本發(fā)明屬于遙感影像處理方法，具體涉及一種影像紋理豐富度提取與影像信息球構(gòu)建的弱紋理影像自動(dòng)判別方法與裝置。

背景技術(shù)：

1、鑒于地理場(chǎng)景的豐富性與多樣性，通常獲取的航空影像面臨復(fù)雜場(chǎng)景信息，采集的影像往往混雜有房屋、城市、農(nóng)村、水域、雪原等等場(chǎng)景，這些影像可以大致分為常規(guī)紋理影像與弱紋理影像。目前，大量的研究致力于對(duì)幾何結(jié)構(gòu)明確的常規(guī)影像進(jìn)行實(shí)驗(yàn)，對(duì)建筑、道路、植被等常規(guī)紋理物體的分析和應(yīng)用的技術(shù)已經(jīng)較為成熟。然而，在處理影像中的弱紋理場(chǎng)景，例如湖泊、沙漠、雪域等弱紋理情境時(shí)，現(xiàn)有技術(shù)仍然面臨一系列難題。弱紋理場(chǎng)景下的影像具有一些獨(dú)特的特征，包括反射率低、鄰域相似性高、區(qū)域間差異性不顯著等。實(shí)際生產(chǎn)流程中，由于兩類(lèi)影像具有顯著的紋理以及幾何差異，往往需要對(duì)兩類(lèi)影像進(jìn)行區(qū)分處理。因此，為服務(wù)于生產(chǎn)流程全智能自動(dòng)化，需要對(duì)初始采集影像進(jìn)行分類(lèi)預(yù)處理，而如何對(duì)影像的紋理信息進(jìn)行量化提取以及構(gòu)建紋理分類(lèi)器則是其中關(guān)鍵，故對(duì)此展開(kāi)研究十分必要。

2、影像紋理判別分類(lèi)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)，在目標(biāo)檢測(cè)、圖像分割等領(lǐng)域發(fā)揮重要作用。現(xiàn)有針對(duì)影像紋理分類(lèi)的方法大多可以分為傳統(tǒng)算法以及深度學(xué)習(xí)算法兩種。傳統(tǒng)的紋理判別分類(lèi)方法主要分為基于濾波器、統(tǒng)計(jì)特征、結(jié)構(gòu)特征和模型特征四類(lèi)。濾波器方法如gabor濾波器可以有效提取圖像特征，但對(duì)參數(shù)依賴(lài)高；統(tǒng)計(jì)方法如灰度共生矩陣只適合小范圍影像；模型方法如分形幾何在處理復(fù)雜紋理時(shí)表現(xiàn)出色，但對(duì)圖像變換敏感。近年來(lái)，一些改進(jìn)算法如ilqp和nf-lbp，以及多色紋理描述子等，針對(duì)這些傳統(tǒng)方法的局限性提出了解決方案，但仍難以有效處理弱紋理影像。基于深度學(xué)習(xí)的紋理分類(lèi)方法相比傳統(tǒng)方法具備更強(qiáng)的特征抽象能力，提升了分類(lèi)精度。自動(dòng)編碼器和卷積神經(jīng)網(wǎng)絡(luò)(cnn)是早期研究重點(diǎn)，capsnets和雙重注意機(jī)制網(wǎng)絡(luò)等進(jìn)一步改善了特征提取和分類(lèi)性能。近年來(lái)，研究者提出了多種創(chuàng)新方法，如結(jié)合rnn模型的動(dòng)態(tài)紋理分析、基于灰度共生矩陣和粒子群優(yōu)化的模糊網(wǎng)絡(luò)模型(fuzzynet)等，這些方法在特定應(yīng)用中表現(xiàn)突出。然而，深度學(xué)習(xí)方法在實(shí)際應(yīng)用中仍面臨數(shù)據(jù)需求和標(biāo)簽準(zhǔn)確性等挑戰(zhàn)。

3、綜上所述，目前已有大量研究對(duì)影像紋理判別分類(lèi)進(jìn)行了研究，但是不管是傳統(tǒng)方法還是深度學(xué)習(xí)方法，都聚焦于常規(guī)紋理影像，以判別某種具象的物體為目標(biāo)，無(wú)法對(duì)影像的弱紋理進(jìn)行有效判別。基于此，本發(fā)明提出了一種影像紋理豐富度量化以及影像信息球分類(lèi)器構(gòu)建方法，來(lái)實(shí)現(xiàn)弱紋理影像自動(dòng)判別。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于影像信息球度量的弱紋理影像自動(dòng)判別方法與裝置，用來(lái)解決弱紋理遙感影像的判別問(wèn)題。

2、本發(fā)明所采用的技術(shù)方案是：一種基于影像信息球度量的弱紋理影像自動(dòng)判別方法，包括以下步驟：

3、步驟一，對(duì)輸入影像進(jìn)行初始化，分別完成參數(shù)及判別閾值初始化，同時(shí)通過(guò)目視解譯獲得先驗(yàn)弱紋理影像數(shù)據(jù)；

4、步驟二，通過(guò)計(jì)算影像的紋理梯度均值、紋理能量場(chǎng)半徑、紋理輪廓信息熵構(gòu)建紋理強(qiáng)度向量trv，提取影像紋理強(qiáng)弱的量化結(jié)果；

5、步驟三，輸入目視解譯得到的先驗(yàn)弱紋理影像數(shù)據(jù)，構(gòu)建各自的trv向量，獲取弱紋理語(yǔ)義的先驗(yàn)知識(shí)；

6、步驟四，基于步驟三中的trv向量生成向量空間，對(duì)待測(cè)數(shù)據(jù)構(gòu)建向量空間中的信息球，信息球半徑通過(guò)先驗(yàn)弱紋理影像數(shù)據(jù)的最小外接球體計(jì)算得到；

7、步驟五，構(gòu)建信息球分類(lèi)器，計(jì)算信息球中待測(cè)數(shù)據(jù)在弱紋理語(yǔ)義下發(fā)生的概率，并依據(jù)shannon定理計(jì)算出待測(cè)數(shù)據(jù)在弱紋理語(yǔ)義下的信息量，最終與設(shè)定閾值進(jìn)行比較，實(shí)現(xiàn)待測(cè)數(shù)據(jù)的紋理強(qiáng)弱判別。

8、進(jìn)一步的，步驟二中基于scharr濾波結(jié)果計(jì)算影像紋理梯度均值，反映影像灰度平均變化程度，其中scharr濾波公式如公式(1)所示：

9、

10、式(1)中，gx和gt表示像素的x和y方向的梯度，p1…9表示影像3×3鄰域的相鄰像素強(qiáng)度大小；

11、計(jì)算影像紋理梯度均值，對(duì)影像整體梯度變化程度進(jìn)行評(píng)估，相關(guān)計(jì)算公式如公式(2)所示：

12、

13、式(2)中，表示影像的紋理梯度均值，w、h表示影像梯度圖的寬度和長(zhǎng)度，gi表示像素i的梯度強(qiáng)度值，gx和gy表示像素的x和y方向的梯度。

14、進(jìn)一步的，步驟二中首先使用拉普拉斯濾波對(duì)影像邊緣特征進(jìn)行銳化，濾除噪聲以及變化平滑的影像信息；然后在快速傅里葉變換下進(jìn)行頻域轉(zhuǎn)換得到影像的頻譜圖；再通過(guò)對(duì)頻譜圖的分析，計(jì)算強(qiáng)度值范圍以及上四分位強(qiáng)度值；之后根據(jù)上四分位強(qiáng)度值找到距離中心點(diǎn)最遠(yuǎn)的極限距點(diǎn)；最后以極限距點(diǎn)為邊界構(gòu)建紋理能量場(chǎng)，得到能量場(chǎng)半徑；

15、快速傅里葉變換計(jì)算如公式(3)所示：

16、

17、式(3)中，f是信號(hào)在原始空間域下的函數(shù)表示，f是信號(hào)變換后在頻域下的函數(shù)表示，u和x取值均為0至k-1，w2k為正余弦函數(shù)，k為一個(gè)正整數(shù)，f(u)為傅里葉變換，表示為有限個(gè)項(xiàng)系數(shù)與正余弦函數(shù)的乘積之和；

18、在頻譜圖的基礎(chǔ)上，以頻譜圖上四分位強(qiáng)度值為閾值，計(jì)算影像高頻輻射范圍，上四分位強(qiáng)度值以及紋理能量場(chǎng)半徑計(jì)算如公式(4)、(5)所示：

19、qup＝(max(i)-min(i))·75％??(4)

20、式(4)中，qup為頻譜圖中的上四分位強(qiáng)度值，max(i)和min(i)為對(duì)影像i中的強(qiáng)度值求取最大值以及最小值的操作；

21、

22、式(5)中，spnt為頻譜圖中所有強(qiáng)度值為qup的點(diǎn)坐標(biāo)的集合，inti為像素i的頻譜圖強(qiáng)度值，sdis為spnt中點(diǎn)至頻譜中心點(diǎn)的距離的集合，x0和y0為頻譜圖的中心點(diǎn)坐標(biāo)，xi和yi為像素點(diǎn)i的坐標(biāo)，rtext為影像的紋理能量場(chǎng)半徑。

23、進(jìn)一步的，步驟二中基于canny濾波的影像輪廓圖計(jì)算影像輪廓信息熵，反應(yīng)全局灰度級(jí)混亂程度，圖像信息熵的計(jì)算如公式(6)：

24、

25、式(6)中，h為圖像信息熵，pi為影像中灰度值為i的發(fā)生概率，cnti為灰度級(jí)i的像素出現(xiàn)次數(shù)，h和w為影像的高和寬。

26、進(jìn)一步的，步驟四中向量空間采用線性歸一化的歐式距離進(jìn)行位置度量，計(jì)算如公式(7)所示：

27、

28、式(7)中，sdis為影像的相似度距離集合，其中n為先驗(yàn)弱紋理影像張數(shù)，dj表示待測(cè)數(shù)據(jù)與先驗(yàn)弱紋理影像j的歸一化歐式相似度距離，n為向量維數(shù)，duv為影像u和v的歸一化歐式相似度距離，xu、xv為影像u和v的trv，xui為影像u的trv的第i個(gè)分量值；xui'為影像u的trv歸一化后的第i個(gè)分量值，xvi'為影像v的trv歸一化后的第i個(gè)分量值，min(xi)和max(xi)為所有trv數(shù)據(jù)中第i個(gè)分量的最小值和最大值。

29、進(jìn)一步的，步驟四中信息球半徑的計(jì)算公式如(8)所示：

30、

31、式(8)中，tenth為空間張力閾值，即信息球半徑，為張力閾值tenth下的弱紋理集合，gn為向量空間中，弱紋理集合中的一張先驗(yàn)弱紋理影像，為第n張影像的相似度距離集合。

32、進(jìn)一步的，步驟五中，信息球中待測(cè)數(shù)據(jù)在弱紋理語(yǔ)義下發(fā)生的概率的計(jì)算如公式(9)所示：

33、

34、式(9)中，sweak表示弱紋理集合，p(x|sweak)為待測(cè)數(shù)據(jù)x在弱紋理集合sweak下的條件概率，mr(x)為待測(cè)數(shù)據(jù)的信息球中包含的先驗(yàn)弱紋理影像的個(gè)數(shù)，max表示取最大值。

35、進(jìn)一步的，步驟五中通過(guò)待測(cè)數(shù)據(jù)的發(fā)生概率計(jì)算其信息量，計(jì)算公式如(10)所示：

36、i(x|sweak)＝-log2(p(x|sweak))?(10)

37、式(10)中，i(x|sweak)為待測(cè)數(shù)據(jù)具有的信息量，p(x|sweak)為待測(cè)數(shù)據(jù)x在弱紋理集合sweak下的條件概率；

38、最后，通過(guò)待測(cè)數(shù)據(jù)信息量構(gòu)建影信息球分類(lèi)器，公式如(11)所示：

39、

40、式(11)中，btext為影像最終紋理判別結(jié)果，1表示判別為弱紋理；i(x|sweak)為待測(cè)數(shù)據(jù)具有的信息量；σth為信息量閾值。

41、進(jìn)一步的，還包括步驟六，利用混淆矩陣、準(zhǔn)確度、精確率和召回率對(duì)判別結(jié)果進(jìn)行驗(yàn)證分析。

42、本發(fā)明還提供基于影像信息球度量的弱紋理影像自動(dòng)判別裝置，包括處理器和存儲(chǔ)器，存儲(chǔ)器用于存儲(chǔ)程序指令，處理器用于調(diào)用存儲(chǔ)器中的存儲(chǔ)指令執(zhí)行如上述方案所述的基于影像信息球度量的弱紋理影像自動(dòng)判別方法。

43、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和有益效果：

44、本發(fā)明提出的弱紋理遙感影像判別方法分為影像紋理豐富度向量提取以及信息球分類(lèi)器構(gòu)建兩個(gè)部分。首先，通過(guò)紋理梯度均值、紋理能量場(chǎng)半徑和紋理信息熵，分別從灰度平均變化程度、局部灰度抖動(dòng)細(xì)微程度和全局灰度級(jí)混亂程度三個(gè)角度對(duì)影像的紋理進(jìn)行分析，由此構(gòu)建出紋理豐富度向量對(duì)影像的紋理情況進(jìn)行分析描述。之后構(gòu)建信息球分類(lèi)器，通過(guò)目視解譯得到的稀疏弱紋理影像數(shù)據(jù)作為弱紋理判別的評(píng)價(jià)標(biāo)準(zhǔn)，之后在向量空間中對(duì)待測(cè)數(shù)據(jù)構(gòu)建信息球，通過(guò)計(jì)算待測(cè)數(shù)據(jù)在先驗(yàn)弱紋理數(shù)據(jù)中事件的發(fā)生概率，將待測(cè)影像trv中的三個(gè)描述分量凝練為待測(cè)數(shù)據(jù)的信息量，最終實(shí)現(xiàn)弱紋理影像的判別。結(jié)果表明，本發(fā)明提出的方法可以較好地實(shí)現(xiàn)弱紋理遙感影像的判別，比傳統(tǒng)方法更穩(wěn)定。