基于联合显著性分析的遥感影像感兴趣区域提取关键技术研究

How can saliency analysis be utilized in the efficient and accurate detection of a region of interest (ROI) has become one of the key problems in the field of remote sensing image processing. It has great significance in effectively alleviating the contradiction between high-speed access to the remote sensing images and low-speed data interpretation. The extant models generally cannot precisely extract ROIs against complicate background or noise interference by only relying on single-image saliency. In this project, we propose a joint saliency analysis model with strong anti-noise ability. Firstly, inter-saliency analysis model is built to effectively depress salient background by considering multiple remote sensing images with similar ground object features. Secondly, intra-saliency analysis model is built to further enhance the saliency of ROIs by integrating spectral, texture and edge features within a single image. Thirdly, stat-saliency analysis model with anti-noise ability is constructed based on logarithmic co-occurrence histograms. Finally, all the saliency maps from the above models are fused to achieve accurate multiple-image ROI extraction after threshold segmentation. In addition, the project will incorporate a set of geometric feature evaluation indices for effective accuracy assessment in the saliency analysis for remote sensing images. In sum, this research work will offer a new idea for the accurate extraction of ground objects in the remote sensing images. Moreover, its results will provide necessary technical support to the remote sensing image compression, change detection and other related fields.

如何利用显著性分析高效、准确地完成遥感影像感兴趣区域提取是遥感影像处理领域亟待解决的关键问题之一，对有效缓解遥感影像高速获取与低速解译间的矛盾具有重要意义。针对现有方法仅考虑单幅影像显著性，在背景复杂或有噪声干扰时无法准确提取感兴趣区域的问题，本项目拟提出具有较强抗噪能力的联合显著性分析模型，首先从具有相似地物特征的多幅遥感影像入手，构建共性显著特征分析模型，排除显著性较高的背景干扰；其次整合单幅影像自身的光谱、纹理与边缘特征，建立内部显著特征分析模型，使感兴趣区域显著性进一步增强；再次基于对数共生直方图设计具有抗噪能力的统计显著特征分析模型；最后融合各显著特征图，通过分割完成多幅遥感影像感兴趣区域的准确提取。此外，项目还将结合几何特征评价指标实现对遥感影像显著性分析的有效评估。上述研究将为准确提取遥感影像地物目标开辟新的思路，其成果也能为遥感影像压缩及变化检测等相关方向提供必要技术支持。

视觉显著性分析能够有效模仿人眼视觉系统的串行化处理策略，按照目标显著性由大到小的顺序从影像数据中快速提取显著区域，从而避免对整幅影像的精细搜索，极大提高了场景处理效率。本项目将显著性分析的这些优势引入遥感影像处理中，从具有相似地物特征的多幅遥感影像入手，充分发掘它们的共有显著特征，同时结合单幅遥感影像的内部显著特征，构建联合显著性分析模型，最终实现对多幅遥感影像感兴趣区域的准确提取。本项目主要研究工作包括：1、结合多幅影像的共性地物特征，提出基于区域特征提取与区域间相似性度量的多幅影像共性视觉显著性分析模型，有效抑制显著性较高的背景干扰；在此基础上，进一步利用弱监督梯度类别响应与主动轮廓模型，实现了多幅遥感影像感兴趣区域的高效提取。2、先后利用低秩矩阵复原、法线方向提升小波、超参数稀疏表示等工具，充分发掘影像的内部显著特征，完成了单幅遥感图像的显著性分析。3、引入共生直方图这一统计工具，利用图中的系数分布特性有效抑制背景干扰，建立具有抗噪声能力的统计显著特征分析模型。4、将多幅遥感影像间的共性显著特征、单幅遥感影像的内部显著特征以及统计显著特征有机结合，通过自适应阈值分割，完成多幅遥感影像中共性感兴趣区域的准确提取。5、引入过分割误差指数、欠分割误差指数、分割误差评估指数、边界误差指数以及形状误差指数等几何特征评价指标，实现对遥感影像感兴趣区域的边界信息、形状吻合程度以及区域完整性的有效衡量。6、将视觉显著性分析引入遥感影像融合与超分辨率重建，从而为这些领域开辟新的研究思路。项目组取得的研究成果不仅能够在一定程度上缓解遥感影像高速获取与低速解译之间的矛盾，而且为海量遥感数据中重要地物目标的准确、高效提取提供了必要的理论支撑与技术保障，此外，本项目对现有视觉显著性分析理论的完善与补充也具有重要意义。