀的像素集合，選擇任意一個像素點，取其周圍7X7的鄰域作為一個像素區(qū)域。在一個像素區(qū)域中隨機(jī)挑選7個像素構(gòu)成一種特征(本發(fā)明將7個像素的RGB值構(gòu)成該特征)，依次比較其他像素區(qū)域與這種特征的差異，相同為“O”，不同為“ 1”，差異的累積之和表示每個像素與其它像素的差別的大小，也表示該像素及其鄰域在整幅圖像中出現(xiàn)頻率的多少。該值越大，表示該像素及其鄰域的顯著性越高。任意選擇下一個像素點(不同于上一次選擇的像素點)與該像素點周圍的7X7的鄰域作為像素區(qū)域，與其他像素區(qū)域進(jìn)行比較，直到遍歷整幅圖像的所有像素點。
[0028]圖像中每個像素位置(x，y)處的特征與其它像素位置的特征不相似的數(shù)目個數(shù)S’g(x，y)，即為像素點(x，y)的顯著度，表示如下:
【權(quán)利要求】
1.基于光譜顯著性的高光譜遙感圖像小目標(biāo)檢測方法，其特征在于包括以下幾個步驟:圖像預(yù)處理、局部顯著度圖生成、全局顯著度圖生成、顯著圖融合和顯著目標(biāo)檢測； (1)圖像預(yù)處理 基于不重疊區(qū)域?qū)Ω吖庾V遙感圖像進(jìn)行數(shù)據(jù)分塊； (2)基于光譜顯著性的高光譜顯著圖提取 1)局部顯著圖的生成 并行構(gòu)建局部顯著圖的光譜通道和方向通道； 構(gòu)建光譜通道時，首先對Tile分塊后的高光譜圖像進(jìn)行光譜分割，將其分割成分別對應(yīng)藍(lán)、綠、紅波段范圍的3個子圖像；對這3個子圖像構(gòu)造高斯金字塔，包括高斯濾波和空間子采樣兩個步驟；對高斯濾波后圖像進(jìn)行下采樣產(chǎn)生8個層次的子圖像，每一層圖像的水平像元和垂直像元個數(shù)均是上一層的一半；通過這兩個步驟共獲得3個不同波段的9個空間尺度的子圖像集； 構(gòu)建方向通道時，首先對光譜數(shù)據(jù)采用最小噪聲分離MNF進(jìn)行數(shù)據(jù)降維，將MNF變換后前三個波段的圖像進(jìn)行融合，分別在四個方向即O。,45° ,90°和135°，對融合圖像進(jìn)行Gabor濾波，然后對Gabor濾波后圖像進(jìn)行高斯濾波和空間子采樣；在4個方向分別獲得9層高斯金字塔； 通過中央-周邊差計算得到2種光譜特征圖即光譜角度特征圖和譜范數(shù)差特征圖以及一個方向特征圖；將三種特征圖進(jìn)行歸一化和跨尺度融合形成三種相應(yīng)的特征關(guān)注圖，將特征關(guān)注圖進(jìn)行歸一化合并和線性組合得到局部顯著圖；局部顯著圖S1，如以下公式所示: S1 = UN{SAM) + N(SND) + N(O))其中jJ SAM表示光譜角度特征圖，SND表示譜范數(shù)差特征圖，O表示方向特征圖，N(.)為歸一化因子； 2)全局顯著圖的生成 (O主成分分析合成真彩色圖像 利用主成分分析對分塊后的高光譜數(shù)據(jù)行降維處理，經(jīng)過主成分分析變換后，選擇主成分分析變換后的前3個主成分，合成真彩色圖像； (2)改進(jìn)的基于進(jìn)化規(guī)劃的全局顯著度圖 對合成的真彩色圖像進(jìn)行下采樣；然后計算采樣后圖像中每個像素位置的特征與其它像素位置的特征不相似的個數(shù)；具體過程如下:將采樣后的圖像視作矩形網(wǎng)格狀的像素集合，選擇任意一個像素點，取其周圍7X7的鄰域作為一個像素區(qū)域；在一個像素區(qū)域中隨機(jī)挑選7個像素的RGB值構(gòu)成特征，依次比較其他像素區(qū)域與這種特征的差異，相同為“0”，不同為“ 1”，差異的累積之和表示每個像素與其它像素的差別的大小，也表示該像素及其鄰域在整幅圖像中出現(xiàn)頻率的多少；該值越大，表示該像素及其鄰域的顯著性越高；任意選擇下一個像素點與該像素點周圍的7X7的鄰域作為像素區(qū)域,與其他像素區(qū)域進(jìn)行比較，直到遍歷整幅圖像的所有像素點； 圖像中每個像素位置(x，y)處的特征與其它像素位置的特征不相似的數(shù)目個數(shù)S’g(x，y)，即為像素點(x，y)的顯著度，表示如下:
【文檔編號】G06T5/50GK103729848SQ201310744004
【公開日】2014年4月16日 申請日期:2013年12月28日 優(yōu)先權(quán)日:2013年12月28日
【發(fā)明者】張菁, 曹嫣, 卓力, 王超, 周倩蘭 申請人:北京工業(yè)大學(xué)