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

本发明专利技术提供一种基于随机几何模型的遥感地物目标自动检测方法，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的自动检测问题。首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，对于测试图像，判断其中是否存在目标，如果不存在目标，结束并输出“不存在目标”的结果，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。

【技术实现步骤摘要】

本专利技术涉及图像信息处理
中关于目标检测的方法，尤其是一种基于随机几何模型来实现对遥感场景图像中地物目标自动检测的方法。
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 and itsApplications, 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 of biologicalshapes in electron microscopic autoradiography.1n Proceedings of the 25thAnnual 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 geometry modelsin 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。本专利技术的技术方案如下:该基于随机几何模型的遥感地物目标自动检测方法，首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，对于测试图像，判断其中是否存在目标，如果不存在目标，结束并输出“不存在目标”的结果，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检 测结果，并输出目标的最终检测位置。其中建立多类包含遥感地物目标的图像代表集采用以下方法:1.1、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；1.2、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；1.3、对每幅目标图像标记出目标所属类别及所在的区域范围；1.4、将所有J类目标的图像代表合并为多类目标图像代表集。其中第二步中构建随机几何模型采用以下方法:2.1、参照标记点过程，定义随机几何模型；2.2、采用泊松(Poisson)点过程对遥感图像地物目标的分布建模；2.3、构建矩形模型，用于描述目标各个几何部件所在的区域；2.4、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:本文档来自技高网...

【技术保护点】
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：首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，对于测试图像，判断其中是否存在目标，如果不存在目标，结束并输出“不存在目标”的结果，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。

【技术特征摘要】
1.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:首先建立多类包含遥感地物目标的图像代表集，然后针对待处理目标以组成目标的几何部件作为处理单元，构建随机几何模型；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；最后利用随机几何模型检测目标，对于测试图像，判断其中是否存在目标，如果不存在目标，结束并输出“不存在目标”的结果，如果存在目标，利用随机几何模型处理图像，获得最优配置对应的检测结果，并输出目标的最终检测位置。2.如权利要求1所述的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:其中建立多类包含遥感地物目标的图像代表集采用以下方法: .1.1、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； .1.2、 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； .1.3、对每幅目标图像标记出目标所属类别及所在的区域范围； .1.4、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或2所述的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:其中第二步中构建随机几何模型采用以下方法: .2.1、参照标记点过程，定义随机几何模型； .2.2、采用泊松(Poisson)点过程对遥感图像地物目标的分布建模； .2.3、构建矩形模型，用于描述目标各个几何部件所在的区域； .2.4、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:4.如权利要求3所述的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:其中构建模型的先验项采用以下方法: .2.6.1、构建避免部件之间重叠的惩罚项能量Upl (χ)；· 2.6.2、构建鼓励部件之间规则排列的奖励项能量Up2(X)； · 2.6.3、构建避免部件孤立存在的惩罚项能量Up3(X)； · 2.6.4、组合以上各项对应的能量函数，将随机几何模型的先验能量项定义为: Up (χ) = Upl (χ) +Up2 (χ) +Up3 (χ) (4 )。5.如权利要求3所述的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:其中选择不同的模型数据项采用以下方法: 2.7.1、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” Oi)为标记点内部的像素的分布函数，Ν...

【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：