遥感影像目标检测方法及系统

技术领域

本申请涉及数据处理技术领域，尤其是星上遥感数据处理技术。

背景技术

目标检测问题，一直是计算机视觉的重要研究方向，其主要任务是确定图像中是否存在待检测目标，并对其进行提取和精确定位。该问题的解决，综合利用数学、物理、信息科学等方法，实现从地物数据记录到地物特征及其时空分布和变化的反演，涉及到遥感、模式识别、机器视觉等多方面的内容，是一个典型的交叉学科问题。

随着传感器技术、空间技术、信息处理技术、小卫星技术等的发展，遥感影像的时、空、谱分辨能力都有了显著提高，星上遥感数据实时处理技术也得到快速的发展，星上目标实时检测当前研究的热点之一。在现代战争中，如何保证遥感有效信息的实时、准确和灵活性，是当前遥感数据应用面临的主要难题之一。目前我国现有遥感卫星星上处理能力较弱，遥感影像目标识别等方面的工作主要依靠地面终端进行。

现有的遥感图像目标检测方法可分为两种：一种是自下而上的数据驱动型，一种是自上而下的知识驱动型。前者不管识别目标属于哪种类型，一律先对原始图像进行一般性分割、标记和特征抽取等底层处理，然后将每个带标记的已分割区域(物体)的特征向量与目标模型相匹配。该类方法通常基于分类技术进行。后者根据识别目标的描述模型，先对图像中可能存在的特征提出假设，根据假设有目的地进行分割、标记和特征抽取，在这基础上和目标进行精匹配。该类方法通常需要一定的先验知识，基于知识表示和推理技术进行。

如何保证遥感有效信息的实时、准确和灵活性，是当前遥感数据应用面临的主要难题之一。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为了解决上述问题，本发明提供了一种遥感影像目标检测方法和系统。

根据本发明的第一方面，提供了一种遥感影像目标检测方法，包括目标识别提取步骤和虚警剔除步骤：

所述目标识别提取步骤包括：对待搜索图像和目标图像进行预处理；遍历所述图像并提取特征向量，将待搜索图像的特征向量与目标图像的特征向量进行匹配，若匹配结果为是，则记录目标位置，否则不做记录；在对整个待搜索图像完成遍历和匹配后，执行虚警剔除步骤；

所述虚警剔除步骤包括：采用多特征匹配模型进行虚警剔除，建立多特征匹配模型作为固定目标的分类依据为：

其中T是多特征匹配模型的输出，其作为分类阈值，X

进一步地，所述虚警剔除步骤中的图像特征为：灰度特征、长度特征、宽度特征、长宽比特征和质密度特征。

进一步地，识别的目标包括陆地目标和海上目标。

进一步地，当目标为陆地目标时，其中对待搜索图像和目标图像进行预处理包括：对待搜索图像和目标图像进行高斯滤波处理以抑制噪音，并进行下采样。

进一步地，当目标为陆地目标时，所述对待搜索图像和目标图像特征进行匹配具体包括：将输入的待搜索图像和目标图像通过不同尺度的高斯核函数连续滤波和下采样，以形成高斯金字塔图像，并提取图像特征点，以便进行匹配。

进一步地，所述对待搜索图像和目标图像特征进行匹配，进一步包括：对金字塔尺度空间每个特征点与相邻尺度和相邻位置的特征点逐个进行比较，得到的局部极值位置，以便进行匹配。

进一步地，所述对待搜索图像和目标图像特征进行匹配，进行一步包括：通过局部极值位置的信息产生特征向量以便进行匹配。

进一步地，当目标为海上目标时，对待搜索图像和目标图像的提取图像特征点的步骤包括：利用相位一致性方法，对目标进行检测，所述检测包括：直线特征提取、圆形特征提取和/或圆锥形特征提取。

进一步地，其中的相位一致性方法包括：

将待搜索图像和目标图像进行傅里叶变换，分别求出幅值和相角；对幅值取对数，经过滤波后取得一定频率内的结果，然后再和相角共同进行反变换。

根据本发明的第二方面，提供了一种遥感影像目标检测系统，包括目标识别提取模块和虚警剔除模块，所述目标识别提取模块执行上述任一的目标识别提取步骤，所述虚警剔除模块执行上述任一的虚警剔除步骤。

本发明根据星上数据处理的特点，利用典型地面大型目标如机场、桥梁、油库的边缘、形状、尺度不变性等特征，设计相应的特征描述、检测和匹配算法，并对其进行优化，实现了星上大型地面目标的实时和准确的检测处理。通过运用本发明中遥感数据的处理方法，能快速准确地从高分辨率遥感图像中检测识别固定目标；同时借助于建立多特征匹配模型作为固定目标的分类依据，可以有效地提高目标识别的精度。

同时本发明的方法和装置通过对目标影像进行特征点提取，可以运用多尺度方向梯度直方图匹配的方法，提取目标参考图像与待检测图像中的同名特征点，通过建立配准基元之间的对应关系求解变换模型参数，实现目标的全自动配准。为提高算法效率。

本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明的遥感数据目标检测方法的流程图；

图2为根据本发明的虚警剔除步骤的流程图；

图3为根据本发明的遥感数据目标检测系统的结构图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本发明提供了一种基于多尺度特征的遥感影像固定目标检测方法，能够有效地检测遥感影像中的固定目标，如舰船、飞机、储油罐、港口、桥梁等。

以下将详细描述本申请的方法步骤，

参考图1，遥感数据目标检测方法的流程方法包括目标识别提取步骤和虚警剔除模块执行的虚警剔除步骤，具体为：

(1)图像预处理。

对输入的目标参考图像I

所述高斯滤波函数为：

得到预处理后的目标参考图像I

(2)图像下采样。

设置下采样比例大小和采样参数，该参数可以根据实际的需要进行合理设置，K

(3)特征点检测。

特征点的检测分为地面目标的检测和海上目标的检测。

对于地面目标检测，由于要检测的目标形状固定，需要对检测目标先进行特征提取，利用特征点，在星上将目标进行匹配。可以采用sift算法或sift的快速改进算法surf。由于sift采用多层分解方法，算法较为耗时是sift算法固有缺陷，本发明采用针对sift的快速改进算法surf算法在进行算法复杂度优化设计，满足近实时性要求。

尺度空间的生成。

尺度空间理论目的是模拟图像数据的多尺度特征。高斯卷积核是实现尺度变换的唯一线性核，于是一幅二维图像的尺度空间定义为：

L(x,y,σ)＝G(x,y,σ)*I(x,y)其中G(x,y,σ)是尺度可变高斯函数：

将输入图像通过不同尺度的高斯核函数连续滤波和下采样，形成高斯金字塔图像，然后再对相邻尺度的两个高斯图像相减得到金字塔多尺度空间。将尺度空间生成的信息用于特征点检测。

所述关键点(空间极值点或特征点)检测的步骤具体为：

对金字塔尺度空间每个点与相邻尺度和相邻位置的点逐个进行比较，得到的局部极值位置即为关键点所处的位置和对应的尺度。

关键点方向分配在以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向。梯度直方图的范围0～360度，其中每10度一个柱，共36个柱。

对于海上目标如舰船进行检测，可以利用相位一致性方法：

a.将上述图像进行傅里叶变换，分别求出幅值和相角；

b.对幅值取对数，经过滤波后取得一定频率内的结果；

c.将所述结果和相角共同进行反变换。

该方法利用同态滤波原理，能够突出在一定背景条件下的异质区域，最大程度的克服红外影像的条纹噪声干扰，实现舰船目标的准确检测；最后生成特征向量。

(4)生成特征向量，具体步骤为：

为了保证特征矢量具有旋转不变性，需要以特征点为中心，将特征点附近邻域内(mσ(Bp+1)√2x mσ(Bp+1)√2)图像梯度的位置和方向旋转一个方向角θ，即将原图像x轴转到与主方向相同的方向。旋转公式如下。

在特征点附近邻域图像梯度的位置和方向旋转后，再以特征点为中心，在旋转后的图像中取一个mσBp x mσBp大小的图像区域。并将它等间隔划分成Bp X Bp个子区域，每个间隔为mσ像元。

在每子区域内计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，形成一个种子点。与求特征点主方向时有所不同，此时，每个子区域的梯度方向直方图将0°-360°划分为8个方向范围，每个范围为45°，这样，每个种子点共有8个方向的梯度强度信息。由于存在4X4(Bp X Bp)个子区域，所以，共有4X4X8＝128个数据，最终形成128维的sift特征矢量。同样，对于特征矢量需要进行高斯加权处理，加权采用方差为mσBp/2的标准高斯函数，其中距离为各点相对于特征点的距离。使用高斯权重的是为了防止位置微小的变化给特征向量带来很大的改变，并且给远离特征点的点赋予较小的权重，以防止错误的匹配。通过特征向量生成步骤获得目标图像特征向量和窗口图像的特征向量，

(5)特征向量匹配，步骤具体为：

图像的LBP特征与像素点的个数相关，但sift特征却没有那么多，因此，当融合时，第一步先要对应到同一个位置的sift和lbp特征，detect方法中生成的KeyPoints结构的pt中保存了sift特征的位置信息，对应到同一个位置点后可以利用直接相加、矩阵相乘等方法使两个特征融合。另外，我们还需要去除那些在边缘位置的极值点，有些极值点的位置是在图像的边缘位置的，因为图像的边缘点很难定位，同时也容易受到噪声的干扰，我们把这些点看做是不稳定的极值点，需要进行去除，以提高关键点的稳定性。

当特征向量可以匹配时，将记录目标位置，当特征向量不可匹配时，将不记录目标位置，而后检验是否完成遍历，如是，则进入虚警剔除模块，如否，则返回滑动窗口遍历图像I

在一个实施例中，目标图像的提取具体可以为基于直线特征提取机场目标：

在预先知道区域形状的条件下，利用Hough变换可以方便的得到边界曲线而将不连续的像素边缘点连接起来。

在X-Y坐标轴中，坐标轴上的点都可以用一般直线方程式表示出来：

y＝ax+b

其中，a,b为直线方程中的含义，分别为常数。

图像空间中的点转换为参数空间的直线后，对参数空间的点进行累加:ρ＝xcosθ+ysinθ。

在另一个实施例中，目标图像的提取为基于圆特征提取油库目标：

利用hough变换在图像域(X-Y平面)上检测和确定一个圆周，首先需要假设为确定的圆周上的点的集合，(x,y)为集合中的一点，它在参数空间(a,b,r)上的方程为：(x-a)

在完成全部图像遍历后，在原始图像中对疑似目标进行虚警剔除。

示例地，用上述方法提取舰船会错误的将岛屿提取成了舰船目标，通过单一灰度特征无法对高分辨率海上舰船目标正确提取目标，每个特征只代表某类事物的部分特征，用任何一种单一特征作为某类事物的分类特征都不合理的，经过大量实验，本发明采用灰度，长度、宽度、长宽比、质密度五个特征共同描述固定目标，以达到充分区分与其他固定目标的目的。

根据以上特点，建立多特征匹配模型作为固定目标的分类依据：

其中T是模型的输出，作为分类阈值，X

图2示出了根据本发明的虚警剔除的步骤，包括：

向上述多特征匹配模型输入参照图1的方法生成的目标位置数据集，对目标特征向量和窗口特征向量进行匹配检测，如果匹配的结果满足预定的判断条件，则记录目标位置，形成目标位置数据集；如果不满足，则不记录目标位置，从而实现虚警剔除。待完成全部目标位置的遍历后，得到剔除虚警后的目标位置数据集。

参考图3，图3示出了根据本发明的遥感数据目标检测系统的结构，包括目标识别提取模块1和虚警剔除模块2，所述目标识别提取模块执行上述任一的目标识别提取步骤，所述虚警剔除模块执行上述任一的虚警剔除步骤。

同时也可以知道本发明的方法能够通过计算机软件或硬件予以实施，通过计算存储介质等存储相应的指令，通过处理器执行的方式，也能够实现本发明的方法。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。