一種針對(duì)海面SAR圖像的視覺注意模型設(shè)計(jì)

熊 偉, 徐永力

(海軍航空大學(xué)信息融合研究所，山東 煙臺(tái) 264001)

0 引言

合成孔徑雷達(dá)(SAR)具有全天時(shí)、全天候、大范圍、多參數(shù)等特點(diǎn)，是海洋監(jiān)測與監(jiān)視應(yīng)用的重要組成部分。從SAR圖像中快速檢測出目標(biāo)對(duì)及時(shí)獲取有用信息有著重大的意義。SAR圖像目標(biāo)檢測作為其分類和識(shí)別的基礎(chǔ)，始終是SAR圖像應(yīng)用的重要內(nèi)容[1]。

隨著Radarsat-2，TerraSAR-X以及高分三號(hào)等新一代SAR傳感器的發(fā)射運(yùn)行，SAR逐漸向高分辨率、大幅寬、多極化方向發(fā)展。隨著圖像尺寸越來越大，基于圖像的逐點(diǎn)計(jì)算等檢測算法處理速度就變得緩慢，難以達(dá)到實(shí)時(shí)處理的要求[2]。大數(shù)據(jù)量的SAR圖像信息和有限的計(jì)算機(jī)處理能力之間的矛盾，迫切需要尋求快速的圖像檢測方法[3]。一些學(xué)者對(duì)人類視覺智能展開研究并取得進(jìn)展，其中，采用視覺注意機(jī)制從復(fù)雜的視覺信息中篩選出有用信息提供給目標(biāo)檢測，大大提高了處理效率。

目前，對(duì)視覺注意建模的研究主要包括兩個(gè)方面。1) 數(shù)據(jù)驅(qū)動(dòng)的視覺注意模型，可劃分為基于時(shí)域的模型算法和基于頻域的模型算法。ITTI提出的視覺注意模型首次在數(shù)學(xué)層面對(duì)人眼“注意”特性進(jìn)行了模擬[4]，基于時(shí)域空間建立了視覺注意模型；基于頻域的視覺注意模型則將圖像的處理層面由時(shí)域轉(zhuǎn)換到頻域。例如HOU等提出的基于頻譜殘差法的視覺顯著模型[5]，Hou模型主要利用了快速傅里葉變換得到的幅度譜作為圖像顯著性表征，進(jìn)而還原到時(shí)域得到顯著圖；GUO等在快速傅里葉變換的基礎(chǔ)上利用相位譜得到圖像的顯著圖[6]；YU等結(jié)合離散余弦變換理論提出了一些新的視覺注意模型[7]，也得到了廣泛的應(yīng)用。此類模型雖然能夠簡單快速地獲取顯著圖，但是顯著圖包含較多虛警。2) 目的驅(qū)動(dòng)的視覺注意模型，其中具有代表性的模型有ITTI提出的基于心理閾值函數(shù)模型[8]和OLIVA等提出的基于貝葉斯學(xué)習(xí)的注意模型[9]，這類目的驅(qū)動(dòng)的處理模型缺點(diǎn)為缺乏自適應(yīng)性。

結(jié)合現(xiàn)有的視覺顯著檢測理論，分析了傳統(tǒng)視覺注意模型解決海面SAR圖像處理問題的缺陷，借鑒ITTI視覺注意計(jì)算模型的處理機(jī)制，本文針對(duì)復(fù)雜海面SAR圖像提出一種改進(jìn)的視覺注意建模方法。首先，選擇和提取能夠較好描述SAR圖像的紋理和形狀特征，進(jìn)而求取相應(yīng)的局部特征和全局特征的特征顯著圖；然后，采用改進(jìn)的特征顯著圖合并方法進(jìn)行顯著圖融合得到總顯著圖。

1 改進(jìn)的視覺注意計(jì)算模型算法的實(shí)現(xiàn)

雖然對(duì)計(jì)算機(jī)視覺的研究已經(jīng)取得很大進(jìn)展，獲得一系列成果，但相比人類視覺對(duì)于現(xiàn)實(shí)場景中的信息處理能力還遠(yuǎn)遠(yuǎn)不足，因此學(xué)者們不斷研究人類視覺注意機(jī)制，并嘗試提出數(shù)學(xué)計(jì)算模型進(jìn)而模擬人類視覺的注意機(jī)制。目前較為常用的視覺注意計(jì)算模型[10-11]有ITTI視覺注意計(jì)算模型和基于傅里葉變換的頻譜殘差視覺注意模型。其中，ITTI視覺注意計(jì)算模型在模型設(shè)計(jì)中模仿了視覺系統(tǒng)中自底向上顯著性的形成過程，從而實(shí)現(xiàn)圖像的顯著性檢測，因此ITTI視覺注意計(jì)算模型在計(jì)算機(jī)視覺領(lǐng)域得到了廣泛應(yīng)用。

1.1 基于經(jīng)典ITTI視覺注意計(jì)算模型的理論分析

ITTI視覺注意計(jì)算模型的處理流程主要包括特征提取、顯著度計(jì)算和多通道顯著圖合并3個(gè)步驟。首先，在時(shí)域上對(duì)輸入圖像進(jìn)行初級(jí)視覺特征提取，其次，計(jì)算相應(yīng)特征下圖像各像素點(diǎn)的視覺顯著度，從而合并得到視覺顯著圖，通過競爭策略實(shí)現(xiàn)顯著區(qū)域的提取。ITTI視覺注意計(jì)算模型處理的流程如圖1所示。

圖1 經(jīng)典ITTI視覺注意計(jì)算模型算法流程圖Fig.1 Flow chart of classic ITTI vision attention model

模型處理所采用的關(guān)鍵技術(shù)包括：多尺度高斯金字塔模型、圖像初級(jí)特征提取、中央-周邊差和歸一化、視覺顯著區(qū)域的提取和轉(zhuǎn)移。

1.1.1 底層視覺特征提取模塊

在特征提取階段，ITTI經(jīng)典模型通過建立圖像金字塔結(jié)構(gòu)來模擬人眼多尺度非均勻采樣機(jī)制，實(shí)現(xiàn)圖像的多尺度表示。金字塔模型的建立包括平滑和采樣2個(gè)步驟。ITTI模型首先對(duì)輸入圖像降采樣處理，生成多個(gè)不同分辨率的圖像，然后對(duì)輸入圖像和采樣所得圖像進(jìn)行高斯平滑，進(jìn)而得到高斯金字塔結(jié)構(gòu)。對(duì)圖像進(jìn)行降采樣的原理在于高斯濾波能夠?qū)@著性高的特征顯著地保留在金字塔各層。

作為數(shù)據(jù)驅(qū)動(dòng)的視覺注意模型，ITTI視覺注意計(jì)算模型得到的顯著圖受初級(jí)視覺特征的影響，因此特征選擇將直接影響顯著圖的質(zhì)量。ITTI模型將圖像的顏色、方位和亮度特征作為底層初級(jí)視覺特征。

1.1.2 視覺顯著圖計(jì)算模塊

在特征顯著圖計(jì)算階段，需要中央—周邊差操作以及特征圖歸一化2個(gè)操作過程。ITTI經(jīng)典模型采用中央—周邊差算子來模擬視覺感知系統(tǒng)中感受野的特性來完成視覺信息對(duì)比度的提取。分別對(duì)亮度、顏色和方位特征進(jìn)行中央—周邊差操作以得到特征圖，經(jīng)特征圖歸一化到某一個(gè)灰度值范圍，減弱非目標(biāo)區(qū)域顯著性，得到各個(gè)特征初始顯著圖。對(duì)初始特征圖進(jìn)行層間相加操作和歸一化，最終得到3個(gè)特征顯著圖。

ITTI經(jīng)典模型將3個(gè)特征顯著圖以1∶1∶1的比例進(jìn)行線性相加得到總顯著圖。

1.1.3 顯著區(qū)域的獲取和轉(zhuǎn)移模塊

通常情況下，得到的圖像總顯著圖中像素的灰度最大值及其一定鄰域即對(duì)應(yīng)圖像中最顯著的部分，因此，獲取顯著區(qū)域即是尋找總顯著圖的灰度最大值及其一定范圍鄰域。ITTI模型采用勝者全取(Winner Take All,WTA)機(jī)制和禁止返回(Inhibition of Return,IOR)機(jī)制[12]獲取視覺顯著點(diǎn)。WTA和IOR處理的主要過程是：尋找像素最大值確定顯著目標(biāo)，通過WTA機(jī)制提取視覺顯著區(qū)域，利用IOR抑制已經(jīng)得到提取區(qū)域的顯著性，再通過WTA機(jī)制選取下一個(gè)顯著區(qū)域，從而實(shí)現(xiàn)顯著區(qū)域的獲取。

1.2 傳統(tǒng)ITTI模型的缺陷分析

目前現(xiàn)有的大多數(shù)視覺注意計(jì)算模型都是針對(duì)自然場景的圖像設(shè)計(jì)的，模型能夠較為準(zhǔn)確地得到圖像顯著圖，進(jìn)而提取感興趣區(qū)域。然而，SAR圖像和自然場景圖像存在著較大差異性，例如復(fù)雜海面SAR圖像中的海洋背景斑點(diǎn)噪聲和艦船目標(biāo)表現(xiàn)出相似的特性。這種現(xiàn)象往往使得經(jīng)典視覺注意模型對(duì)這類SAR圖像進(jìn)行目標(biāo)顯著區(qū)域提取時(shí)得不到準(zhǔn)確的顯著圖結(jié)果。

本文對(duì)ITTI模型的設(shè)計(jì)思路進(jìn)行分析，通過仿真實(shí)驗(yàn)驗(yàn)證該模型對(duì)SAR圖像處理得到顯著圖中存在大量虛警、漏檢，分析原因主要包括以下方面。

1) 底層視覺特征的提取：經(jīng)典ITTI模型選擇的特征為亮度、顏色和方位等局部特征，沒有考慮目標(biāo)區(qū)域的全局特征。因此模型無法準(zhǔn)確處理待檢測圖像中局部特征不明顯的感興趣區(qū)域。其中，SAR圖像中目標(biāo)的紋理、形狀等重要特征在ITTI模型中未予以考慮，這也是模型檢測效果不佳的原因。

2) 高斯金字塔結(jié)構(gòu)的設(shè)計(jì)：ITTI模型采用九層金字塔結(jié)構(gòu)模擬人眼視覺系統(tǒng)的注意機(jī)制,用以實(shí)現(xiàn)圖像的多尺度表征。然而，SAR圖像中艦船等目標(biāo)占據(jù)被處理圖像面積相對(duì)過小，過度降采樣使得待檢測圖像丟失目標(biāo)信息，對(duì)模糊不清的高斯金字塔子圖像進(jìn)行特征顯著圖構(gòu)建沒有意義，如圖2所示,圖2a～圖2f分別對(duì)應(yīng)1～6層金字塔子圖。

3) 特征顯著圖融合策略：ITTI經(jīng)典模型中，特征顯著圖融合方式為線性合并，通常采用直接相加得到總顯著圖，忽略了不同特征存在的優(yōu)先級(jí)關(guān)系，這就導(dǎo)致了某個(gè)占據(jù)主導(dǎo)性的特征顯著圖在合并過程中被削弱，從而造成目標(biāo)顯著區(qū)域的漏檢。

針對(duì)ITTI模型對(duì)SAR圖像顯著區(qū)域的提取缺乏適應(yīng)性，以及底層初級(jí)特征選擇及特征顯著圖合并策略的問題，本文基于經(jīng)典ITTI模型的處理框架，提出了一種針對(duì)SAR圖像目標(biāo)顯著性檢測的改進(jìn)的視覺注意模型，并就顯著性提取結(jié)果與ITTI模型和Hou模型展開對(duì)比分析。

圖2 高斯金字塔結(jié)構(gòu)結(jié)果圖Fig.2 Results of Gaussian pyramid structure

2 改進(jìn)的視覺注意模型設(shè)計(jì)

通過對(duì)經(jīng)典ITTI模型的分析，結(jié)合SAR圖像中的目標(biāo)特性，為提高圖像顯著性檢測精度以及目標(biāo)區(qū)域輪廓清晰度，借鑒經(jīng)典ITTI模型的框架，提出了一種針對(duì)SAR圖像顯著性檢測的視覺注意模型，首先提取待檢測圖像的底層初級(jí)特征，然后采用特征整合機(jī)制進(jìn)行特征顯著圖融合得到顯著圖，最后通過競爭策略進(jìn)一步完成待檢測圖像顯著區(qū)域的提取，流程如圖3所示。

圖3 本文提出的視覺注意模型算法流程Fig.3 Flow of the proposed visual attention model algorithm

2.1 視覺特征提取

一般情況下，局部特征是將目標(biāo)區(qū)域和鄰域像素進(jìn)行對(duì)比并區(qū)分，全局特征則能夠從全局的角度計(jì)算圖像內(nèi)相似區(qū)域的顯著性，更進(jìn)一步凸顯目標(biāo)區(qū)域?？紤]以上，本文將SAR圖像中占據(jù)主導(dǎo)地位的紋理和形狀等特征納入視覺特征提取范疇。本文選取了SAR圖像的標(biāo)準(zhǔn)偏差、方位特征、唯一性和全局對(duì)比度特征4個(gè)特征進(jìn)行特征子圖的構(gòu)建。

2.1.1 標(biāo)準(zhǔn)偏差

通常情況下，標(biāo)準(zhǔn)偏差能夠有效地表征圖像的局部特征，如目標(biāo)邊緣和形狀特征等局部差異性。SAR圖像存在著豐富的邊緣信息，通過提取圖像的標(biāo)準(zhǔn)偏差，增強(qiáng)目標(biāo)邊緣和輪廓信息，實(shí)現(xiàn)從背景中區(qū)分出目標(biāo)。標(biāo)準(zhǔn)偏差能夠在較低的計(jì)算復(fù)雜度下保證目標(biāo)與背景的差異性。

標(biāo)準(zhǔn)偏差特征計(jì)算通過濾波器在待檢測圖像中滑動(dòng)求取。設(shè)I(x,y)為待檢測圖像，濾波器尺寸為N×N，濾波器中心坐標(biāo)(m,n)，標(biāo)準(zhǔn)偏差DSTD為

(1)

(2)

式中:mx(i,j)為局部圖像的平均值;M=(N-1)/2。

目標(biāo)邊界點(diǎn)由于與其鄰域內(nèi)像素差別較大,因此計(jì)算出的DSTD值也較大，表現(xiàn)在特征顯著圖中為亮點(diǎn)。從圖像的角度分析，各像素點(diǎn)相應(yīng)DSTD值組成標(biāo)準(zhǔn)偏差特征矩陣。通過對(duì)此矩陣進(jìn)一步歸一化操作和顯著性處理，得出特征顯著圖。計(jì)算過程為

DSTD=N(DSTD(n,m))

(3)

式中，N(·)為歸一化操作。

2.1.2 方位特征

SAR圖像中目標(biāo)方向復(fù)雜多樣，因此可以采用方位特征來表征不同方向的目標(biāo)。本文采用Gabor濾波器提取圖像的方位特征，即

(4)

式中：

(5)

xθk=xcosθk+ysinθk；

(6)

yθk=-xsinθk+ycosθk；

(7)

α和β分別為高斯函數(shù)在x軸和y軸上的標(biāo)準(zhǔn)差；θk和λ分別指正弦波的方向和波長。

在本文模型中，正弦波的方向角分別取0°，45°，90°，135°，通過以上公式計(jì)算可獲得這4個(gè)方向的Gabor濾波器，從而得到基于這4個(gè)方向的方位特征圖，分別記為Fori(0)，F(xiàn)ori(45)，F(xiàn)ori(90)，F(xiàn)ori(135)。由于模型未構(gòu)建高斯金字塔，方位顯著圖Sori由4幅特征圖線性相加得到，即

(8)

2.1.3 唯一性

唯一性指圖像中出現(xiàn)次數(shù)較少的像素點(diǎn)所具有的性質(zhì)。人眼視覺處理系統(tǒng)對(duì)圖像進(jìn)行處理時(shí)，首先會(huì)注意圖像的“顯著”區(qū)域，從而優(yōu)先處理該區(qū)域。本文提取唯一性這個(gè)全局特征以實(shí)現(xiàn)對(duì)圖像中出現(xiàn)概率較小區(qū)域進(jìn)行強(qiáng)化。對(duì)于待檢測圖像I(x,y)，圖像中每個(gè)像素灰度值出現(xiàn)次數(shù)為n(i,j)，唯一性特征的計(jì)算步驟為

(9)

(10)

式中：λ表示經(jīng)驗(yàn)參數(shù)；f(i,j)為像素點(diǎn)頻率;M×N為待檢測圖像尺寸。從圖像的角度分析，所有像素點(diǎn)的唯一性值構(gòu)成了圖像的特征顯著圖，即

Suniq=NFuniq(i,j)。

(11)

2.1.4 全局對(duì)比度

全局對(duì)比度是對(duì)當(dāng)前局部區(qū)域相對(duì)整幅圖像差異的量化。通常情況下，SAR圖像中目標(biāo)區(qū)域的灰度值相對(duì)較高，計(jì)算全局對(duì)比度特征的顯著圖能夠增強(qiáng)目標(biāo)與背景的差異性以突出目標(biāo)的顯著性。對(duì)于輸入的待檢測圖像處理，基于像素級(jí)的全局對(duì)比度特征顯著圖的計(jì)算過程為

(12)

(13)

Sglobal=N(g(i,j))

(14)

其中：g(i,j)指當(dāng)前位置像素點(diǎn)的全局對(duì)比度；γ為灰度經(jīng)驗(yàn)參數(shù)；Sglobal表示全局對(duì)比度特征顯著圖。

2.2 顯著圖計(jì)算

通常視覺注意模型最終得到的顯著圖是所有特征顯著圖的綜合。不同特征顯著圖的含義對(duì)應(yīng)注意不同的通道，這些特征顯著圖相應(yīng)的顯著區(qū)域響應(yīng)強(qiáng)弱不均，有的顯著圖對(duì)應(yīng)多個(gè)響應(yīng)強(qiáng)烈的位置，有的顯著圖可能只有一個(gè)響應(yīng)較為微弱的顯著區(qū)域。因此，對(duì)特征顯著圖的融合需要根據(jù)特征的顯著程度進(jìn)行處理，而非簡單的線性相加。

本文依據(jù)上節(jié)所提取的SAR圖像特征計(jì)算得到特征顯著圖，模型采用的多特征顯著圖融合策略為：首先對(duì)標(biāo)準(zhǔn)偏差、方位和唯一性特征顯著圖采用線性相加操作和歸一化處理，然后通過相乘操作消除全局對(duì)比度中不明顯區(qū)域，同時(shí)加強(qiáng)局部特征圖和全局特征顯著圖共有的顯著區(qū)域的顯著程度，即

(15)

2.3 顯著區(qū)域檢測

本文模型設(shè)計(jì)算法對(duì)ITTI經(jīng)典模型中的競爭策略進(jìn)行優(yōu)化，并對(duì)所得顯著圖采用多尺度分割以實(shí)現(xiàn)顯著區(qū)域的檢測和提取。

2.3.1 確定注意焦點(diǎn)

注意焦點(diǎn)(Focus of Attention,FOA)，即當(dāng)前的顯著點(diǎn)，一般情況下FOA為所得顯著圖S像素灰度最大值點(diǎn)。若存在多個(gè)像素點(diǎn)灰度值相同，仿照人眼感知系統(tǒng)通常處理多個(gè)感興趣區(qū)域的機(jī)制，將距離圖像中心最近的區(qū)域視為視覺注意的最顯著區(qū)域。注意焦點(diǎn)的算式為

(16)

AFOA=min(dis((x,y),(x0,y0)))

(17)

式中：(x,y)為FOA坐標(biāo)；(x0,y0)為圖像的中心坐標(biāo)。

2.3.2 二值化模板的求取

按照視覺注意焦點(diǎn)的確定方法，對(duì)顯著圖S進(jìn)行FOA求取，進(jìn)而得到各個(gè)特征顯著圖中對(duì)應(yīng)此點(diǎn)的4個(gè)像素點(diǎn)，取其中最大值所對(duì)應(yīng)的特征顯著圖作為顯著區(qū)域檢測的子顯著圖S′，以S′的FOA為中心,對(duì)此特征顯著圖S′進(jìn)行二值化操作，此步采用傳統(tǒng)的Otsu方法計(jì)算,實(shí)現(xiàn)全局閾值分割,即

(18)

式中：sVal為S′中FOA像素灰度值；T0為對(duì)S′圖像分割的閾值。

對(duì)以上得到的二值化結(jié)果進(jìn)行操作。首先對(duì)二值圖進(jìn)行高斯濾波，濾波器的參數(shù)需要依據(jù)目標(biāo)先驗(yàn)知識(shí)進(jìn)行確定，本文將濾波器尺寸設(shè)為圖像中實(shí)際目標(biāo)占像素的估計(jì)值；然后，需對(duì)高斯濾波后的區(qū)域進(jìn)行判斷，判斷準(zhǔn)則為

(19)

式中：β為目標(biāo)實(shí)際像素的估計(jì)值與圖像像素個(gè)數(shù)之間的比值。rratio的計(jì)算過程如下

(20)

最后，對(duì)判斷為目標(biāo)區(qū)域的二值圖進(jìn)行保存。

2.3.3 顯著區(qū)域的多尺度獲取

為避免尋找顯著區(qū)域進(jìn)入死循環(huán),對(duì)其進(jìn)行抑制返回處理。具體操作為:判決得到顯著區(qū)域的二值模板后,就將此顯著區(qū)域置為零，從而開始次視覺注意焦點(diǎn)的操作，直到完成所有顯著區(qū)域的檢索。

本文模型對(duì)競爭策略進(jìn)行的優(yōu)化和改進(jìn)主要體現(xiàn)在：綜合考慮比較、分析視覺注意焦點(diǎn)在各個(gè)特征顯著圖灰度值大小，選擇對(duì)應(yīng)位置的最佳顯著性表征方法，繼而從各個(gè)尺度對(duì)顯著圖進(jìn)行濾波及閾值分割，以實(shí)現(xiàn)顯著區(qū)域的精確篩選。

3 實(shí)驗(yàn)仿真分析

本章基于所提出模型的設(shè)計(jì)算法理論進(jìn)行仿真實(shí)驗(yàn)。針對(duì)復(fù)雜背景的SAR海面圖像給出建模處理結(jié)果，并與經(jīng)典的模型進(jìn)行對(duì)比分析優(yōu)缺點(diǎn)。

實(shí)驗(yàn)采用的計(jì)算機(jī)系統(tǒng)配置為Inter(R) Core(TM) i3-4170 CPU @3.70 GHz處理器，內(nèi)存為8 GB，Windows7操作系統(tǒng)，運(yùn)行平臺(tái)為Matlab 2016。如圖4所示,選取一幅像素大小為4015×3616的TerraSAR-X圖像作為實(shí)驗(yàn)數(shù)據(jù)，其成像區(qū)域?yàn)橹辈剂_陀海峽區(qū)域，圖像采樣率為1.25 m，極化方式為HH極化，該區(qū)域中存在大量艦船目標(biāo)并包含大量不均勻的背景區(qū)域。

圖4 待檢測圖像及其目標(biāo)區(qū)域標(biāo)記Fig.4 The image to be detected and the marked target area

依據(jù)本文提出的模型算法，對(duì)待檢測圖像進(jìn)行處理，求出各個(gè)特征顯著圖。特征顯著圖求取過程中的參數(shù)設(shè)置包括：標(biāo)準(zhǔn)偏差特征中濾波器滑窗大小關(guān)系到能否協(xié)調(diào)好建立模型耗時(shí)和模型建立對(duì)背景顯著度抑制的有效性。本文將濾波器滑窗像素尺寸設(shè)置為5×5，全局對(duì)比度特征參數(shù)γ為200，唯一性特征參數(shù)λ設(shè)為5×10-5。

圖5 本文模型的特征顯著圖結(jié)果Fig.5 The characteristic saliency maps of the model

由圖5可以看出：本文所得特征顯著圖都具有較好的清晰度，標(biāo)準(zhǔn)偏差顯著圖對(duì)應(yīng)SAR圖像目標(biāo)的邊緣和紋理特征；方位特征顯著圖對(duì)方向不同的目標(biāo)進(jìn)行表征和區(qū)分；唯一性顯著圖對(duì)圖像中出現(xiàn)概率較少的目標(biāo)信息進(jìn)行強(qiáng)化；全局對(duì)比度顯著圖從全局的角度將相對(duì)更高的目標(biāo)信息在背景中予以增強(qiáng)突出。

圖6所示為本文模型對(duì)于實(shí)驗(yàn)數(shù)據(jù)的仿真結(jié)果，圖7所示為兩種經(jīng)典的視覺模型的結(jié)果。

圖6 本文模型的顯著區(qū)域檢測結(jié)果Fig.6 The detection results of salient regions of the model

圖7 兩種經(jīng)典模型的顯著區(qū)域檢測結(jié)果Fig.7 The detection results of two classical models

針對(duì)本文待檢測圖像，通過計(jì)算性能指標(biāo)來定量分析3種模型設(shè)計(jì)算法。表1給出了本文模型與傳統(tǒng)視覺注意模型的性能比較結(jié)果。其中，評(píng)價(jià)指標(biāo)采用正確檢測目標(biāo)數(shù)、虛警目標(biāo)和漏檢目標(biāo)數(shù)及檢測耗時(shí)。

表1 復(fù)雜海面TerraSAR圖像3種模型顯著區(qū)域檢測結(jié)果對(duì)比

4 結(jié)束語

本文研究了傳統(tǒng)視覺模型的基本理論，對(duì)海面SAR圖像特征進(jìn)行分析，提出一種適用于海面SAR圖像的視覺注意模型。本文將能較好描述圖像的特征進(jìn)行顯著性提取，對(duì)得到的特征子圖融合進(jìn)而得到圖像顯著性的總顯著圖，最后通過多尺度競爭策略完成顯著區(qū)域篩選以實(shí)現(xiàn)SAR圖像顯著區(qū)域檢測。

現(xiàn)有研究需要深入和完善的地方在于： 1) 如何結(jié)合SAR圖像目標(biāo)的屬性選取特征，選擇能準(zhǔn)確表征目標(biāo)又具有較小運(yùn)算量的特征;2) 如何建立新的特征融合機(jī)制，自適應(yīng)調(diào)整各特征分配權(quán)值，使得到的顯著圖能更加有效準(zhǔn)確地表征圖像的顯著區(qū)域;3) 在進(jìn)行顯著圖濾波處理時(shí)，需要根據(jù)艦船目標(biāo)的圖像特性進(jìn)一步完善各濾波器的參數(shù)設(shè)置。

參 考 文 獻(xiàn)

[1] MOREIRA A,PRATS-IRAOLA P,YOUNIS M,et al.A tutorial on synthetic aperture radar[J].IEEE Geoscience and Remote Sensing Magazine,2013,1(1):6-43.

[2] 鄧云凱,趙鳳軍,王宇.星載SAR技術(shù)的發(fā)展趨勢及應(yīng)用淺析[J].雷達(dá)學(xué)報(bào),2012,1(1):1-10.

[3] 邢相薇,計(jì)科峰,康利鴻,等.HRWS SAR圖像艦船目標(biāo)監(jiān)視技術(shù)研究綜述[J].雷達(dá)學(xué)報(bào),2015,4(1):107-121.

[4] ITTI L,KOCH C,NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998, 20(11):1254-1259.

[5] HOU X D,ZHANG L Q.Saliency detection:a spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition,2007:1-8.

[6] GUO C L,MA Q,ZHANG L M.Spatio-temporal saliency detection using phase spectrum of quaternion Fourier transform[C]//IEEE Conference on Computer Vision and Pattern Recognition,2008:1-8.

[7] YU Y,WANG B,ZHANG L M.Pulse discrete cosine transform for saliency-based visual attention[C]//The 8th Conference on Development and Learning,2009:1-6.

[8] ITTI L,KOCH C,BRAUN J.Revisiting spatial vision:toward a unifying model[J].Journal of the Optical Society of America,2000,17(11):1899-1917.

[9] OLIVA A,TORRALBA A.Modeling the shape of the Scene:a holistic representation of the spatial envelope[J].International Journal of Computer Vision,2001,42(3):145-175.

[10] GAO D S,HAN S,VASCONCELOS N.Discriminant saliency,the detection of suspicious coincidences,and applications to visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(6):989-1005.

[11] 張志龍,楊衛(wèi)平,張焱,等.基于頻譜殘留變換的紅外遙感圖像艦船目標(biāo)檢測方法[J].電子與信息學(xué)報(bào),2015,37(9):2144-2150.

[12] ITTI L.Models of bottom-up and top-down visual attention[D].California:California Institute of Technology,2000.