基于视觉注意机制的遥感图像船只检测

范肖肖，许文波，杨　淼，樊香所

(电子科技大学，四川 成都 611731)



基于视觉注意机制的遥感图像船只检测

范肖肖，许文波，杨淼，樊香所

(电子科技大学，四川 成都 611731)

摘要针对视觉注意机制中Itti模型在显著性区域提取中提取颜色、方向和亮度3种特征，应用到遥感图像中容易造成错检的问题，在Itti模型基础上提出了改进的显著性模型，用纹理特征代替Itti模型中的颜色特征和亮度特征，同时考虑了图像在频域中的显著性。对改进后的算法进行仿真，仿真结果表明，改进算法检测精度高、实时性好，显著区域与目标基本一致， 能够有效地检测遥感图像中船只目标。

关键词Itti模型；显著性；目标检测；特征提取

0引言

遥感图像目标检测是随着遥感技术不断发展应运而生的技术，船只作为利用海洋、开发海洋的重要工具，船只检测[1,2]成为检测重点。目标检测方法主要有基于特征的目标检测、基于模型的目标检测和基于统计学的目标检测方法。基于灰度特征的舰船检测主要是利用舰船与水体灰度差异特征进行分割，从而获得舰船目标候选区。有双参数CFAR、K分布的CFAR[3]算法；基于纹理特征提取有：基于分形模型[4]、基于CDTM矩阵和基于Gabor滤波器组的纹理特征。近年来，机器学习应用到了目标检测[5]中，主要有基于支持向量机[6]的目标检测。

本文采用选择注意机制中的Itti[7]模型，并在该模型基础上进行改进进行船只目标检测研究。分别提取图像的方向特征、纹理特征和频域上的显著性，将图像中多种特征融合形成特征显著图，然后通过视觉注意转移机制获得显著目标。该模型适用于遥感图像中船只目标检测[8]。

1船只目标检测模型

视觉注意机制分为2种模型：自底向上模型主要从图像本身特征出发，以物体为中心，将容易引起人们注意的物体作为人类感兴趣区域进行研究；自顶向下模型[9,10]是从人类视觉感兴趣区域出发，加入了先验知识，已知感兴趣目标的相关信息来对图像进行目标发现。Itti模型主要基于自底向上的模型，主要分为3步：① 对图像进行线性滤波，分别计算图像亮度、颜色和方向特征，生成3种特征的显著图；② 利用赢者为王机制，提取图像的视觉显著性区域；③ 返回抑制机制抑制提取出的显著性区域，通过赢着为王机制，视觉注意转移到下一个显著性区域，实现视觉在全图中的转移。

1.1Itti模型

Itti模型依据目标与背景之间特征，对比度之间的差异，模拟人类感知能力，提取感兴趣区域。Itti模型示意图如图1所示。

图1　Itti模型

1.1.1显著性特征图生成

r,g,b为图像的红、绿、蓝3个通道，亮度特征I=(r+g+b)/3。提取图像的红、黄、绿、蓝4个颜色通道的特征分量。

(1)

Gabor滤波器分别提取图像{0°,45°,90°,135°}4个方向特征，Gabor滤波器表示如下：

(2)

x0=xcosθ+ysinθ。

(3)

式中，θ表示方向，分别为0°，45°，90°，135°；f表示频率；δx0，δy0分别表示水平方向和垂直方向上的方差。

对提取的亮度特征、颜色特征和方向特征进行高斯滤波建立金字塔模型，分别是I(δ)，R(δ)，G(δ)，B(δ)，O(σ,θ)，σ表示尺度。对得到多尺度的特征图进行中央—周边差分操作，特征图在不同尺度下进行相减操作。c表示金字塔的中央层，取值为{2，3，4}，c+s表示金字塔结构周边层，s为{3,4}，中央层与周边层做减法操作。

强度特征中心周边差为：

(4)

颜色特征中心周边差为：

(5)

方向特征中心周边差为：

(6)

C和S之间的关系为：

S=C+δ。

(7)

计算中心周边差异进行合并得到3幅图像的醒目图计算公式为：

(8)

特征图进行归一化，并通过线性组合得到最终的显著图S，

(9)

1.1.2视觉转移机制[11]

显著图中各目标通过竞争吸引注意焦点，焦点在每个待测目标中进行转移，采用胜者全赢机制选择显著图中最值。如果没有一定的机制，注意焦点指向显著值最大的点及领域 ，采用胜者取全的方法得到显著图。

1.2改进Itti模型

传统的Itti模型只考虑到了颜色、方向和亮度3种特征，针对于海面背景目标检测[12]，传统的模型具有一定的局限性。遥感图像中，颜色所占比重比较小，遥感图像中存在云、海浪等干扰，只考虑图像颜色、方向和亮度3种特征会增大误检率。遥感图像中目标与背景纹理上具有一定差异，提取特征显著图时加入纹理特征显著图，同时结合频域思想和全局对比等思想。

1.2.1纹理特征

纹理在图像上表现为灰度或者是颜色分布的某种规律性。图像可以看成是不同纹理区域的组合，纹理是对局部区域像素之间关系的一种度量。纹理特征可用于定量描述图像中的空间信息。

梯度结构张量对图像进行纹理分析，I(x,y)设为图像的灰度值，水平和垂直方向上的梯度用Ix和Iy表示。图像的梯度结构张量T为：

(10)

(11)

λ1，λ2表示矩阵的特征值，特征值为：

(12)

结构张量矩阵的特征值表示图像局部特征信息，图像的一致性用结构张量矩阵的特征表示为：

(13)

1.2.2频域上显著性

图像在频率域[13]上分为低频和高频2个部分，高频部分反映图像纹理信息，低频部分反映图像轮廓。Wtc表示显著性低频率，Whc表示最高频率。设计一组DOG滤波器来获得Wtc～Whc的信息。DOG带通滤波器表达式为：

G(x,y,σ1)-G(x,y,σ2)。

(14)

σ1σ2适合的比率为ρ=1∶1.6，设计多个DOG组成一个组合DOG滤波器：

G(x,y,ρNσ)-G(x,y,σ)。

(15)

基于频域的方法使用窗口5*5的高斯平滑舍去高频信息，N=∞，G(x,y,ρNσ)是对整个图像的平均，像素P的显著性公式为：

S(P)=||Iμ-Iwhc(p)||。

(16)

式中，Iμ为图像平均特征；Iwhc(p)为p在高斯平滑后的图像中颜色特征。

1.3显著目标检测

结合Itti模型和频域模型，分别得到2种模型下的显著图，对得到的显著图进行规范化，规范化函数为：

N(A)=(A-minA)/(maxA-minA)。

(17)

利用两者相乘得到总的显著图：

SP=NSG×NSR。

(18)

利用区域生长方法对显著图进行分割，以一组种子开始处理生长区域，将那些预定义属性类似于种子的领域像素附加到作为种子的次簇的质心。记显著图上最大像素值为Imax，从显著图中最亮的一个点向周围八领域方向生长，在某一个方向上某个像素值小于最亮点像素值的a倍，则停止生长，a的取值为0～1，直到所有方向上的生长都停止结束。计算上一个目标清零后的显著图中最亮点像素值，小于Imax*a，则检测结束。

2实验结果

为了验证改进算法的有效性，在Matlab2010(b)下进行实验，实验中采用图像尺寸为400*400的TM图像和400*400的IKONOS图像 。Itti算法检测结果如图2和图3所示。

图2　Itti模型下的TM影像检测结果

图3　Itti模型下的IKONOS影像检测结果

图2和图3中分别是2种数据在Itti模型下的检测过程结果，原始图像(a)中一共有2个船只目标，而Itti模型得到的显著图出现了错误目标。Itti算法对IKONOS影像进行检测，检测率较低。在Itti模型上进行改进后的算法实验结果图如图4所示。从图4中可以看到改进后的算法具有较高的检测率。

图4　改进后算法结果

用recall、precision 对算法进行评价，recall-precision曲线图如图5所示，评价指标如图6所示。

图5中，右极限表示当阈值取0时召回率最大，左极限表示当召回率最低时精确度最高。图6为迭代法取阈值情况下，每个算法的recall、precision和F的值。横坐标表示6种算法，每种算法分别有3个指标精度：precision、召回率recall和综合指标F。纵坐标代表3个指标的数值。改进的算法相对于其他算法值要高。

图5　recall-precision曲线

图6　评价指标

3结束语

本文采用基于选择注意机制方法中的Itti模型来检测海洋卫星图像中的船只目标。分别提取图像中各种特征，将图像中多种特征在不同尺度下融合形成特征显著图，然后通过视觉注意转移机制获得显著目标，但是Itti模型只提取颜色、方向和亮度，没有考虑船只的纹理和尾迹等特征，容易造成错检。针对此问题，对Itti模型进行改进，考虑了纹理特征，针对小目标考虑了频域中的显著性。

参考文献

[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]侯四国,张红,王超,等.一种新的SAR图像船只检测方法[J].遥感学报,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]何四华,杨绍清,石爱国,等.纹理高阶分形特征在海面舰船目标检测中的应用[J].光学与光电技术,2008(4):79-82.

[5]张瑞.粒子滤波和均值漂移相结合目标跟踪算法[J].无线电通信技术,2011,37(2):29-31.

[6]段松传,韩彦芳,徐伯庆.基于协方差矩阵的复杂背景中目标检测[J].无线电通信技术,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—)， 硕士研究生，控制工程专业。主要研究方向：遥感图像处理目标检测。

许文波男，(1973—)，教授。主要研究方向：测绘科学与技术、遥感图像处理。

声明

《无线电工程》期刊社未开展成立理事会相关事宜，如有任何单位或个人以《无线电工程》期刊社的名义组织理事会事项，均与期刊社无关。

特此声明！

引用格式：范肖肖,许文波,杨淼,等.基于视觉注意机制的遥感图像船只检测[J].无线电工程,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

作者简介

收稿日期：2015-09-07

中图分类号TP391

文献标识码A

文章编号1003-3106(2016)01-0057-04

doi:10.3969/j.issn.1003-3106.2016.01.14