[發明專利]一種基于多尺度特征融合的遙感圖像感興趣區域提取方法

有效

• 申請號: 201310210127.1
• 申請日: 2013-05-31
• 公開（公告）號: CN103279957A
• 公開（公告）日: 2013-09-04
• 發明（設計）人: 張立保;李浩;楊凱娜;丘兵昌
• 申請（專利權）人: 北京師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于遙感圖像處理技術領域，是一種基于多尺度特征融合的遙感圖像感興趣區域提取方法。

背景技術

隨著遙感圖像空間分辨率的迅速升高，對海量遙感數據分析與處理的時間急劇增加，研究更加高效、快速的遙感圖像處理方法已經成為迫在眉睫的課題，而“將遙感圖像中人們感興趣的區域準確提取，然后有針對性的分析處理”為有效降低海量遙感數據分析處理的復雜度，減少處理時間提供了很好的思路，也是目前遙感圖像處理技術領域的研究熱點。

視覺注意方法由于具有無需先驗知識，提取感興趣區域快速準確等優勢，受到越來越多的關注。Itti等人在文章“A?model?of?saliency-based?visual?attention?for?rapid?scene?analysis”中提出了具有代表性ITTI視覺注意方法。除此之外，還有學者提出了完全基于數學運算的視覺注意方法，如Hou在文章“″Saliency?Detection：A?Spectral?Residual?Approach”中提出的譜殘差(SR)的方法。也有學者結合視覺注意的生理學基礎和數學理論，提出了混合的視覺注意方法，其中具有代表性的是Harel等人在文章“Graph-based?visual?saliency”中提出的基于圖論(GBVS)的方法。

小波變換因具有多尺度分析特性與較強的方向紋理描繪能力，已被廣泛應用于圖像的分析與處理領域，尤其是基于提升框架的整數小波，不僅繼承了傳統小波變換的優點，而且計算過程更為簡單，無需額外存儲空間，能夠實現無損的整數變換。當前，已有學者將小波變換引入到視覺方法建模之中。例如，Nevrez等人在文章“A?Saliency?Detection?Model?Using?Low-Level?Features?Based?on?Wavelet?Transform”中提出了一種基于圖像低級特征和小波變換的視覺注意方法(WT)，實現了小波變換與經典視覺注意理論的有效結合。

上述視覺注意方法雖然具有許多優點，但是直接應用于遙感圖像，尤其是高空間分辨率遙感圖像中卻存在諸多弊端。例如，ITTI方法和GBVS方法產生的顯著圖分辨率過低，以至于無法實現對遙感圖像感興趣區域的精確描述，會漏檢許多重要的區域。WT方法產生了與原圖大小相同的顯著圖，但是顯著圖中包含許多碎片化區域。SR方法將原始圖像縮小到64×64像素再進行譜殘差計算，依托單一的低尺度圖像生成顯著圖，雖然有利于對感興趣區域的快速提取，但是會導致區域邊緣過于模糊，使得感興趣區域提取的準確度大幅降低。此外，遙感圖像中包含了大量的邊緣與紋理等信息，通常情況下，邊緣與紋理越豐富的區域越可能成為感興趣區域，上述方法對于遙感圖像中的邊緣與紋理信息檢測并不理想，也加劇了對感興趣區域的漏檢、誤檢現象。

另一方面，目前得到廣泛研究的視覺注意方法對于多尺度顯著圖的融合大部分采用插值到特定尺度再直接相加的方式，使得尺寸較大的感興趣區域在顯著圖中不斷被強化，而尺寸較小的感興趣區域顯著性則不斷被削弱，可能導致無法檢出。此外，尺度越粗糙，則區域的邊緣會越模糊，因此，有必要對精細尺度的顯著圖進行增強，而對粗糙尺度的顯著圖進行抑制。

發明內容

由于譜殘差方法不需要圖像的顏色信息而且對紋理信息比較敏感，所以可以將此方法推廣應用于全色遙感圖像的感興趣區域提取中。譜殘差方法依托單一的低尺度圖像生成顯著圖，雖然有利于對感興趣區域的快速提取，但是會導致區域邊緣過于模糊，使得感興趣區域提取的準確度大幅降低。為了克服上述現有技術的不足，本發明提供了一種基于多尺度特征融合的遙感圖像感興趣區域提取方法。本發明的目的在于：

1)對譜殘差方法進行改進，提出一種新的多尺度譜殘差的顯著性分析方法，使其能滿足高空間分辨率全色遙感圖像的感興趣區域提取的應用要求；

2)構建合理的跨尺度加權和跨尺度融合算法，對精細尺度的顯著圖進行增強，而對粗糙尺度的顯著圖進行抑制，從而增強感興趣區域的顯著性，能夠較為精確地描述與提取感興趣區域。

本方法采用的技術方案為首先采用基于多尺度譜殘差的顯著性分析方法生成遙感圖像的多尺度低頻顯著圖，然后利用整數小波變換獲取遙感圖像水平、垂直和對角線方向的多尺度高頻顯著圖，接著利用跨尺度加權與跨尺度融合策略得到亮度顯著圖與方向顯著圖，并合并兩個顯著圖生成主顯著圖，最后通過最大類間方差法進行閾值分割提取最終的感興趣區域，具體包括以下幾個步驟：