一种基于多分辨率模型简化算法的等高线自动综合方法研究

一种基于多分辨率模型简化算法的等高线自动综合方法研究（共4篇）

篇1：一种基于多分辨率模型简化算法的等高线自动综合方法研究

地形模型实时多分辨率显示算法的研究

目的 对于具有海量数据特征的地形实现既要保持视觉效果,又要提供较高的显示速率,以生成高度真实感和超快显示速度并存的三维地形.方法 基于四叉树的鄂尔多斯盆地地形三维实时细节层次模型(LOD)表示的`方法,从建模的角度来解决海量数据地形的实时显示问题.结果 能够在不显著降低地形场景绘制质量的情况下达到理想的浏览效果,能实现地形的快速3D浏览.结论 本方法对建立地形的多分辨率模型是一个非常有效的方法.

作 者：韩玲 邹永玲 HAN Ling ZOU Yong-ling 作者单位：长安大学,地质工程与测绘工程学院,陕西,西安,710054刊 名：西北大学学报(自然科学版) ISTIC PKU英文刊名：JOURNAL OF NORTHWEST UNIVERSITY(NATURAL SCIENCE EDITION)年，卷(期)：37(2)分类号：P208关键词：四叉树 三维可视化 多分辨率

篇2：一种基于多分辨率模型简化算法的等高线自动综合方法研究

关键词：建筑用地,多分辨率分析,IHS变换,SVM分类器

1 概述

随着多种遥感卫星的发射成功, 越来越多的遥感数据可用于对地观测研究, 众多的遥感数据为多源信息协同处理提供应用潜力。数据融合技术能够在不增加成本的基础上, 提高最终信息量, 达到精确提取目标的目的[1]。城镇建筑用地是一个复杂的区域, 是人类文明发展的基础, 具有增长性和动态性, 因此增加了认知识别的复杂度和难度[2]。遥感数据由于其多尺度、全天时、全天候监测的优势, 能够有效、快速的提取城镇建筑用地。目前利用遥感影像提取建筑用地方法可归纳为:1.基于定量建筑指数的方法, 如归一化建筑指数NDBI、压缩数据维建筑用地指数IBI;2.基于非监督分类的方法, 如多特征聚类;3.基于监督分类的方法, 如SVM分类、决策树分类等。本研究利用全色和多光谱影像数据, 通过数据融合方法并结合先进的SVM分类器进行城镇建筑用地提取研究。算法研究和实验结果分别在第二部分和第三部分详述。

2 算法原理及改进

多源数据融合按照融合层次可分为像素级融合、特征级融合、决策级融合[3]。在计算机影像处理领域, IHS (亮度、色度、饱和度) 系统是和RGB颜色系统一样被广泛应用的颜色系统, 所具有的特征更适合应用于融合高分辨率全色影像和低分辨率多光谱影像[4,5]。IHS变换的过程首先将遥感影像由RGB颜色空间转换到IHS空间, 转换的数学模型为:

并通过中间分量v1和v2计算得到H、S分量:

通常情况下利用IHS进行融合的逆变换为:

逆变换过程中利用匹配过的高分辨率数据或SAR数据替换原始多光谱数据IHS空间中的I分量, 达到增加空间细节的目的。多分辨率分析中的小波变换能够很好的提取影像的空间细节, 因此本文利用小波变换提取影像空间细节。通过三层小波分解获取I分量和全色数据的高频和低频信息, 利用I分量的低频信息替换全色数据的小波域低频信息实现全色信息纹理的注入。

3 实验结果与分析

周庄位于苏州城东南, 昆山的西南处, 距离苏州城约45公里, 距离上海约100公里, 系江南六大古镇之一, 于2003年被评为中国历史文化名镇[6]。

实验选取江苏省昆山周庄区域的Landsat ETM+多光谱和全色数据进行研究, Landsat多光谱数据如图1所示。

首先对多光谱和全色数据进行几何校正, 保证配准误差在0.5个象元之内;然后对多光谱数据进行IHS变换, 从RGB空间转换到IHS空间;对全色数据和I分量进行三层小波分解, 用I的低频替代SAR的低频信息, 并进行小波逆变换;对得到的I'分量进行IHS逆变换获取融合后结果, 如图2所示。利用SVM分类器对融合后结果进行分类并提取建筑用地信息如图3所示。

4 结论

本研究通过IHS变换对多分辨率分析的小波变换进行改进, 结合SVM分类器实现了城镇建筑用地的提取, 结果表明通过融合技术能够明显改善影像质量, 在保留影像光谱信息的同时能够增加影像纹理信息, 改进的遥感影像融合算法结合SVM分类算法能够高效、准确的提取城镇建筑用地信息。

参考文献

[1]黄登山.像素级遥感影像融合方法研究[D].中南大学, 2011.

[2]Barredo J K M.Modelling dynamic spatial processes:simulation of urban future scenariosthrough cellular automata[J].Landscape and Urban Planning, 2003, 64:145-160.

[3]赵书河.多源遥感影像融合技术与应用[M].南京大学出版社, 2008.

[4]Zhang Y, G Hong.An IHS and wavelet integrated approach to improve pan-sharpening visual quality of natural color IKONOS and QuickBird images[J].Information Fusion, 2005, 6 (3) :225—234.

[5]Roberts J W, J van Aardt, F.Ahmed.Assessment of image fusion procedures using entropy, image quality, and multispectral classification[J].Journal of Applied Remote Sensing, 2008, 2:235-24.

篇3：一种基于多分辨率模型简化算法的等高线自动综合方法研究

基于学习的超分辨率重建算法通过学习得到高低分辨率图像块的对应关系,然后利用这种对应关系恢复低分辨率图像中丢失的高频信息,可以取得较好的重建效果。Freeman等[1]利用Markov随机场训练高低分辨图像的对应关系。Chang等[2]假设LR图像和对应的HR图像有相似的局部结构,提出了基于k最邻近算法重建图像;但是该方法的邻近数目需要人工反复调节,不同的参数得到的重建效果差别较大;同时,由于仅利用原始图像获取高分辨率特征,因此该方法得到的重建图像边缘比较模糊。

Yang等首先将稀疏表示理论引入图像超分辨率重建[3,4],基于高低分辨率图像块均可由对应字典原子线性表示的假设,提出了一种基于稀疏表示的图像重建算法,该算法利用大量自然图像作为样本训练联合字典重建图像,取得了较好的边缘重建效果。但这种算法的运算复杂度非常高,且当用于训练的图像库不包含与待处理图像相似的图像块时,重建的效果较差。Zeyde R等[5]对Yang的方法作了改进,采用了更为高效的K-SVD字典训练算法,显著降低了计算量。练秋生等[6]提出构造两级字典以及分频带字典(two-stage and muti-frequencyband dicti-onaries,TSMFB)实现图像的超分辨率重构,将图像的非局部相似性与迭代反向投影算法相结合进行图像的后处理,以恢复更多边缘细节信息。

以上基于稀疏表示的超分辨率重建算法需要大量的自然图像作为训练样本才能取得较好的重建效果,当训练样本数不足或者样本不包含与待重建图像相似的信息时,重建效果往往较差。若能够充分利用低分辨率图像本身携带的信息,则可以进一步提升重建效果。基于结构自相似性的SR方法利用了图像广泛具有的结构自相似性,并将这种结构自相似性作为图像重构过程中的附加信息以实现图像边缘结构的清晰重建。Chih-Yuan Yang等[7]将输入的低分辨率图像作为训练样本,利用图像的结构自相似性构造图像金字塔作为字典训练库,学习高低分辨率图像块间的映射关系,取得了较好的重建效果。Gaurav G.Bhosale等[8]提出利用图像的非局部相似性训练字典,并利用图像的自相似性消除重建图像的人工伪影痕迹,取得了较好的效果。Dong等[9]基于图像的非局部相似性构建非局部约束项,提出对低分辨率图像块聚类后训练多个PCA字典重建图像。但是该方法以低分辨率图像本身作为训练样本,样本数较少,并且没有考虑到图像不同尺度的结构相似性,容易产生较为明显的人工痕迹。

基于以上分析,为提升图像的超分辨率重建的边缘效果,本文提出利用图像旋转和金字塔分解的方法扩充训练样本库,以充分利用图像自身具有的相同尺度和不同尺度的结构相似性。为加快训练速度,对训练样本聚类后采用K-SVD算法训练字典。在重建阶段引入非局部相似约束项,根据低分辨率图像块的特征自适应选择最优字典重建图像。最后利用迭代反投影算法进一步修正图像,突出边缘等细节信息。

1 稀疏表示理论

一般情况下,观测到的低分辨率图像Y是由原图像X经过模糊化和下采样得到[10],即

式(1)中,S和H分别表示下采样和模糊化操作。

对图像x∈RN,利用矩阵Ri提取大小的图像块xi,即xi=xRi。给定特定字典ψ∈RN×M,图像块xi可表示为

式(2)中,αi是图像块xi在字典ψki下的稀疏表示,‖α‖0表示α中的非零元素的个数。为了避免边界效应,对输入图像重叠取块,则整幅图像x可以由一系列稀疏表示系数表示。对所有重建图像块进行平均处理即可得到重建图像,该过程也可转化为最小二乘问题。为了方便表示,引入运算符号“°”,则有

式(3)中Ri是图像块提取矩阵,αi是图像块对应的稀疏系数。因此,基于稀疏表示的图像重建模型可以表示为

式(4)中,λ表示正则化系数。

2 图像的结构自相似性

2.1 图像的自相似性

自然图像往往包含大量的重复结构[11]。对于自然图像中一个5×5的图像块,在该图像中能发现大量与其相似的相同尺度和不同尺度图像块。统计研究表明,超过90%的图像块能找到至少9个相同尺度的相似图像块;超过80%的图像块能找到至少9个不同尺度的相似图像块。

图像的多尺度结构自相似性可由图1说明。如图所示,I0是由原始高分辨图像经过模糊化和下采样得到的输入图像。I-1和I-2均是I0的下采样图像,I1和I2是I0的上采样图像。对I0中的图像块P0,可以在I-1和I-2找到多个相似图像块,如P1和P2。P1和P2在I0中的对应图像块分别为R1和R2。同样的,D1和D2是P0的相似图像块,图像块R3和R4是可以认为是由高分辨图像块D1和D2下采样产生的。因此,R1、R2、R3和R4可以看成是P0不同尺度的相似图像块。因此,本文利用图像金字塔将不同尺度的相似图像块附加到字典训练样本中。

2.2 训练样本的扩充

本文以欧式距离作为图像相似度的判断标准[12]。在实际计算中,将图像块转换成列向量作为计算单元。假设将的两个图像块a和b转换成n维列向量,分别为a=(x1,x2,…,xn)T与b=(y1,y2,…,yn)T,则向量a和向量b之间的欧式距离可以表示为

从该计算公式可以中可以看出,向量元素是一一对应计算的。在相似度计算时,两个不相似的图像块经过图像旋转后可能变成相似图像块,本文将这种问题称为图像的方向问题。假设存在2×2的图像块a和b,如图2所示,向量表示为a=(x1,x3,x2,x4)T,b=(x3,x4,x1,x2)T,并且‖a-b‖22>ε,ε为阈值,即图像块a和b互为非相似块。图像块a顺时针旋转90°后,其向量表示为a=(x3,x4,x1,x2)T,则有‖a-b‖22<ε。很明显,图像块a旋转90°后与图像块b是相似的。当然这是一个比较理想的情况,但是也说明了图像方向的重要性。本文先将LR图像分别顺时针旋转90°、180°和270°,获得多帧低分辨率样本图像{LR,LR1,LR2,LR3},并对每个低分辨率图像构建图像金字塔,从而扩充了训练样本库。

2.3 构建非局部相似性正则项

由式(4)可知,基于字典学习的超分重建模型可以表示为

该优化问题中,l0范数最小化是一个非凸的NP问题,由于l1范数最小化是一个可以精确求解的凸优化问题,所以在实际计算中用l1范数替换l0范数,即

为了进一步保证重建图像的精确性,本文利用图像相同尺度的非局部相似块构建正则化约束项。对任意图像块xi,在初始重建图像中搜索xi的相似块xli,l=1,2,…,L,并利用xli的线性组合估计xi。非局部均值的主要思想是局部图像块xi的中心像素点μi可由它的相似图像块xli的中心像素点μil的加权平均来表示,即,权值,h是控制常数。设权值向量是由ωli,i=1,2…,L组成的向量,表示图像块对应像素点μil(i=1,2…,L)组成的向量,则非局部约束项可以表示为

将该非局部约束项加入式(7),得本文算法的计算模型

式(9)中,η为正则化参数,I为单位矩阵,B为权值矩阵。

3 基于多尺度结构自相似性的图像重建算法

3.1 多类K-SVD字典训练

对输入LR图像构建图像金字塔并分块,获取大量的样本图像块,表示为xi,i=1,2…p。为了达到更好的聚类效果,本文在图像特征空间进行聚类。考虑到人眼视觉系统对图像边缘更加敏感,因此本文利用高通滤波器提取图像块的高频成分,表示为xih,并利用K-means算法对xih进行聚类,产生K个类Ck={x1h,x2h,…,xmh},m是类Ck中图像块个数,则Ck可表示为一个n×m的矩阵,Ck的类中心

将从2.2节获取的低分辨率图像{LR1,LR2,LR3}分别构建图像金字塔并分块,设图像块表示为,利用高通滤波器提取其高频成分,表示为zi,i=1,2,…,q。计算zi与聚类中心ck的距离dik(k=1,2,…,K),若dik<ε,ε为相似块判定阈值,则将zi归类到Ck,否则舍去该图像块。经扩充后,类Ck表示为,p为扩充后样本块的数量。根据图像块与其高频图像块的对应关系,确定扩充后的样本图像块Sk={x1k,x2k,…,xpk},xik对应Ck中的。利用K-SVD字典训练方法[13]训练得到Sk对应的字典ψk(k=1,2,…,K)。

3.2 图像重建过程

本文将LR图像X0的插值图像作为初始重建图像,并对从左到右从上到下重叠取块。对于待重建图像块,其高频成分为zi,根据在K个字典中自适应选择的最佳字典ψk。对公式(9)采用迭代收缩算法[14]解决其最优化问题,得出图像块对应的稀疏表示系数αi,则即为对应高分辨率图像块。最后将所有的高分辨率图像块组合起来即可得到X0对应的高分辨率图像X0h。

为了进一步提升图像的重建效果,减小重建误差,本文采用迭代反投影算法进行图像后处理。迭代反投影算法的基本思想是重构图像经过下采样及滤波之后得到的图像与原始低分辨率图像基本相同[6],公式表示为

式(10)中,Xth是第t次迭代得到的HR图像,s为缩放因子,p表示反投影滤波器。

4 实验分析

实验中,为了模拟成像系统的图像退化过程,对原始的高分辨率图像使用大小为7×7、标准差为1.6的高斯核进行模糊处理,然后进行3倍降采样操作,生成对应的低分辨率测试图像。本文算法相关参数的选取如下:字典训练阶段,图像块尺寸7×7,相邻图像块重叠像素数为5;图像金字塔的层数为5,缩放倍数为1.5;字典的训练样本库聚类数K=50;字典ψ中的元素个数为49。重建阶段,图像块尺寸7×7,相邻图像块重叠像素数为5;图像放大倍数为3;在非局部均值方法中相似图像块个数L取值为12;迭代收缩算法中的最大迭代次数为960,迭代终止阈值设置为2×10-6。

由于人眼视觉系统对于亮度成分更加敏感,因此实验时将彩色图像从RGB颜色空间转换到YCbCr空间,仅对亮度分量Y采用本文算法重建,对色度分量Cb和Cr直接采用双立方插值放大到所需大小。为客观评估算法的性能,本文采用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似度指标(Structural Similarity,SSIM)作为超分辨率重建图像的客观评价方法[10]。另外,由于仅对亮度通道采用本文算法重建,因此在亮度通道进行PSNR和SSIM对比实验。将本文提出的方法与Yang的SC-SR算法[3]、Roman Zeyde的SISR算法[5]和Dong的ASDS算法[9]进行了实验对比。

图3和图4比较了两幅图像在不同SR算法下的重建效果。本文以图3为例进行分析比较。图3(a)是原始高分辨率图像,图3(b)和(c)分别是SC-SR算法和SISR算法的重建图像。从图中可以看出,SCSR算法和SISR算法可以恢复部分细节信息,但是重建图像的边缘比较模糊,而且存在一定程度的振铃效应,如叶尖部分。图3(d)是ASDS算法的重建图像,与SCSR算法和SISR算法相比,ASDS算法在一定程度上消除了振铃效应,较好地恢复了细节信息。图3(e)是本文算法的重建图像,与SCSR算法、SISR算法和ASDS算法相比,本文算法有效地消除了振铃效应,叶片边缘更加清晰,恢复了更多的细节信息,重建效果明显提高。

表1和表2比较了5幅测试图像的PSNR值与SSIM值。从表中PSNR和SSIM的平均值可以看出,本文算法的PSNR值比SCSR算法、SISR算法和ASDS算法分别提高2.01 d B,1.50 d B,0.60 d B;SSIM值分别提高了0.055 6,0.040 2,0.014 4。通过以上数据可以看出,本文算法较SCSR算法、SISR算法有明显的提高,较ASDS算法有一定程度的提高。

5 结束语

篇4：一种基于多分辨率模型简化算法的等高线自动综合方法研究

关键词：视觉注意模型,感兴趣区域,局部自相似性,目标检测

近年来, 对人类视觉机制的研究为许多复杂的图像处理问题提供了很好的解决方法。基于视觉注意模型的检测方法能迅速将注意力集中在显著目标区域, 提取感兴趣区域。针对传统单帧目标检测算法需要对整幅图像全局检测及对复杂背景没有良好分割阈值的问题, 将传统图像信息处理方法和人类视觉注意机制相结合, 利用视觉注意模型对感兴趣区域进行检测, 并在此基础上, 引入目标的局部自相似性对其进行精确分割和定位。

1 基于改进视觉注意模型和图像局部自相似性的目标检测思路

基于改进视觉注意模型和图像局部自相似性的目标检测思路如图1所示。首先利用改进视觉注意模型检测到的感兴趣区域, 初步求出目标的质心位置, 然后以这个位置作为先验信息, 在它附近利用图像局部自相似性方法进行区域生长。

通过计算图像目标感兴趣区域中每个点的局部自相似性描述子与感兴趣区域中心点的描述子之间的欧式距离, 作为相似性依据, 得到目标的精确分割结果。

2 改进视觉注意模型

在众多视觉注意模型中, Itti视觉注意模型[1]是最受关注的。它利用目标的亮度、颜色和纹理特征对目标进行检测。而对于特征不明显的运动小目标, 直接利用Itti视觉注意模型, 检测效果不理想。因此, 提出了一种改进的视觉注意模型。

2.1 改进视觉注意模型建立

人类视觉系统是通过捕捉目标的特征来进行分类和识别的。因此提取目标的特征, 是建立视觉注意模型的基本前提。目标的特征[2]一般包括颜色、亮度、方向、大小、形状、运动、立体度、曲率、拓扑属性、闭合度等, 其中视觉对运动特征最为敏感。因此在Itti视觉注意模型的基础上, 引入运动特征, 并且和颜色特征、亮度特征、方向特征一起作为初级视觉特征, 建立适合运动小目标检测的改进视觉注意模型, 如图2所示。

它属于自底向上的注意机制, 首先要提取视觉初级特征, 包括亮度、颜色、方向和运动特征, 其中运动特征主要包括运动速度和运动方向两类特征。而后采用中央-周边 (center-surround, C-S) 差分运算和非线性归一化计算图像局部范围的特征属性, 得到不同尺度下的特征图, 将各特征图进行多尺度融合与归一化后得到各特征维的显著图。然后基于非均匀采样的方式, 采用多特征图合并策略对这些不同特征维的显著图进行融合, 形成最终的综合显著图。将综合显著图输入“胜者为王” (winner-take-all WTA) 网络中, 依次选择显著图中显著性最大的区域作为感兴趣区域。采用“胜者为王”的神经网络和“返回抑制”机制进行注意转移[3]。

2.2 运动特征提取

采用背景减法来提取目标的运动矢量。通过计算图像中各像素点间的时域或空域上的关联性, 以前一帧的背景为参考, 计算当前帧的背景。然后将当前帧图像与其背景相减, 得到查分图像。设t帧图像为I (x, y, t) , 对应的背景图像为B (x, y, t) , 则差分图像为

根据差分图像, 可以得到相邻两帧图像中每个像素点的运动距离Dij (x, y) , 将各像素的运动距离在0°、45°、90°和135°四个方向上投影, 则可以得到各像素在四个运动方向上的运动距离, 进而可以得到四个方向的运动速度。

3 基于图像局部自相似性的目标定位

自相似性是图像中普遍存在的一种特性, 通常自相似性被用于分形图像压缩。根据图像在边缘处具有较好的局部自相似性[4]的特点, 采用基于图像局部自相似性的检测方法来对目标精确分割。

3.1 局部自相似描述子

局部自相似 (local self-similarity) 描述子是2007年Shechtman提出的[5,6], 用于描述形状, 对不同图像中的相同形状, 或相同图像中颜色或纹理不同, 但是有相同形状的图像进行匹配。通常用对数极坐标形式来量化形状特征。局部自相似描述子通过对图像内部的颜色、亮度或有规律的重复产生的几何特征的自相似性进行描述和提取。

求局部自相似描述子时, 首先对图像区域进行划分, 然后再计算每个区域的描述子。

3.2 图像区域划分

以图像中某个像素点为中心选取一定范围的图像区域进行对数极坐标变换。设图像区域中的每个像素点位置 (x, y) , 转化为对数极坐标 (ρ, θ) 。其中, c表示中心位置。

选择一幅复杂背景图像, 如图3 (a) 所示。对图中建筑物进行局部特征提取, 以圆形区域作为滑动窗口, 将角度θ分为8份, 半径ρ分为4份, 得到以像素点为中心的图像区域, 如图3 (b) 所示, 展开作为像素点的特征向量, 如图3 (c) 所示。依次得到每个像素点对应的图像区域。

3.3 局部自相似描述子的计算

在图像区域中的每个像素点q用以当前像素点为中心的一块小区域表示 (通常为5×5区域) , 计算每个像素点q与中心像素点对应位置之差的平方和 (SSD) , 用SSDq (x, y) 表示。再进一步把面积差SSDq (x, y) 归一化为相关面积Sq (x, y) :

式 (3) 中, varnoise是噪声变化, 取为常量。varauto是像素点q周围很小半径内, 每个像素点对应图像区域之间的最大面积差SSDq (x, y) 值, 半径通常取1。例如, 图3中, 在对数极坐标下, 将像素点q周围区域分成8个角度和4个半径区域。在每个划分的区域中取最大的Sq (x, y) 作为该区域的描述值, 再将所有的数值映射到[0, 1]区间, 顺序表示就得到了像素点q描述子的向量表达式, 为一个8×4的向量。

计算图像显著性区域中每个像素点的局部自相似描述子, 并利用其与图像显著性区域中心点的描述子之间的欧式距离作为相似性依据, 对目标进行精确分割。即计算每个像素点的描述子和中心位置描述子各向量差的平方和, 和值越小说明该像素点和中心位置越相似, 以此把目标从图像中分割出来。

4 算法验证

用MATLAB软件编写程序实现基于改进视觉注意模型和图像局部自相似性的目标检测算法, 以检验该算法的有效性。

4.1 Itti视觉注意模型验证

选取一副反坦克导弹训练模拟器中的视频图像, 图像大小为320×240, 如图4 (a) 所示。这段视频图像中坦克目标成像面积较小, 属于运动小目标。利用经典的Itti视觉注意模型得到的综合显著图和检测结果如图4 (b) 和4 (c) 所示。从结果可以看出, 该算法将具有明显边缘信息的森林分界线区域作为感兴趣区域, 对运动小目标的检测效果不理想。

4.2 改进视觉注意模型验证

利用增加运动特征的改进视觉注意模型对图5 (a) 进行检测, 得到的综合显著图如图5 (b) 所示。图5 (c) 表示根据改进视觉注意模型得到的坦克目标感兴趣区域, 其中颜色越深表示越接近目标的质心位置。和从结果可以看出, 改进的算法利用坦克目标的运动特性, 较好的检测出目标, 改善了检测效果。

试验表明, 改进视觉注意模型能利用人眼对图像中目标的运动、颜色、亮度和方向等特征的注意机制, 自适应地检测图像中的感兴趣区域, 在目标检测中有一定优势。

4.3 基于图像局部自相似性的算法验证

利用基于图像局部自相似性的方法对复杂地面背景进行目标局部分割, 结果如图6 (a) 所示。其中, 蓝色的圆圈为根据视觉注意模型检测结果得到的初步目标质心位置, 红色的圆圈则是根据自相似性特征进行目标生长后得到的精确目标质心位置。6 (b) 表示图像的定位过程, 红色的虚线框标注的是楼房的准确位置, 红色小圈和蓝色小圈的物理意义同图6 (a) , 黄色小圈是在自相似性生长过程中找到的与初始质心位置的特征具有高度相似性的区域。

利用基于图像局部自相似性的方法对坦克目标进行检测, 结果如图7所示。

由此可以看出, 利用视觉注意模型的感兴趣区域检测算法能够较好的提取到目标的感兴趣区域。在此基础上, 利用基于图像局部自相似特性的检测算法能够对感兴趣区域中的目标进行精确分割, 计算出目标的质心位置。

5 结论

利用视觉注意机制和图像局部自相似特性, 提出了一种基于改进视觉注意模型和图像局部自相似性的目标检测算法。实验表明, 改进的视觉注意模型对于复杂背景下运动小目标的检测效果更好。利用图像在边缘处具有良好局部自相似性, 实现了对目标的精确分割和定位。

参考文献

[1] Wang Y H, Zhang T X, Wmg C Y.Small-target predetection with an attention mechanism.Opt Eng, 2012;41 (4) :872—885, 2002

[2] 王岳环, 路自谦, 张天序.基于视觉注意机制的小目标预检测特性.华中科技大学学报 (自然科学版) , 2006;34 (8) :10—11Wang Y H, Lu Z Q, Zhang T X.Performance analysis of small target pre-detection based on visual attention mechanism.Journal of Huazhong University of Science and Technology (Nature Science Edition) , 2006;34 (8) :10—11

[3] Itti L, Baldi P.A principled approach to detecting surprising events in video.Proc IEEE Int’l Conf on Computer Vision and Pattern Recognition (CVPR) , 2005:1—7

[4] 屠敬.基于局部特征的目标检测研究.成都:电子科技大学, 2010Tu Jing.Research on target detection based on local features.Chengdu:University of Electronic Science and Technology of China, 2010

[5] 胡俊华, 徐守时, 陈海林, 等.基于局部自相似性的遥感图像港口舰船检测.中国图像图形学报, 2009;14 (4) :591—597Hu J H, Xu S S, Chen H L, e tal.Detection of ships in Harbor in remote sensing image based on local self-similarity.Journal of Image and Graphics, 2009;14 (4) :591—597