基于視覺注意機制的遙感圖像船只檢測

范肖肖，許文波，楊　淼，樊香所

(電子科技大學，四川 成都 611731)

?

基于視覺注意機制的遙感圖像船只檢測

范肖肖，許文波，楊淼，樊香所

(電子科技大學，四川 成都 611731)

摘要針對視覺注意機制中Itti模型在顯著性區域提取中提取顏色、方向和亮度3種特征，應用到遙感圖像中容易造成錯檢的問題，在Itti模型基礎上提出了改進的顯著性模型，用紋理特征代替Itti模型中的顏色特征和亮度特征，同時考慮了圖像在頻域中的顯著性。對改進后的算法進行仿真，仿真結果表明，改進算法檢測精度高、實時性好，顯著區域與目標基本一致， 能夠有效地檢測遙感圖像中船只目標。

關鍵詞Itti模型；顯著性；目標檢測；特征提取

0引言

遙感圖像目標檢測是隨著遙感技術不斷發展應運而生的技術，船只作為利用海洋、開發海洋的重要工具，船只檢測[1,2]成為檢測重點。目標檢測方法主要有基于特征的目標檢測、基于模型的目標檢測和基于統計學的目標檢測方法。基于灰度特征的艦船檢測主要是利用艦船與水體灰度差異特征進行分割，從而獲得艦船目標候選區。有雙參數CFAR、K分布的CFAR[3]算法；基于紋理特征提取有：基于分形模型[4]、基于CDTM矩陣和基于Gabor濾波器組的紋理特征。近年來，機器學習應用到了目標檢測[5]中，主要有基于支持向量機[6]的目標檢測。

本文采用選擇注意機制中的Itti[7]模型，并在該模型基礎上進行改進進行船只目標檢測研究。分別提取圖像的方向特征、紋理特征和頻域上的顯著性，將圖像中多種特征融合形成特征顯著圖，然后通過視覺注意轉移機制獲得顯著目標。該模型適用于遙感圖像中船只目標檢測[8]。

1船只目標檢測模型

視覺注意機制分為2種模型：自底向上模型主要從圖像本身特征出發，以物體為中心，將容易引起人們注意的物體作為人類感興趣區域進行研究；自頂向下模型[9,10]是從人類視覺感興趣區域出發，加入了先驗知識，已知感興趣目標的相關信息來對圖像進行目標發現。Itti模型主要基于自底向上的模型，主要分為3步：① 對圖像進行線性濾波，分別計算圖像亮度、顏色和方向特征，生成3種特征的顯著圖；② 利用贏者為王機制，提取圖像的視覺顯著性區域；③ 返回抑制機制抑制提取出的顯著性區域，通過贏著為王機制，視覺注意轉移到下一個顯著性區域，實現視覺在全圖中的轉移。

1.1Itti模型

Itti模型依據目標與背景之間特征，對比度之間的差異，模擬人類感知能力，提取感興趣區域。Itti模型示意圖如圖1所示。

圖1　Itti模型

1.1.1顯著性特征圖生成

r,g,b為圖像的紅、綠、藍3個通道，亮度特征I=(r+g+b)/3。提取圖像的紅、黃、綠、藍4個顏色通道的特征分量。

(1)

Gabor濾波器分別提取圖像{0°,45°,90°,135°}4個方向特征，Gabor濾波器表示如下：

(2)

x0=xcosθ+ysinθ。

(3)

式中，θ表示方向，分別為0°，45°，90°，135°；f表示頻率；δx0，δy0分別表示水平方向和垂直方向上的方差。

對提取的亮度特征、顏色特征和方向特征進行高斯濾波建立金字塔模型，分別是I(δ)，R(δ)，G(δ)，B(δ)，O(σ,θ)，σ表示尺度。對得到多尺度的特征圖進行中央—周邊差分操作，特征圖在不同尺度下進行相減操作。c表示金字塔的中央層，取值為{2，3，4}，c+s表示金字塔結構周邊層，s為{3,4}，中央層與周邊層做減法操作。

強度特征中心周邊差為：

(4)

顏色特征中心周邊差為：

(5)

方向特征中心周邊差為：

(6)

C和S之間的關系為：

S=C+δ。

(7)

計算中心周邊差異進行合并得到3幅圖像的醒目圖計算公式為：

(8)

特征圖進行歸一化，并通過線性組合得到最終的顯著圖S，

(9)

1.1.2視覺轉移機制[11]

顯著圖中各目標通過競爭吸引注意焦點，焦點在每個待測目標中進行轉移，采用勝者全贏機制選擇顯著圖中最值。如果沒有一定的機制，注意焦點指向顯著值最大的點及領域 ，采用勝者取全的方法得到顯著圖。

1.2改進Itti模型

傳統的Itti模型只考慮到了顏色、方向和亮度3種特征，針對于海面背景目標檢測[12]，傳統的模型具有一定的局限性。遙感圖像中，顏色所占比重比較小，遙感圖像中存在云、海浪等干擾，只考慮圖像顏色、方向和亮度3種特征會增大誤檢率。遙感圖像中目標與背景紋理上具有一定差異，提取特征顯著圖時加入紋理特征顯著圖，同時結合頻域思想和全局對比等思想。

1.2.1紋理特征

紋理在圖像上表現為灰度或者是顏色分布的某種規律性。圖像可以看成是不同紋理區域的組合，紋理是對局部區域像素之間關系的一種度量。紋理特征可用于定量描述圖像中的空間信息。

梯度結構張量對圖像進行紋理分析，I(x,y)設為圖像的灰度值，水平和垂直方向上的梯度用Ix和Iy表示。圖像的梯度結構張量T為：

(10)

(11)

λ1，λ2表示矩陣的特征值，特征值為：

(12)

結構張量矩陣的特征值表示圖像局部特征信息，圖像的一致性用結構張量矩陣的特征表示為：

(13)

1.2.2頻域上顯著性

圖像在頻率域[13]上分為低頻和高頻2個部分，高頻部分反映圖像紋理信息，低頻部分反映圖像輪廓。Wtc表示顯著性低頻率，Whc表示最高頻率。設計一組DOG濾波器來獲得Wtc～Whc的信息。DOG帶通濾波器表達式為：

G(x,y,σ1)-G(x,y,σ2)。

(14)

σ1σ2適合的比率為ρ=1∶1.6，設計多個DOG組成一個組合DOG濾波器：

G(x,y,ρNσ)-G(x,y,σ)。

(15)

基于頻域的方法使用窗口5*5的高斯平滑舍去高頻信息，N=∞，G(x,y,ρNσ)是對整個圖像的平均，像素P的顯著性公式為：

S(P)=||Iμ-Iwhc(p)||。

(16)

式中，Iμ為圖像平均特征；Iwhc(p)為p在高斯平滑后的圖像中顏色特征。

1.3顯著目標檢測

結合Itti模型和頻域模型，分別得到2種模型下的顯著圖，對得到的顯著圖進行規范化，規范化函數為：

N(A)=(A-minA)/(maxA-minA)。

(17)

利用兩者相乘得到總的顯著圖：

SP=NSG×NSR。

(18)

利用區域生長方法對顯著圖進行分割，以一組種子開始處理生長區域，將那些預定義屬性類似于種子的領域像素附加到作為種子的次簇的質心。記顯著圖上最大像素值為Imax，從顯著圖中最亮的一個點向周圍八領域方向生長，在某一個方向上某個像素值小于最亮點像素值的a倍，則停止生長，a的取值為0～1，直到所有方向上的生長都停止結束。計算上一個目標清零后的顯著圖中最亮點像素值，小于Imax*a，則檢測結束。

2實驗結果

為了驗證改進算法的有效性，在Matlab2010(b)下進行實驗，實驗中采用圖像尺寸為400*400的TM圖像和400*400的IKONOS圖像 。Itti算法檢測結果如圖2和圖3所示。

圖2　Itti模型下的TM影像檢測結果

圖3　Itti模型下的IKONOS影像檢測結果

圖2和圖3中分別是2種數據在Itti模型下的檢測過程結果，原始圖像(a)中一共有2個船只目標，而Itti模型得到的顯著圖出現了錯誤目標。Itti算法對IKONOS影像進行檢測，檢測率較低。在Itti模型上進行改進后的算法實驗結果圖如圖4所示。從圖4中可以看到改進后的算法具有較高的檢測率。

圖4　改進后算法結果

用recall、precision 對算法進行評價，recall-precision曲線圖如圖5所示，評價指標如圖6所示。

圖5中，右極限表示當閾值取0時召回率最大，左極限表示當召回率最低時精確度最高。圖6為迭代法取閾值情況下，每個算法的recall、precision和F的值。橫坐標表示6種算法，每種算法分別有3個指標精度：precision、召回率recall和綜合指標F。縱坐標代表3個指標的數值。改進的算法相對于其他算法值要高。

圖5　recall-precision曲線

圖6　評價指標

3結束語

本文采用基于選擇注意機制方法中的Itti模型來檢測海洋衛星圖像中的船只目標。分別提取圖像中各種特征，將圖像中多種特征在不同尺度下融合形成特征顯著圖，然后通過視覺注意轉移機制獲得顯著目標，但是Itti模型只提取顏色、方向和亮度，沒有考慮船只的紋理和尾跡等特征，容易造成錯檢。針對此問題，對Itti模型進行改進，考慮了紋理特征，針對小目標考慮了頻域中的顯著性。

參考文獻

[1]ELDHUSET K.An Automatic Ship and Ship Wake Detection System for Spacebome SAR Image in Costal Regions[J].IEEE Trans on Geosciences and Remote Sensing,1996,34(4):1 010-1 019.

[2]侯四國,張紅,王超,等.一種新的SAR圖像船只檢測方法[J].遙感學報,2005,9(1):50-56.

[3]JIANG Q,AITNOURI E,WANG S,et al,Automatic Detection for Ship Target in SAR Imagery Using PNN-model[J].Canadian Journal of Remote Sensing,2000,26(4):297-305.

[4]何四華,楊紹清,石愛國,等.紋理高階分形特征在海面艦船目標檢測中的應用[J].光學與光電技術,2008(4):79-82.

[5]張瑞.粒子濾波和均值漂移相結合目標跟蹤算法[J].無線電通信技術,2011,37(2):29-31.

[6]段松傳,韓彥芳,徐伯慶.基于協方差矩陣的復雜背景中目標檢測[J].無線電通信技術,2012,38(4):51-53.

[7]ITTI L,KOEH C,NIEBUR E.A Model of Saliency-based Visual Attention for Rapid Scene Analysis[J].IEEE Trans.Patt.AnaL.Mach,Intell.,1998,20:1 254-1 259.

[8]LI Hongliang,XU Linfeng,LIU Guanghui.Two-layer Average-to-peak Ratio Based Saliency Detection[J].Signal Processing:Image Communication,2013,28:55-68.

[9]LUOA Wang,LIA Hongliang,LIUA Guanghui,et al.Global Salient Information Maximization for Saliency Detection[J].Signal Processing:Image Communication,2012,27:238-243.

[10]VAPNIK V N.The Nature of Statistical Learning Theory[M].New York:Springer-Verlag,1995.

[11]KOCH C,ULLMAN S.Shifts in Selective Visual:Towards the Underlying Neural Circuitry[J].Human Neurobiology.1985,4(4):219-227.

[12]GUO C,MA Q,ZHANG L.Spatio-temporal Saliency Detection Using Phase Spectrum of Quaternion Fourier Transform[C]//CVPR,2008:1-8.

[13]YANG Jimei,YANG Ming-Hsuan.Top-Down Visual Saliency via Joint CRF and Dictionary Learning[C]//CVPR,2012:718-731.

范肖肖女，(1989—)， 碩士研究生，控制工程專業。主要研究方向：遙感圖像處理目標檢測。

許文波男，(1973—)，教授。主要研究方向：測繪科學與技術、遙感圖像處理。

聲明

《無線電工程》期刊社未開展成立理事會相關事宜，如有任何單位或個人以《無線電工程》期刊社的名義組織理事會事項，均與期刊社無關。

特此聲明！

引用格式：范肖肖,許文波,楊淼,等.基于視覺注意機制的遙感圖像船只檢測[J].無線電工程,2016,46(1):57-60.

Target Detection in Remote Sensing Image Based on

Visual Attention Mechanism

FAN Xiao-xiao,XU Wen-bo,YANG Miao,FAN Xiang-suo

(UniversityofElectronicScienceandTechnologyofChina,ChengduSichuan611731,China)

AbstractThe Itti model only extracts color,orientation,and intensity features in saliency area in visual attention mechanism,which has high false detection ratio in remote sensing.We proposed an improved Itti model,which puts texture feature into model and considers the saliency in frequency domain.Results show that this improved algorithm provides high detection ratio,pretty good realtime capability.The saliency area is basically identical to the object,which can effectively detect ship object in remote sensing.

Key wordsItti model;saliency;object detection;feature extraction

作者簡介

收稿日期：2015-09-07

中圖分類號TP391

文獻標識碼A

文章編號1003-3106(2016)01-0057-04

doi:10.3969/j.issn.1003-3106.2016.01.14