[發(fā)明專利]一種基于視覺顯著點(diǎn)特征的遙感影像檢索方法

有效

• 申請?zhí)枺?/td>: 201310239255.9
• 申請日: 2013-06-17
• 公開（公告）號: CN103309982A
• 公開（公告）日: 2013-09-18
• 發(fā)明（設(shè)計）人: 邵振峰;王星
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/46
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 嚴(yán)彥

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，更具體地說，涉及一種基于視覺顯著點(diǎn)特征的遙感影像檢索方法。

背景技術(shù)

隨著空間探測技術(shù)、傳感器技術(shù)及信息技術(shù)的發(fā)展，目前可獲取的遙感影像的空間分辨率不斷提高，遙感影像的數(shù)據(jù)量也呈幾何級數(shù)增長。與此同時，隨著數(shù)字地球、智慧地球等信息化建設(shè)的不斷深入，人們對遙感影像的需求也與日俱增。然而，由于現(xiàn)階段數(shù)據(jù)處理與分析能力的限制，日益增長的遙感影像數(shù)據(jù)仍很難滿足人們的應(yīng)用需求，這一供需矛盾主要表現(xiàn)為“所得非所求”，即人們很難從海量的遙感影像中獲得感興趣的數(shù)據(jù)和信息。因此，遙感影像的高效檢索已成為制約遙感影像數(shù)據(jù)應(yīng)用的瓶頸問題。

在遙感影像檢索研究中，目前絕大部分的研究成果集中于基于低層視覺特征的遙感影像檢索，傳統(tǒng)的低層視覺特征主要包括影像光譜（顏色）特征、紋理特征和形狀特征。其中，光譜（顏色）特征和紋理特征屬于影像的全局特征，往往對高分辨率遙感影像中較小地物目標(biāo)的特征描述不夠準(zhǔn)確，而形狀特征很難適應(yīng)遙感影像的空間復(fù)雜性，一般僅用于內(nèi)容單一、易于識別的自然圖像檢索。

對于高分辨率遙感影像來說，其地物類型多樣且空間關(guān)系復(fù)雜，傳統(tǒng)的低層視覺特征很難準(zhǔn)確地描述影像的場景信息，因此采用這類特征進(jìn)行高分辨率遙感影像檢索時往往很難獲得準(zhǔn)確的檢索結(jié)果。符合人類視覺感知特性的影像檢索方法被視為解決這一問題的有效途徑。人類視覺系統(tǒng)在進(jìn)行影像識別和理解時，往往會選擇性地關(guān)注視覺顯著區(qū)內(nèi)的顯著局部特征，尤其是從影像關(guān)鍵點(diǎn)鄰域中提取的局部不變特征，同時會抑制非顯著區(qū)內(nèi)影像特征的提取和表達(dá)，以保證影像理解的準(zhǔn)確性和高效性。目前，如何模擬人類的視覺注意機(jī)制以準(zhǔn)確預(yù)測影像的視覺顯著區(qū)已成為計算機(jī)視覺領(lǐng)域的熱點(diǎn)問題。但是，現(xiàn)有模型大多針對影像的每個像素計算其對應(yīng)的顯著度，往往忽略了相鄰像素間的空間一致性和顏色一致性等特性，未能從一致性區(qū)域的角度來計算各區(qū)域的顯著度，導(dǎo)致提取的視覺顯著區(qū)不夠準(zhǔn)確和完整，進(jìn)而影響顯著局部特征的提取和表達(dá)。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的缺點(diǎn)和不足，提供一種基于視覺顯著點(diǎn)特征的遙感影像檢索方法，通過模擬人眼選擇性注意機(jī)制的視覺注意模型和區(qū)域一致性分割算法提取出較為完整和準(zhǔn)確的影像視覺顯著區(qū)，進(jìn)而結(jié)合局部不變特征算子構(gòu)建遙感影像的局部視覺顯著特征，以獲取遙感影像中顯著地物對象的穩(wěn)健特征描述，提高遙感影像檢索的查準(zhǔn)率和效率。

本發(fā)明所采用的技術(shù)方案是一種基于視覺顯著點(diǎn)特征的遙感影像檢索方法，包括以下步驟：

步驟一，對于影像庫中的每一幅影像，分別采用GBVS模型計算相應(yīng)的影像顯著圖，獲得影像中每個像素對應(yīng)的顯著度；影像庫中的影像包括預(yù)先輸入的查詢影像和多幅候選影像；

步驟二，對于影像庫中的每一幅影像，進(jìn)行基于Quick?Shift算法的過分割；

步驟三，對于影像庫中的每一幅影像，分別利用步驟一獲取的像素顯著度和步驟二獲取的影像過分割結(jié)果，計算影像過分割結(jié)果中每個區(qū)域的顯著度，形成分割區(qū)域顯著圖；

步驟四，對于影像庫中的每一幅影像，分別基于步驟三中獲得的分割區(qū)域顯著圖，采用OTSU算法進(jìn)行自適應(yīng)閾值分割，提取影像的視覺顯著區(qū)；

步驟五，對于影像庫中的每一幅影像，分別利用SIFT算子計算所有局部不變特征，獲得相應(yīng)歸一化的特征向量；

步驟六，對于影像庫中的每一幅影像，分別利用步驟四獲取的視覺顯著區(qū)對步驟五獲取的所有局部不變特征進(jìn)行過濾，將視覺顯著區(qū)內(nèi)的局部不變特征視為視覺顯著點(diǎn)特征，進(jìn)而由多個視覺顯著點(diǎn)的相應(yīng)特征向量構(gòu)建視覺顯著點(diǎn)特征矩陣，作為影像的特征描述；

步驟七，采用預(yù)設(shè)的相似性度量方法，通過視覺顯著點(diǎn)特征矩陣計算查詢影像與影像庫中各候選影像的相似度，將候選影像按照相似度從大到小排序并輸出為檢索結(jié)果。

而且，步驟三中，計算影像過分割結(jié)果中每個區(qū)域的顯著度時，首先統(tǒng)計區(qū)域內(nèi)每個像素的顯著度，然后計算區(qū)域內(nèi)所有像素的顯著度均值作為區(qū)域顯著度。

而且，步驟七中，預(yù)設(shè)的相似性度量方法實(shí)現(xiàn)方式如下，

(1)對于影像庫中所有候選影像，分別進(jìn)行以下處理，

對于查詢影像的視覺顯著點(diǎn)特征矩陣中每個特征向量，計算其與候選影像的視覺顯著點(diǎn)特征矩陣中所有特征向量的最小歐氏距離，記為該特征向量到候選影像的視覺顯著點(diǎn)特征矩陣的距離；

計算查詢影像的視覺顯著點(diǎn)特征矩陣中所有特征向量到候選影像的視覺顯著點(diǎn)特征矩陣的距離均值，記為查詢影像到候選影像的距離；