[發明專利]基于對象隨機游走的遙感圖像視覺顯著性檢測方法及系統

有效

• 申請號: 201410763638.0
• 申請日: 2014-12-11
• 公開（公告）號: CN104408733A
• 公開（公告）日: 2015-03-11
• 發明（設計）人: 邵振峰;王星
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

1.一種基于對象隨機游走的遙感圖像視覺顯著性檢測方法，其特征在于，包括以下步驟：

步驟一，設置多個尺度參數對原始遙感圖像進行多尺度分割，并在每個尺度下分別對顏色特征相似的鄰接區域進行合并，獲得多個尺度的分割結果；

步驟二，對于每個尺度下的分割結果，分別提取每個分割區域的視覺特征，構建當前尺度下的對象集合，實現方式如下，

設原始遙感圖像I在任一尺度n下的分割結果為SEG_n，n＝1,2,...,N，N為尺度總數，SEG_n中任一分割區域記為i＝1,2,...,R(n)，R(n)為尺度n下的分割區域總數，以分割區域為基礎，構建對象統計分割區域的基本屬性以及視覺特征，得到尺度n下的對象集合

其中，分割區域的基本屬性包括面積中心坐標和鄰接對象集合{Objk(n)|k∈NB(Obji(n))},]]>為對象的所有鄰接對象序值編號的集合；

步驟三，對于每個尺度下的對象集合，通過對象間的特征差異計算對應的邊緣權重，并計算注意焦點在對象間的轉移概率，獲得注意焦點的轉移概率矩陣，實現方式如下，

對于尺度n下的對象集合若兩個對象在空間上不相鄰，則它們之間的邊緣權重為0，若兩個對象在空間上相鄰，則它們之間的邊緣權重按下式計算，

wi,k(n)=DFea(Obji(n),Objk(n))·DSpt(Obji(n),Objk(n))]]>

其中，為對象與某個鄰接對象之間的邊緣權重，表示對象間的視覺特征差異因子，根據相應視覺特征得到；表示對象的中心間的空間距離因子，根據相應中心坐標得到；

計算注意焦點在對象與對象集合中任一對象之間的轉移概率如下，

pi,k(n)=wi,k(n)/Σk=1R(n)wi,k(n)]]>

其中，k＝1,2,...,R(n)；

構建注意焦點在對象集合中各個對象間的轉移概率矩陣P⁽ⁿ⁾如下，

P(n)=p1,1(n)p1,2(n)···p1,R(n)(n)p2,1(n)p2,2(n)···p2,R(n)(n)············pR(n),1(n)pR(n),2(n)···pR(n),R(n)(n)]]>

步驟四，對于每個尺度下的對象集合，分別根據注意焦點的轉移概率矩陣計算注意焦點在所有對象間的平穩分布，由該平穩分布中每個對象對應的概率進一步計算視覺顯著性并歸一化，獲得當前尺度下的歸一化視覺顯著圖，實現方式如下，

設對于尺度n下的對象集合注意焦點在所有對象間的平穩分布為平穩分布Π⁽ⁿ⁾中任一元素為注意焦點集中在對象上的概率，Π⁽ⁿ⁾＝Π⁽ⁿ⁾·P⁽ⁿ⁾；

計算對象對應的對象面積因子

根據對象的概率和對象面積因子計算對象的視覺顯著性如下，

Si(n)=πi(n)·Ai(n)]]>

進行歸一化如下，

Saliencyi(n)=Si(n)-min({Si(n)})max({Si(n)})-min({Si(n)})]]>

其中，為對象的歸一化視覺顯著性，根據尺度n下的對象集合中各對象的歸一化視覺顯著性，得到尺度n下的歸一化視覺顯著圖；

步驟五，融合各個尺度下的視覺顯著圖，即可獲得該遙感圖像最終的視覺顯著圖，實現方式如下，

設原始遙感圖像I中的任一像素為p，則像素p相應多尺度融合的視覺顯著性按下式計算，

SMap(p)=Σn=1NΣi=1R(n)Saliencyi(n)·(||Ip-ci(n)||+ϵ)-1·l(p∈Obji(n))Σn=1NΣi=1R(n)(||Ip-ci(n)||+ϵ)-1·l(p∈Obji(n))]]>

l(p∈Obji(n))=1,p∈Obji(n)0,p∉Obji(n)]]>

其中，I_p為像素p在RGB顏色空間的三維特征向量，為對象中所有像素的RGB顏色特征向量均值，ε是一個預設的常數，為指示函數；

獲得原始遙感圖像I中所有像素多尺度融合的視覺顯著性后，進一步對所有像素的視覺顯著性進行線性歸一化處理如下，

SMapNor(p)=SMap(p)-min(SMap)max(SMap)-min(SMap)]]>

其中，SMapNor(p)表示像素p經線性歸一化處理后的視覺顯著性，min(SMap)和max(SMap)分別表示線性歸一化處理前所有像素視覺顯著性的最小值和最大值，完成上述線性歸一化處理后，得到最終的視覺顯著圖。