《基于对象随机游走的遥感图像视觉显著性检测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于对象随机游走的遥感图像视觉显著性检测方法及系统.pdf（21页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410763638.0 (22)申请日 2014.12.11 G06T 7/00(2006.01) G06K 9/46(2006.01) (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山武 汉大学 (72)发明人 邵振峰 王星 (74)专利代理机构 武汉科皓知识产权代理事务 所 ( 特殊普通合伙 ) 42222 代理人 严彦 (54) 发明名称 基于对象随机游走的遥感图像视觉显著性检 测方法及系统 (57) 摘要 一种基于对象随机游走的遥感图像视觉显著 性检测方法及系统， 包括进行多尺度分割， 并在每 个尺度下。
2、分别对颜色特征相似的邻接区域进行 合并 ； 对于每个尺度下的分割结果， 分别提取每 个分割区域的视觉特征， 构建当前尺度下的对象 集合 ； 对于每个尺度下的对象集合， 通过对象间 的特征差异计算对应的边缘权重， 并计算注意焦 点在对象间的转移概率， 获得注意焦点的转移概 率矩阵， 分别根据注意焦点的转移概率矩阵计算 注意焦点在所有对象间的平稳分布， 由该平稳分 布中每个对象对应的概率进一步计算视觉显著性 并归一化， 获得当前尺度下的归一化视觉显著图 ； 融合各个尺度下的视觉显著图， 即可获得该遥感 图像最终的视觉显著图。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发。
3、明专利申请 权利要求书6页 说明书13页 附图1页 (10)申请公布号 CN 104408733 A (43)申请公布日 2015.03.11 CN 104408733 A 1/6 页 2 1. 一种基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在于， 包括以下步 骤 ： 步骤一， 设置多个尺度参数对原始遥感图像进行多尺度分割， 并在每个尺度下分别对 颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果 ； 步骤二， 对于每个尺度下的分割结果， 分别提取每个分割区域的视觉特征， 构建当前尺 度下的对象集合， 实现方式如下， 设原始遥感图像 I 在任一尺度 n 下的分割结果为 SEG。
4、n， n 1,2,.,N， N 为尺度总数， SEGn中任一分割区域记为i 1,2,.,R(n)， R(n) 为尺度 n 下的分割区域总数， 以分 割区域为基础， 构建对象统计分割区域的基本属性以及视觉特征， 得到尺度 n 下的对象集合 其中， 分割区域的基本属性包括面积中心坐标和邻接对象集合 为对象的所有邻接对象序值编号的集合 ； 步骤三， 对于每个尺度下的对象集合， 通过对象间的特征差异计算对应的边缘权重， 并 计算注意焦点在对象间的转移概率， 获得注意焦点的转移概率矩阵， 实现方式如下， 对于尺度 n 下的对象集合若两个对象在空间上不相邻， 则它们之间的边缘 权重为 0， 若两个对象在空。
5、间上相邻， 则它们之间的边缘权重按下式计算， 其中，为对象与某个邻接对象之间的边缘权重， 表示对象间的视觉特征差异因子， 根据相应视觉特征得 到 ；表示对象的中心间的空间距离因子， 根据相应中心坐 标得到 ； 计算注意焦点在对象与对象集合中任一对象之间的转移概率 如下， 其中， k 1,2,.,R(n) ； 构建注意焦点在对象集合中各个对象间的转移概率矩阵 P(n)如下， 权 利 要 求 书 CN 104408733 A 2 2/6 页 3 步骤四， 对于每个尺度下的对象集合， 分别根据注意焦点的转移概率矩阵计算注意焦 点在所有对象间的平稳分布， 由该平稳分布中每个对象对应的概率进一步计算视觉。
6、显著性 并归一化， 获得当前尺度下的归一化视觉显著图， 实现方式如下， 设对于尺度 n 下的对象集合注意焦点在所有对象间的平稳分布为 平稳分布(n)中任一元素为注意焦点集中在对象上的 概率， (n) (n)P(n)； 计算对象对应的对象面积因子 根据对象的概率和对象面积因子计算对象的视觉显著性如 下， 进行归一化如下， 其中，为对象的归一化视觉显著性， 根据尺度 n 下的对象集合 中各对象的归一化视觉显著性， 得到尺度 n 下的归一化视觉显著图 ； 步骤五， 融合各个尺度下的视觉显著图， 即可获得该遥感图像最终的视觉显著图， 实现 方式如下， 设原始遥感图像I中的任一像素为p， 则像素p相应多。
7、尺度融合的视觉显著性按下式计 算， 其中， Ip为像素p在RGB颜色空间的三维特征向量，为对象中所有像素的RGB 权 利 要 求 书 CN 104408733 A 3 3/6 页 4 颜色特征向量均值， 是一个预设的常数，为指示函数 ； 获得原始遥感图像 I 中所有像素多尺度融合的视觉显著性后， 进一步对所有像素的视 觉显著性进行线性归一化处理如下， 其中， SMapNor(p) 表示像素 p 经线性归一化处理后的视觉显著性， min(SMap) 和 max(SMap) 分别表示线性归一化处理前所有像素视觉显著性的最小值和最大值， 完成上述 线性归一化处理后， 得到最终的视觉显著图。 2. 根。
8、据权利要求 1 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在 于 ： 步骤一中， 对原始遥感图像进行多尺度分割时， 采用分水岭分割方法、 Quick Shift方法 或基于图论的分割方法。 3. 根据权利要求 1 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在 于 ： 步骤三中，根据下式计算， 其 中，为 对 象对 象分 别 的 中 心 坐 标 间的欧氏距离， N() 为线性归一化函数， 为预设的常数。 4. 根据权利要求 1 或 2 或 3 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在于 ： 步骤二中， 提取的分割区域的视觉特征为颜色特征、 亮度。
9、特征或者纹理特征。 5. 根据权利要求 1 或 2 或 3 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在于 ： 步骤三中，根据下式计算， 其中，分别为对象对象的视觉特征， 2() 为视觉特征间的 卡方距离， N() 为线性归一化函数。 6. 根据权利要求 1 或 2 或 3 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在于 ： 步骤四中，根据边缘权重进行如下快速计算获得， 其中，表示任一对象与所有相邻对象间的边缘权重之和， 表示图中所有边缘权重之和。 7. 根据权利要求 1 或 2 或 3 所述基于对象随机游走的遥感图像视觉显著性检测方法， 其特征在于 ： 步骤四。
10、中， 计算对象对应的对象面积因子如下， 权 利 要 求 书 CN 104408733 A 4 4/6 页 5 其中， iw 和 ih 分别为原始遥感图像的宽和高， Y 为预设的常数。 8. 一种基于对象随机游走的遥感图像视觉显著性检测系统， 其特征在于， 包括以下模 块 ： 多尺度分割模块， 用于设置多个尺度参数对原始遥感图像进行多尺度分割， 并在每个 尺度下分别对颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果 ； 视觉特征提取模块， 用于每个尺度下的分割结果， 分别提取每个分割区域的视觉特征， 构建当前尺度下的对象集合， 实现方式如下， 设原始遥感图像 I 在任一尺度 n 下的分割。
11、结果为 SEGn， n 1,2,.,N， N 为尺度总数， SEGn中任一分割区域记为i 1,2,.,R(n)， R(n) 为尺度 n 下的分割区域总数， 以分 割区域为基础， 构建对象统计分割区域的基本属性以及视觉特征， 得到尺度 n 下的对象集合 其中， 分割区域的基本属性包括面积中心坐标和邻接对象集合 为对象的所有邻接对象序值编号的集合 ； 转移概率计算模块， 用于对于每个尺度下的对象集合， 通过对象间的特征差异计算对 应的边缘权重， 并计算注意焦点在对象间的转移概率， 获得注意焦点的转移概率矩阵， 实现 方式如下， 对于尺度 n 下的对象集合若两个对象在空间上不相邻， 则它们之间的边缘。
12、 权重为 0， 若两个对象在空间上相邻， 则它们之间的边缘权重按下式计算， 其中，为对象与某个邻接对象之间的边缘权重， 表示对象间的视觉特征差异因子， 根据相应视觉特征得 到 ；表示对象的中心间的空间距离因子， 根据相应中心坐 标得到 ； 计算注意焦点在对象与对象集合中任一对象之间的转移概率 如下， 其中， k 1,2,.,R(n) ； 构建注意焦点在对象集合中各个对象间的转移概率矩阵 P(n)如下， 权 利 要 求 书 CN 104408733 A 5 5/6 页 6 视觉显著性提取模块， 用于对于每个尺度下的对象集合， 分别根据注意焦点的转移概 率矩阵计算注意焦点在所有对象间的平稳分布， 。
13、由该平稳分布中每个对象对应的概率进一 步计算视觉显著性并归一化， 获得当前尺度下的归一化视觉显著图， 实现方式如下， 设对于尺度 n 下的对象集合注意焦点在所有对象间的平稳分布为 平稳分布(n)中任一元素为注意焦点集中在对象上的 概率， (n) (n)P(n)； 计算对象对应的对象面积因子 根据对象的概率和对象面积因子计算对象的视觉显著性如 下， 进行归一化如下， 其中，为对象的归一化视觉显著性， 根据尺度 n 下的对象集合 中各对象的归一化视觉显著性， 得到尺度 n 下的归一化视觉显著图 ； 多尺度视觉显著性融合模块， 用于融合各个尺度下的视觉显著图， 即可获得该遥感图 像最终的视觉显著图，。
14、 实现方式如下， 设原始遥感图像I中的任一像素为p， 则像素p相应多尺度融合的视觉显著性按下式计 算， 其中， Ip为像素 p 在 RGB 颜色空间的三维特征向量，为对象中所有像素的 RGB 权 利 要 求 书 CN 104408733 A 6 6/6 页 7 颜色特征向量均值， 是一个预设的常数，为指示函数 ； 获得原始遥感图像 I 中所有像素多尺度融合的视觉显著性后， 进一步对所有像素的视 觉显著性进行线性归一化处理如下， 其中， SMapNor(p) 表示像素 p 经线性归一化处理后的视觉显著性， min(SMap) 和 max(SMap) 分别表示线性归一化处理前所有像素视觉显著性的最。
15、小值和最大值， 完成上述 线性归一化处理后， 得到最终的视觉显著图。 权 利 要 求 书 CN 104408733 A 7 1/13 页 8 基于对象随机游走的遥感图像视觉显著性检测方法及系统 技术领域 0001 本发明涉及图像处理技术领域， 更具体地说， 涉及一种基于对象随机游走的遥感 图像视觉显著性检测方法及系统。 背景技术 0002 遥感作为一种主要的对地观测技术， 其所获取的高分辨率光学图像是对地球表面 各类地物的空间分布最直观、 真实的写照。由于地球表面积巨大， 且地物覆盖类型繁多、 变 化复杂， 因此获取的高分辨率遥感图像呈现出数据上的海量性、 内容上的多样性以及结构 上的复杂性。。
16、 这些特性使得人们在使用计算机进行遥感图像自动化处理时， 不但耗时较多， 而且很难获取图像中主要地物对象或感兴趣区域的准确特征描述。目前， 这一现象已成为 制约遥感图像高效分析与应用的瓶颈问题。 0003 另一方面， 早在上世纪 80 年代， 视觉神经学家们就发现， 人类视觉系统 (Human Visual System， HVS) 在处理复杂场景中大量的视觉信息时， 会选择性地关注某些重要的局 部区域并忽略大部分不重要的背景区域， 从而高效地获取复杂场景中关键的视觉信息。 HVS 的这种选择性注意机制在视觉行为上具体表现为注意焦点 (Focus of Attention， FOA) 的 选择。
17、与转移。已有认知心理学的研究表明， FOA 的转移路径具有一定的随机性， 并且采用适 当的随机游走模型能够有效预测 FOA 的转移路径。在这一理论基础上， 研究人员提出了一 系列基于随机游走的视觉注意模型， 用于预测图像的视觉显著性分布。 但是， 传统基于随机 游走的视觉注意模型在提取图像显著区时仍然存在一定的局限性， 主要表现在两个方面 ： 首先， 传统模型都以像素为基本单元， 计算每个像素对应的显著值， 在构建马尔可夫链的过 程中， 设置的节点过多， 转移概率矩阵过大， 计算复杂度很高 ； 其次， 传统模型计算所得的显 著图都经过了高斯平滑处理， 显著区域的边缘非常模糊， 对于提取高分辨率。
18、遥感图像的显 著地物对象十分不利。 因此， 如何针对高分辨率遥感图像分析与应用的需求， 构建准确高效 的遥感图像视觉显著性检测方案是一个亟待解决的问题。 发明内容 0004 本发明的目的在于针对现有技术的缺点和不足， 提供一种基于对象随机游走的遥 感图像视觉显著性检测方法， 将面向对象的图像分析思想引入到视觉注意模型中， 通过模 拟 FOA 在图像对象间的转移路径来计算图像中所有对象的视觉显著性分布， 以获取整幅图 像的视觉显著图。 0005 本发明所采用的技术方案是一种基于对象随机游走的遥感图像视觉显著性检测 方法， 包括以下步骤 ： 0006 步骤一， 设置多个尺度参数对原始遥感图像进行多。
19、尺度分割， 并在每个尺度下分 别对颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果 ； 0007 步骤二， 对于每个尺度下的分割结果， 分别提取每个分割区域的视觉特征， 构建当 前尺度下的对象集合， 实现方式如下， 说 明 书 CN 104408733 A 8 2/13 页 9 0008 设原始遥感图像 I 在任一尺度 n 下的分割结果为 SEGn， n 1,2,.,N， N 为尺度 总数， SEGn中任一分割区域记为i 1,2,.,R(n)， R(n) 为尺度 n 下的分割区域总数， 以分割区域为基础， 构建对象统计分割区域的基本属性以及视觉特征， 得到 尺度 n 下的对象集合 00。
20、09 其中， 分割区域的基本属性包括面积中心坐标和邻接对象集 合为对象的所有邻接对象序值编号的集合 ； 0010 步骤三， 对于每个尺度下的对象集合， 通过对象间的特征差异计算对应的边缘权 重， 并计算注意焦点在对象间的转移概率， 获得注意焦点的转移概率矩阵， 实现方式如下， 0011 对于尺度 n 下的对象集合若两个对象在空间上不相邻， 则它们之间的 边缘权重为 0， 若两个对象在空间上相邻， 则它们之间的边缘权重按下式计算， 0012 0013 其中，为对象与某个邻接对象之间的边缘权重， 表示对象间的视觉特征差异因子， 根据相应视觉特征得 到 ；表示对象的中心间的空间距离因子， 根据相应中。
21、心坐标 得到 ； 0014 计算注意焦点在对象与对象集合中任一对象之间的转移概 率如下， 0015 0016 其中， k 1,2,.,R(n) ； 0017 构建注意焦点在对象集合中各个对象间的转移概率矩阵 P(n)如下， 0018 0019 步骤四， 对于每个尺度下的对象集合， 分别根据注意焦点的转移概率矩阵计算注 意焦点在所有对象间的平稳分布， 由该平稳分布中每个对象对应的概率进一步计算视觉显 著性并归一化， 获得当前尺度下的归一化视觉显著图， 实现方式如下， 0020 设对于尺度 n 下的对象集合注意焦点在所有对象间的平稳分布为 平稳分布(n)中任一元素为注意焦点集中在对象上的概 说 明。
22、 书 CN 104408733 A 9 3/13 页 10 率， (n) (n)P(n)； 0021 计算对象对应的对象面积因子 0022 根据对象的概率和对象面积因子计算对象的视觉显著性 如下， 0023 0024 进行归一化如下， 0025 0026 其中，为对象的归一化视觉显著性， 根据尺度 n 下的对象集合 中各对象的归一化视觉显著性， 得到尺度 n 下的归一化视觉显著图 ； 0027 步骤五， 融合各个尺度下的视觉显著图， 即可获得该遥感图像最终的视觉显著图， 实现方式如下， 0028 设原始遥感图像I中的任一像素为p， 则像素p相应多尺度融合的视觉显著性按下 式计算， 0029 0。
23、030 0031 其中， Ip为像素 p 在 RGB 颜色空间的三维特征向量，为对象中所有像素的 RGB 颜色特征向量均值， 是一个预设的常数，为指示函数 ； 0032 获得原始遥感图像 I 中所有像素多尺度融合的视觉显著性后， 进一步对所有像素 的视觉显著性进行线性归一化处理如下， 0033 0034 其中， SMapNor(p) 表示像素 p 经线性归一化处理后的视觉显著性， min(SMap) 和 max(SMap) 分别表示线性归一化处理前所有像素视觉显著性的最小值和最大值， 完成上述 线性归一化处理后， 得到最终的视觉显著图。 0035 而且， 步骤一中， 对原始遥感图像进行多尺度分。
24、割时， 采用分水岭分割方法、 Quick Shift 方法或基于图论的分割方法。 0036 而且， 步骤三中，根据下式计算， 0037 说 明 书 CN 104408733 A 10 4/13 页 11 0038 其 中，为 对 象对 象分 别 的 中 心 坐 标 间的欧氏距离， N() 为线性归一化函数， 为预设的常数。 0039 而且， 步骤二中， 提取的分割区域的视觉特征为颜色特征、 亮度特征或者纹理特 征。 0040 而且， 步骤三中，根据下式计算， 0041 0042 其中，分别为对象对象的视觉特征， 2( ) 为视觉特征间 的卡方距离， N() 为线性归一化函数。 0043 而且，。
25、 步骤四中，根据边缘权重进行如下快速计算获得， 0044 0045 其中，表示任一对象与所有相邻对象间的边缘权重 之和，表示图中所有边缘权重之和。 0046 而且， 步骤四中， 计算对象对应的对象面积因子如下， 0047 0048 其中， iw 和 ih 分别为原始遥感图像的宽和高， Y 为预设的常数。 0049 本发明还相应提供一种基于对象随机游走的遥感图像视觉显著性检测系统， 包括 以下模块 ： 0050 多尺度分割模块， 用于设置多个尺度参数对原始遥感图像进行多尺度分割， 并在 每个尺度下分别对颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果 ； 0051 视觉特征提取模块， 用。
26、于每个尺度下的分割结果， 分别提取每个分割区域的视觉 特征， 构建当前尺度下的对象集合， 实现方式如下， 0052 设原始遥感图像 I 在任一尺度 n 下的分割结果为 SEGn， n 1,2,.,N， N 为尺度 总数， SEGn中任一分割区域记为i 1,2,.,R(n)， R(n) 为尺度 n 下的分割区域总数， 以分割区域为基础， 构建对象统计分割区域的基本属性以及视觉特征， 得到 尺度 n 下的对象集合 0053 其中， 分割区域的基本属性包括面积中心坐标和邻接对象集 合为对象的所有邻接对象序值编号的集合 ； 0054 转移概率计算模块， 用于对于每个尺度下的对象集合， 通过对象间的特征。
27、差异计 算对应的边缘权重， 并计算注意焦点在对象间的转移概率， 获得注意焦点的转移概率矩阵， 实现方式如下， 说 明 书 CN 104408733 A 11 5/13 页 12 0055 对于尺度 n 下的对象集合若两个对象在空间上不相邻， 则它们之间的 边缘权重为 0， 若两个对象在空间上相邻， 则它们之间的边缘权重按下式计算， 0056 0057 其中，为对象与某个邻接对象之间的边缘权重， 表示对象间的视觉特征差异因子， 根据相应视觉特征得 到 ；表示对象的中心间的空间距离因子， 根据相应中心坐 标得到 ； 0058 计算注意焦点在对象与对象集合中任一对象之间的转移 概率如下， 0059 。
28、0060 其中， k 1,2,.,R(n) ； 0061 构建注意焦点在对象集合中各个对象间的转移概率矩阵 P(n)如下， 0062 0063 视觉显著性提取模块， 用于对于每个尺度下的对象集合， 分别根据注意焦点的转 移概率矩阵计算注意焦点在所有对象间的平稳分布， 由该平稳分布中每个对象对应的概率 进一步计算视觉显著性并归一化， 获得当前尺度下的归一化视觉显著图， 实现方式如下， 0064 设对于尺度 n 下的对象集合注意焦点在所有对象间的平稳分布为 平稳分布 (n)中任一元素为注意焦点集中在对象上的 概率， (n) (n)P(n)； 0065 计算对象对应的对象面积因子 0066 根据对象。
29、的概率和对象面积因子计算对象的视觉显著性 如下， 0067 0068 进行归一化如下， 说 明 书 CN 104408733 A 12 6/13 页 13 0069 0070 其中，为对象的归一化视觉显著性， 根据尺度 n 下的对象集合 中各对象的归一化视觉显著性， 得到尺度 n 下的归一化视觉显著图 ； 0071 多尺度视觉显著性融合模块， 用于融合各个尺度下的视觉显著图， 即可获得该遥 感图像最终的视觉显著图， 实现方式如下， 0072 设原始遥感图像I中的任一像素为p， 则像素p相应多尺度融合的视觉显著性按下 式计算， 0073 0074 0075 其中， Ip为像素 p 在 RGB 颜。
30、色空间的三维特征向量，为对象中所有像素 的 RGB 颜色特征向量均值， 是一个预设的常数，为指示函数 ； 0076 获得原始遥感图像 I 中所有像素多尺度融合的视觉显著性后， 进一步对所有像素 的视觉显著性进行线性归一化处理如下， 0077 0078 其中， SMapNor(p) 表示像素 p 经线性归一化处理后的视觉显著性， min(SMap) 和 max(SMap) 分别表示线性归一化处理前所有像素视觉显著性的最小值和最大值， 完成上述 线性归一化处理后， 得到最终的视觉显著图。 0079 受面向对象的图像分析思想启发， 本发明将每个尺度下的图像分割结果视为一幅 无向加权图， 而每个对象对。
31、应于图中的一个节点， 对象间的特征差异可作为节点之间边缘 权重的计算依据， 由此则可构建一个FOA在对象间转移的马尔可夫链， 最终通过计算FOA在 图像对象间的平稳分布来获得各对象的视觉显著性。本发明提供的技术方案的有益效果 为， 通过引入面向对象的图像分析思想， 采用由空间相邻的相似像素组成的图像对象替代 单个像素作为显著性计算的基本单元， 不但能够有效减少马尔可夫链中的节点数， 降低算 法复杂度， 而且计算所得的视觉显著图中显著区域边缘清晰， 显著目标轮廓分明， 结果符合 人类视觉感知特性， 有利于自动提取遥感图像中的感兴趣区域。同时， 本发明提供的技术 方案具有良好的可扩展性， 所采用的。
32、分割区域视觉特征包括但不限于本发明中所提及的颜 色、 亮度和纹理， 只要是符合人类视觉感知特性的特征， 都能顺利地纳入本发明提供的技术 方案中。此外， 本发明提供的技术方案适用于多种地物类型的遥感图像感兴趣区域自动提 取。 说 明 书 CN 104408733 A 13 7/13 页 14 附图说明 0080 图 1 为本发明实施例的流程图。 具体实施方式 0081 本发明提出的基于对象随机游走的遥感图像视觉显著性检测技术方案先对原始 遥感图像进行多尺度分割， 并在每个尺度下对颜色特征相似的邻接区域进行合并， 获得多 个尺度的分割结果， 随后对于每个尺度下的分割结果， 提取每个分割区域的视觉特。
33、征， 构建 当前尺度下的图像对象集合， 接着对于每个尺度下的对象集合， 通过对象间的特征差异计 算其对应的边缘权重， 进而计算 FOA 在对象间的转移概率， 获得 FOA 的转移概率矩阵， 然后 根据 FOA 的转移概率矩阵计算 FOA 在所有对象间的平稳分布， 并由该平稳分布中每个对象 对应的概率进一步计算其视觉显著性， 获得当前尺度下的视觉显著图， 最后融合各个尺度 下的视觉显著图， 获得该遥感图像最终的视觉显著图。其中主要包括多尺度分割及区域合 并、 提取对象视觉特征、 计算 FOA 在对象间的转移概率、 计算对象视觉显著性和多尺度视觉 显著性融合五个步骤。 0082 具体实施时， 本发。
34、明技术方案可采用计算机技术实现自动运行流程。为详细说明 本发明技术方案， 参见图 1， 提供实施例流程具体说明如下 ： 0083 步骤 S01， 设置多个尺度参数对原始遥感图像进行多尺度分割， 并在每个尺度下对 颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果。 0084 对原始遥感图像进行多尺度分割时， 采用主流的图像多尺度分割方法即可， 例 如分水岭分割方法、 Quick Shift 方法和基于图论的分割方法等。实施例首先设置一 组多尺度的分割参数， 并采用一种高效的基于图论的图像分割方法 (Felzenszwalb and Hunttenlocher， 2004) 对原始遥感图像。
35、进行多尺度分割。基于图论的图像分割方法为现有 技术， 本发明不予赘述， 具体实施时可参考文献 ： Felzenszwalb P,Huttenlocher D.2004. Effi cient graph-based image segmentationJ.International Journal of Computer Vision,59(2):167-181. 0085 在进行图像多尺度分割的基础上， 对于每个尺度下的初始分割结果， 分别统计每 个分割区域在 CIELab 颜色空间的颜色直方图， CIELab 颜色空间是颜色 - 对立空间， 维度 L 表示亮度， a 和 b 表示颜色对立维。
36、度。其中 L、 a 和 b 三个颜色通道分别量化为 8 级、 16 级 和 16 级。然后， 统计各个分割区域之间的邻接关系， 并对颜色直方图之间卡方距离小于设 定阈值 ( 本领域技术人员可自行预设取值， 实施例中为 0.1) 的邻接区域进行合并， 最终获 得多个尺度的分割结果。 0086 步骤 S02， 对于每个尺度下的分割结果， 分别提取每个分割区域的视觉特征， 构建 当前尺度下的图像对象集合。 0087 实施例分别统计了每个尺度下各个分割区域的基本属性， 并提取了各个分割区域 的视觉特征。 具体实施时， 本领域技术人员可自行设定提取一种或多种视觉特征， 建议提取 的分割区域的视觉特征为颜。
37、色特征、 亮度特征或者纹理特征。给定一幅原始遥感图像 I， 设 其在任一尺度 n 下的分割结果为 SEGn， 其中 n 1,2,.,N， N 为尺度总数 ( 本领域技术人 员可自行预设取值， 实施例中为 8)， SEGn中任一分割区域记为其中 i 1,2,.,R(n)， 说 明 书 CN 104408733 A 14 8/13 页 15 R(n) 为尺度 n 下的分割区域总数。以分割区域为基础， 构建对象还需统计该区 域的以下基本属性以及视觉特征 ： 0088 (1) 面积即该区域包含的像素总数 ； 0089 (2) 中心坐标即该区域内所有像素二维坐标的均值 ； 0090 (3) 邻接对象集合。
38、其中为对象的所有邻 接对象序值编号的集合， 此时序号为对象的任一邻接对象。 0091 视觉特征提取方式根据具体特征种类而定， 例如 ： 0092 对于颜色特征向量， 可采用HSV颜色空间中的H通道和CIELab颜色空间中的L、 a、 b 三个通道， 共同构建用于对象显著性计算的颜色特征图。HSV 颜色空间中 H、 S、 V 三个通 道分别表示色调、 饱和度、 亮度。首先将原始遥感图像从 RGB 颜色空间分别转换到 HSV 颜色 空间和 CIELab 颜色空间， 接着将 H、 L、 a、 b 四个通道中的取值分别量化为 4 级、 8 级、 16 级、 16级， 然后将上述四个通道合并为一个481。
39、6168192级的颜色特征图， 最后对于图 像中的每个分割区域， 统计其所包含像素的颜色特征直方图， 即可得每个对象的颜色特征 0093 对于亮度特征向量， 可将原始遥感图像从RGB颜色空间转换到HSV颜色空间， 接着 将V通道中的取值量化为256级， 然后对于图像中的每个分割区域， 统计其所包含像素的亮 度特征直方图， 即可得每个对象的亮度特征 0094 对于纹理特征向量， 本发明首先将原始遥感图像灰度化， 接着提取灰度化图像的 LBP 特征图和 LC 特征图， 并将 LC 特征图量化为 8 级， 然后将 LBP 特征图和 LC 特征图合并 为一个纹理特征图， 由于旋转不变的 LBP 模式仅。
40、有 36 种可能值， 因此二者可以合并为一个 368 288 级的纹理特征图， 最后对于图像中的每个分割区域， 统计其所包含像素的纹理 特征直方图， 即可得每个对象的纹理特征 0095 完成SEGn中所有分割区域相应对象的上述基本属性及视觉特征统计后， 即可构建尺度 n 下的对象集合n 1,2,.,N。 0096 步骤 S03， 对于每个尺度下的对象集合， 分别通过对象间的特征差异计算其对应的 边缘权重， 并基于此计算 FOA 在对象间的转移概率， 获得 FOA 的转移概率矩阵。 0097 实施例中， 对于尺度 n 下的对象集合图像对象间的边缘权重主要由相 邻对象间的视觉特征差异和对象中心间的。
41、空间距离两个因子决定， 其计算公式为 ： 0098 0099 其中，表示对象与其某个邻接对象之间的边缘 权重， 而若两个对象在空间上不相邻， 则它们之间的边缘权重为 0。 0100 表示两对象间的视觉特征差异因子， 按下式计算， 说 明 书 CN 104408733 A 15 9/13 页 16 0101 0102 其中， 2() 为视觉特征间的卡方距离，为两对象的视觉特征。 0103 例如对于颜色特征， 其计算公式为 ： 0104 0105 其中， 计算亮度特征或纹理特征差异时， 替换公式中对应的特征即可。 0106 N() 为线性归一化函数， 设矩阵 M 中任一元素为 mp,q， max(。
42、M) 为矩阵中所有元素 的最大值， 则 mp,q的线性归一化结果 N(mp,q) 的计算公式为 ： 0107 0108 表示两对象中心间的空间距离因子， 其计算公式为 ： 0109 0110 其 中， N() 为 线 性 归 一 化 函 数，为 两 对 象 中 心 坐 标 间的欧氏距离， 为预设的常数， 可采用经验值， 实施例取 0.4。获得所 有对象间的边缘权重后， 即可进一步计算 FOA 在对象与其邻接对象之间的转移 概率扩展到计算 FOA 在对象与对象集合中任一对象之间的转 移概率此时 k 1,2,.,R(n)， R(n) 为尺度 n 下的分割区域总数， 其计算公式如下 ： 0111 0。
43、112 对象与在空间上不相邻时， 它们之间的边缘权重为 0， 相应 也为 0。对象与自己本身的转移概率也为 0， 因为 k i 时， 视觉特征差异因子 也为 0， 相应为 0。 0113 获得对象集合中所有对象与对象之间的转移概率后， 即可构建 FOA 在 对象集合中各个对象间的转移概率矩阵 P(n)， 有 R(n) 行 R(n) 列， 其表达式为 ： 0114 0115 步骤 S04， 对于每个尺度下的对象集合， 分别根据 FOA 的转移概率矩阵计算 FOA 在 说 明 书 CN 104408733 A 16 10/13 页 17 所有对象间的平稳分布， 由该平稳分布中每个对象对应的概率进一。
44、步计算其视觉显著性并 归一化， 即可获得当前尺度下的归一化视觉显著图。 0116 实施例首先根据 FOA 的转移概率矩阵计算其在所有对象间的平稳分布。设对于尺 度 n 下的对象集合FOA 的平稳分布为根据平稳分布的 性质， 其与转移概率矩阵 P(n)的关系满足以下公式 ： 0117 (n) (n)P(n) 0118 实际上， 平稳分布 (n)中任一元素为 FOA 集中在对象上的概率， 可通过 上述边缘权重快速计算获得， 因为非相邻对象的为 0， 可以只考虑相邻对象， 即此时 其计算式为 ： 0119 0120 其中，表示任一节点 ( 即对象 )与其所有相邻节点 ( 对象 ) 间的边 缘权重之和。
45、，表示图中所有边缘权重之和。除了 FOA 的平稳分布之外， 实施例认为图 像对象的视觉显著性还与对象的面积密切相关。 对于一幅分割结果较为稳定的遥感图像来 说， 区域面积过大的对象往往都是图像的背景， 因此在计算对象对应的对象面积因子 时， 需对大面积对象的视觉显著性加以抑制， 抑制方式可由本领域技术人员设定， 实施 例中采用的计算公式如下 ： 0121 0122 其中， iw 和 ih 分别为原始遥感图像的宽和高， Y 为常数， 可预设采用经验值， 实施 例取 0.52 ； (.)2表示括号内数值的平方。实验证明这种抑制方式较为有效。分别获得图 像中每个对象的 FOA 平稳概率分布和面积因子。
46、后， 即可计算其对应的视觉显著性 计算公式如下 ： 0123 0124 为了在各个尺度下获得归一化的视觉显著图， 实施例还对各个对象的视觉显著性 进行了线性归一化处理。设和分别表示尺度 n 下所有对象的视觉显 著性最大值和最小值， 则对象的归一化视觉显著性的计算公式如下 ： 0125 0126 将计算所得的每个对象的视觉显著性赋予其所含像素， 即可得到当前尺度下的归 一化视觉显著图。 0127 步骤 S05， 融合各个尺度下的视觉显著图， 即可获得该遥感图像最终的视觉显著 说 明 书 CN 104408733 A 17 11/13 页 18 图。 0128 实施例通过加权融合的方式融合多个尺度。
47、的视觉显著图。设原始遥感图像 I 中的 任一像素为 p， 则像素 p 多尺度融合的视觉显著性 SMap(p) 的计算公式如下 ： 0129 0130 其中， Ip为像素 p 在 RGB 颜色空间的三维特征向量，为对象中所有像素 的 RGB 颜色特征向量均值， 是一个常数 ( 本领域技术人员可自行预设取值， 建议取很小 的数， 实施例中设为 0.1)，为一个指示函数， 其具体取值情况如下 ： 0131 0132 实施例计算获得原始遥感图像 I 中所有像素多尺度融合的视觉显著性后， 进一步 对所有像素的视觉显著性进行线性归一化处理， 计算公式如下 ： 0133 0134 其中， SMapNor(p。
48、) 表示像素 p 经线性归一化处理后的视觉显著性， min(SMap) 和 max(SMap) 分别表示线性归一化处理前所有像素视觉显著性的最小值和最大值。完成上述 线性归一化处理后， 即得到最终的视觉显著图。 0135 本发明还相应提供一种基于对象随机游走的遥感图像视觉显著性检测系统， 包括 以下模块 ： 0136 多尺度分割模块， 用于设置多个尺度参数对原始遥感图像进行多尺度分割， 并在 每个尺度下分别对颜色特征相似的邻接区域进行合并， 获得多个尺度的分割结果 ； 0137 视觉特征提取模块， 用于每个尺度下的分割结果， 分别提取每个分割区域的视觉 特征， 构建当前尺度下的对象集合， 实现方式如下， 0138 设原始遥感图像 I 在任一尺度 n 下的分割结果为 SEGn， n 1,2,.,N， N 为尺度 总数， SEGn中任一分割区域记为i1,2,.,R(n)， R(n)为尺度n下的分割区域总数， 以分割区域为基础， 构建对象统计分割区域的基本属性以及视觉特征， 得到 尺度 n 下的对象集合 0139 其中， 分割区域的基本属性包括面积中心坐标和邻接对象集 合为对象的所有邻接对象序值编号的集合 ； 0140。