一种基于随机几何模型的遥感地物目标自动检测方法技术

本发明专利技术公开了一种基于随机几何模型的遥感地物目标自动检测方法，涉及图像信息处理技术，包括步骤：建立多类遥感地物目标图像代表集；选择地物目标的几何部件作为处理单元，并利用各个几何部件特性单一，同类部件之间相关性较大等先验知识，对目标及其部件的组合方式构建随机几何模型；采用马尔科夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值，获取模型参数；自上而下地指导目标的自动检测和定位。本发明专利技术方法既能够克服目标部分信息缺失对检测结果的影响，又能减少目标类间差异对检测方法普适性的影响，对遥感图像中结构相对复杂但几何部件特性相对单一的目标(如飞机、舰船等)的自动检测具有较好的鲁棒性和实用性。

【技术实现步骤摘要】

本专利技术涉及图像信息处理
，尤其是。
技术介绍
根据遥感地物目标在形状、外观等方面的特性，可以从结构复杂的目标中分出一大类，该类目标的结构相对复杂但几何部件特性相对单一，例如:飞机、舰船目标等。由于遥感图像中包含的信息丰富、场景复杂，不仅放大了目标的细节特征，而且使干扰得以增强，给对该类目标的检测定位带来较大难度。随机几何(Stochastic geometry)理论是20世纪70年代在几何概率学和积分几何学的基础之上发展起来的一门现代随机集理论，对图像场景中目标模式的空间结构进行数学统计分析(见 Stoyan D, Kendall W S, Mecke J.1995.Stochastic Geometry andits Applications, 2nd edition.New York:Wiley)。90 年代，Miller 等将随机几何理论引入图像处理领域，应用于对感兴趣目标的形状识别方面，其中具有代表性的成果是提出了可变形模板(Deformable template),用若干几何图形(包括具有闭合轮廓曲线的多边形、线段、点等)来拟合目标的轮廓(见Miller Μ.1991.Automated segmentation ofbiological shapes in electron microscopic autoradiography.1n Proceedings of the25th Annual Conference on Information Sciences and Systems, 637-642)。之后，为了对图像中数目、分布等不确定的目标建模，Baddeley等提出了基于随机几何和空间统计理论的建模方法，在原有的基于图像低层数据的模型中引入高层信息，采用Markov过程模型对目标的空间关系进行约束(见 Baddeley A J, Lieshout V.1993.Stochastic geometrymodels in high-level vision.Applied Statistics,20(5&6):231-256)。最初的随机几何建模方式较为简单，通常采用低层的边界线段作为目标形状轮廓的组成元素，基于目标的边缘特征建模，适用于目标区域与背景差异显著的情况。然而，当遇到背景干扰严重，目标轮廓难以准确描述的情况时，该类方法往往很难获得理想的处理结果。因此，为了克服边缘特征稳定性较低、包含信息量有限等缺点，研究者通常利用滑动窗、网格、分割块等方式，将目标分解成若干特征区域块，以此作为组成目标的基本单元，以求获取更丰富、可靠的信息。近年来，经过国内外研究者的不断努力，基于随机几何理论的建模方法已逐渐发展成熟。基于随机几何模型的目标检测方法引入与目标结构特性相关的先验知识，通过对目标及其组件的组合式建模，不仅能对特定物体的形状、位置等随机变化的特征参量进行统计分析，而且还可以利用空间统计理论中的统计模型对物体在图像场景中的空间分布状况以及彼此之间的约束机制进行统计估计，避免了目标部分信息缺失对检测结果的影响，有效地解决了对复杂场景下结构相对复杂但几何部件特性相对单一目标的精确定位问题
技术实现思路
本专利技术的目的是提供，以解决遥感图像中结构相对复杂但几何部件特性相对单一的目标，如飞机、舰船等的自动检测问题。为实现上述目的，本专利技术的技术解决方案如下:，其包括步骤:第一步，建立多类包 含遥感地物目标的图像代表集；第二步，针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点，以组成目标的几何部件作为处理单元，构建随机几何模型；第三步，构建目标部件的随机几何模型后，将目标的自动检测问题转化为寻求随机目标过程的最优配置问题，采用马尔可夫链蒙特卡洛(MCMC)方法估计非参数概率密度的极大值；第四步，利用随机几何模型检测目标。所述的遥感地物目标自动检测方法，其所述第一步，包括:al、根据需要定义J个类别的遥感地物目标，类别编号为I J，J为自然数；a2、对每个目标类别，选取T幅图像作为该类目标的代表图像，对每一类目标图像，任选T1幅图像作为训练集，其余的T2幅图像作为测试集；a3、对每幅目标图像标记出目标所属类别及所在的区域范围；a4、将所有J类目标的图像代表合并为多类目标图像代表集。所述的遥感地物目标自动检测方法，其所述第二步，包括:b 1、参照标记点过程，定义随机几何模型；b2、采用泊松(Poisson)点过程对遥感图像地物目标的分布建模；b3、构建矩形模型，用于描述目标各个几何部件所在的区域；b4、将随机几何模型纳入贝叶斯概率分析框架中，在给定输入图像I以及目标配置X的条件下，将目标在场景中特定位置的概率密度分布表示为:p(x| I) α p(l|x)p(x) (I)b5、将真实场景中目标配置X的最大后验概率估计^表示为:本文档来自技高网...

【技术保护点】
一种基于随机几何模型的遥感地物目标自动检测方法，其特征在于，包括步骤：第一步，建立多类包含遥感地物目标的图像代表集；第二步，针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点，以组成目标的几何部件作为处理单元，构建随机几何模型；第三步，构建目标部件的随机几何模型后，将目标的自动检测问题转化为寻求随机目标过程的最优配置问题，采用马尔可夫链蒙特卡洛方法估计非参数概率密度的极大值；第四步，利用随机几何模型检测目标。

【技术特征摘要】
1.一种基于随机几何模型的遥感地物目标自动检测方法，其特征在于，包括步骤: 第一步，建立多类包含遥感地物目标的图像代表集； 第二步，针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点，以组成目标的几何部件作为处理单元，构建随机几何模型； 第三步，构建目标部件的随机几何模型后，将目标的自动检测问题转化为寻求随机目标过程的最优配置问题，采用马尔可夫链蒙特卡洛方法估计非参数概率密度的极大值；第四步，利用随机几何模型检测目标。2.如权利要求1所述的遥感地物目标自动检测方法，其特征在于，所述第一步，包括: al、根据需要定义J个类别的遥感地物目标，类别编号为I J，J为自然数； a2、对每个目标类别，选取T幅图像作为该类目标的代表图像，对每一类目标图像，任选T1幅图像作为训练集，其余的T2幅图像作为测试集； a3、对每幅目标图像标记出目标所属类别及所在的区域范围； a4、将所有J类目标的图像代表合并为多类目标图像代表集。3.如权利要求1所述的遥感地物目标自动检测方法，其特征在于，所述第二步，包括: bl、参照标记点过程，定义随机几何模型； b2、采用泊松点过程对遥感图像地物目标的分布建模； b3、构建矩形模型，用于描述目标各个几何部件所在的区域； b4、将随机几何模型纳入贝叶斯概率分析框架中，在给定输入图像I以及目标配置X的条件下，将目标在场景中特定位置的概率密度分布表示为:p(x| I) p(I |x)p(x) (I) b5、将真实场景中目标 配置X的最大后验概率估计X；表不为: X = argmaxp(x 11) = argmaxp(I | x)p(x)(2) XX 当p (.) > O时，将后验概率密度P (x 11)写成Gibbs能量形式: X = arg min [-log p(I | x) - log p(x)](3) X 定义Ud(X) =-1ogp (I I X)为似然能量,定义Up(X) =-1ogp(X)为先验能量；b6，结合目标结构的先验知识，构建模型的先验项，对各类部件的相对关系进行约束；b7、数据项反映的目标配置X，即所有标记点对图像数据的配合程度，根据不同的应用，选择不同的模型数据项，方法是: bl.1、构建高斯混合模型Udl(X):假定图像灰度的概率密度函数是一个由两个高斯分布成分组成的高斯混合模型，每个像素都被指定某一个高斯分布，那么Ν( μ i; Oi)为标记点内部的像素的分布函数，Ν(μ。，σο)为标记点外部像素的分布函数,其中，μ为均值，σ为方差，总数据项是所有像素的似然能量Udl(X)； b7.2、构建线性模型Ud2(X):假定标记点内部的灰度满足线性分布，定义中心处的均值最高(A+B)，边缘的均值最低(B)，半径为R，则到中心距离为r的过渡区域均值为B+AX (R_r)/R，背景的均值等同于边缘的均值；bl.3、构建随机几何模型的似然能量: Ud (X) = WsUdl (X) +WcUd2 (X) (5) 其中，Ws和W。分别为对应的权重因子；b8、将模型先验能量与似然能量相加，构建随机几何模型的能量函数为:4.如权利要求1或3所述的遥感地物目标自动检测方法，其特征在于，所述第二步中b6,包括: b6.1、构建避免部件之间重叠的惩罚项能量Upl (X)； b...

【专利技术属性】
技术研发人员：孙显，付琨，王宏琦，
申请(专利权)人：中国科学院电子学研究所，
类型：发明
国别省市：