一种基于JPEG2000码流的在轨遥感图像城区检测方法技术

本发明专利技术提供一种基于JPEG2000码流的遥感图像城区检测方法，解决了遥感图像城区检测准确率和处理效率的矛盾。本发明专利技术直接从JPEG2000码流中提取图像内容信息，不对压缩码流进行解压缩，充分利用压缩数据，根据JPEG2000的码流组织，采用由粗到细的检测框架，先提取包头信息进行粗检测并剔除不存在目标的码流，然后提取含有图像原始信息的包体信息进行精细检测，提高检测的运算速度，并且整个过程只调用JPEG2000解码过程中的存储资源，保证了算法很少的存储空间消耗，有效提高算法在轨实时实现的可行性。

【技术实现步骤摘要】
一种基于JPEG2000码流的在轨遥感图像城区检测方法
本专利技术属于遥感图像处理
，尤其涉及一种基于高分辨率JPEG2000码流的在轨遥感图像的城区检测方法。
技术介绍
随着航空航天遥感技术的迅速发展，获得的遥感卫星影像的分辨率也越来越高，由此引发的对于遥感图像的处理性能和效率的要求也越来越高，其中，对于高分辨率遥感卫星的城区检测是一个重要的研究方向，尤其是城市配置科学性、城市发展规划以及军事安全与侦察均有重要意义。但是，大量高分辨率遥感卫星对传统的遥感图像处理方法和遥感图像传输处理框架带来两方面的挑战：(1)现有的检测方法需要以大量计算复杂度为代价换取高准确率，所以无法在轨完成，必须将遥感图像压缩下传至地面后处理，这样就严重滞后整个处理流程，无法满足实际应用的实时性要求；(2)遥感数据量的不断增大，星上不对遥感数据进行预处理或筛选，大多数据直接或简单压缩后直接下传，对星地间无线传输带宽造成压力，造成遥感图像处理传输系统效率低下甚至信息缺损。因此，必须考虑突破传统的处理模式，专利技术一种具有在轨处理可行性的城区检测算法，以解决上述矛盾。传统遥感目标检测方法大致包含两个步骤：(1)特征提取：基于图像像素提取大量不同特征(如Haar类特征、Scale-InvariantFeatureTransform(SIFT)、HistogramsofOrientedGradients(HOG)和高维学习特征)对目标进行表征建模，但由于高分辨率图像的数据量极大以及特征提取算法的高复杂度，无法达到较高的处理速度；(2)基于特征的目标分类：一类是非监督的方法(k-means，isodata等方法)，高分辨率会使类间方差减少，类内方差增大，从而导致分类错误；另一类是有监督方法(BP神经网络模型，遗传模型及支持向量机)，采用学习与训练的思想，具有较好的性能，但缺少训练样本和耗时的训练过程并不适合在轨遥感处理。同时一些工作对上述的目标检测框架进行了修改以提升其处理速度：一类是对特征进行修正，如特征简化、特征筛选和特征降维等方法，但这样大大降低特征鲁棒性；一类是减少图像数据处理量，如分块处理和降采样等方法，但这样会造成图像内容的截断或丢失，直接影响检测性能；还有一类是基于先验知识的预处理，如显著性检测方法，但这种方法会降低检测方法的范适性。所以，有必要提出一种同时较高准确率和处理速率的方法。遥感图像以压缩码流形式进行传输和存储，如JPEG2000为目前主流的遥感图像压缩标准，压缩码包含图像所有信息，同时数据量较小，对图像压缩码流直接进行城区检测，将解压缩和检测一体化，会大大加速检测速率并保证较好的检测效果。但是由于码流数据组织复杂，目前还没有很好的基于码流的检测方法。
技术实现思路
为解决上述问题，本专利技术提供一种基于JPEG2000码流的遥感图像城区检测方法，解决了遥感图像城区检测准确率和处理效率的矛盾。一种基于JPEG2000码流的遥感图像城区检测方法，包括以下步骤：步骤1：抓取JPEG2000压缩码流的Packet：读取待测遥感图像的JPEG2000压缩码流，根据压缩标准，提取JPEG2000压缩码流中各个Packet的位置；其中，各个Packet包括包头和包体，同时包体由码块构成，其中码块中的数据按比特层编码；步骤2：获取包头信息：基于各个Packet的位置，从每个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体内的所有码块信息，且一个包体内的所有码块信息为N×N个包头向量，其中N至少为1；步骤3：提取并融合包头的结构与纹理特征量：从N×N个包头向量中提取三个结构与纹理特征量，其中结构与纹理特征量包括编码最高位MBP、编码通道数NCP以及码流长度BU；然后分别将这三个结构与纹理特征量通过升采样进行融合，得到对应的比特显著性特征、编码显著性特征以及纹理丰富性特征；步骤4：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；步骤5：根据步骤4的分类结果，得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块，并将对应码块进行膨胀操作后得到补全的连通域，然后进入步骤6；将其他类别的码块从其所在的Packet中剔除，不再进行后续操作；步骤6：提取包体信息：提取步骤5中补全的连通域所在的各个Packet的位置，然后基于各个Packet的位置，从每个Packet中获取包体码流信息；步骤7：采用Tier-2解码器对码块的每个比特层进行熵编码，从而生成梯度图：初始化Tier-2解码器中寄存器的状态，并利用Tier-2解码器和JPEG2000熵编码的方法，计算步骤6得到的包体码流信息中各个码块每个比特层上相邻编码位小波系数的变化量，将变化量加权相加后得到小波系数的梯度图；步骤8：提取梯度特征：基于尺度空间理论，从步骤7中得到的小波系数的梯度图中提取局部特征SURF和图像纹理特征LBP，并将两个特征进行归一化处理后得到一个包体特征向量；步骤9：ELM城区分类：将步骤8得到的包体特征向量作为ELM二分类器的输入，对待测遥感图像进行城区-非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；步骤10：根据ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将这些码块组织成新的JPEG2000压缩码流进行显示、存储或传输。一种基于JPEG2000码流的遥感图像城区检测方法，步骤4所述的ELM多分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图执行步骤1～步骤3的操作，然后通过步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征来训练基于超级学习机的ELM多分类器。一种基于JPEG2000码流的遥感图像城区检测方法，所述的ELM多分类器内核为sigmoid函数，单层节点数为500。一种基于JPEG2000码流的遥感图像城区检测方法，步骤9所述的ELM二分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图依次执行步骤1～步骤8的操作，然后通过步骤8得到的包体特征向量来训练ELM二分类器。一种基于JPEG2000码流的遥感图像城区检测方法，所述的ELM二分类器内核为sigmoid函数，单层节点数为1000。一种基于JPEG2000码流的遥感图像城区检测方法，所述的设定的码块尺寸大小为4×4～128×128，单位为像素个数。一种基于JPEG2000码流的遥感图像城区检测方法，步骤2所述的N×N个包头向量具体获取方法为：根据JPEG2000编码扫描方式，将包头码流信息进行二维展开，并假设每个Packet有N×N个码块，然后将包头码流信息与包体中各个码块的位置一一对应，则得到N×N个包头向量。一种基于JPEG2000码流的遥感图像城区检测方法，步骤5所述的将对应码块进本文档来自技高网...

【技术保护点】
一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，包括以下步骤：步骤1：抓取JPEG2000压缩码流的Packet：读取待测遥感图像的JPEG2000压缩码流，根据压缩标准，提取JPEG2000压缩码流中各个Packet的位置；其中，各个Packet包括包头和包体，同时包体由码块构成，其中码块中的数据按比特层编码；步骤2：获取包头信息：基于各个Packet的位置，从每个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体内的所有码块信息，且一个包体内的所有码块信息为N×N个包头向量，其中N至少为1；步骤3：提取并融合包头的结构与纹理特征量：从N×N个包头向量中提取三个结构与纹理特征量，其中结构与纹理特征量包括编码最高位MBP、编码通道数NCP以及码流长度BU；然后分别将这三个结构与纹理特征量通过升采样进行融合，得到对应的比特显著性特征、编码显著性特征以及纹理丰富性特征；步骤4：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；步骤5：根据步骤4的分类结果，得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块，并将对应码块进行膨胀操作后得到补全的连通域，然后进入步骤6；将其他类别的码块从其所在的Packet中剔除，不再进行后续操作；步骤6：提取包体信息：提取步骤5中补全的连通域所在的各个Packet的位置，然后基于各个Packet的位置，从每个Packet中获取包体码流信息；步骤7：采用Tier‑2解码器对码块的每个比特层进行熵编码，从而生成梯度图：初始化Tier‑2解码器中寄存器的状态，并利用Tier‑2解码器和JPEG2000熵编码的方法，计算步骤6得到的包体码流信息中各个码块每个比特层上相邻编码位小波系数的变化量，将变化量加权相加后得到小波系数的梯度图；步骤8：提取梯度特征：基于尺度空间理论，从步骤7中得到的小波系数的梯度图中提取局部特征SURF和图像纹理特征LBP，并将两个特征进行归一化处理后得到一个包体特征向量；步骤9：ELM城区分类：将步骤8得到的包体特征向量作为ELM二分类器的输入，对待测遥感图像进行城区‑非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；步骤10：根据ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将这些码块组织成新的JPEG2000压缩码流进行显示、存储或传输。...

【技术特征摘要】
1.一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，包括以下步骤：步骤1：抓取JPEG2000压缩码流的Packet：读取待测遥感图像的JPEG2000压缩码流，根据压缩标准，提取JPEG2000压缩码流中各个Packet的位置；其中，各个Packet包括包头和包体，同时包体由码块构成，其中码块中的数据按比特层编码；步骤2：获取包头信息：基于各个Packet的位置，从每个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体内的所有码块信息，且一个包体内的所有码块信息为N×N个包头向量，其中N至少为1；步骤3：提取并融合包头的结构与纹理特征量：从N×N个包头向量中提取三个结构与纹理特征量，其中结构与纹理特征量包括编码最高位MBP、编码通道数NCP以及码流长度BU；然后分别将这三个结构与纹理特征量通过升采样进行融合，得到对应的比特显著性特征、编码显著性特征以及纹理丰富性特征；步骤4：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；步骤5：根据步骤4的分类结果，得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块，并将对应码块进行膨胀操作后得到补全的连通域，然后进入步骤6；将其他类别的码块从其所在的Packet中剔除，不再进行后续操作；步骤6：提取包体信息：提取步骤5中补全的连通域所在的各个Packet的位置，然后基于各个Packet的位置，从每个Packet中获取包体码流信息；步骤7：采用Tier-2解码器对码块的每个比特层进行熵编码，从而生成梯度图：初始化Tier-2解码器中寄存器的状态，并利用Tier-2解码器和JPEG2000熵编码的方法，计算步骤6得到的包体码流信息中各个码块每个比特层上相邻编码位小波系数的变化量，将变化量加权相加后得到小波系数的梯度图；步骤8：提取梯度特征：基于尺度空间理论，从步骤7中得到的小波系数的梯度图中提取局部特征SURF和图像纹理特征LBP，并将两个特征进行归一化处理后得到一个包体特征向量；步骤9：ELM城区分类：将步骤8得到的包体特征向量作为ELM二分类器的输入，对待测遥感图像进行城区-非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；步骤10：根据ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将这些码块组织成...

【专利技术属性】
技术研发人员：邓宸伟，李琤，韩裕祺，南京宏，赵保军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11