[发明专利]一种基于随机几何模型的遥感地物目标自动检测方法

权利要求书

1.一种基于随机几何模型的遥感地物目标自动检测方法，其特征在于，包括步骤：

第一步，建立多类包含遥感地物目标的图像代表集；

第二步，针对待处理目标具有结构相对复杂但几何部件特性相对单一的特点，以组成目标的几何部件作为处理单元，构建随机几何模型；

第三步，构建目标部件的随机几何模型后，将目标的自动检测问题转化为寻求随机目标过程的最优配置问题，采用马尔可夫链蒙特卡洛方法估计非参数概率密度的极大值；

第四步，利用随机几何模型检测目标。

2.如权利要求1所述的遥感地物目标自动检测方法，其特征在于，所述第一步，包括：

a1、根据需要定义J个类别的遥感地物目标，类别编号为1～J，J为自然数；

a2、对每个目标类别，选取T幅图像作为该类目标的代表图像，对每一类目标图像，任选T₁幅图像作为训练集，其余的T₂幅图像作为测试集；

a3、对每幅目标图像标记出目标所属类别及所在的区域范围；

a4、将所有J类目标的图像代表合并为多类目标图像代表集。

3.如权利要求1所述的遥感地物目标自动检测方法，其特征在于，所述第二步，包括：

b1、参照标记点过程，定义随机几何模型；

b2、采用泊松点过程对遥感图像地物目标的分布建模；

b3、构建矩形模型，用于描述目标各个几何部件所在的区域；

b4、将随机几何模型纳入贝叶斯概率分析框架中，在给定输入图像I以及目标配置x的条件下，将目标在场景中特定位置的概率密度分布表示为：

p(x|I)∝p(I|x)p(x)    (1)

b5、将真实场景中目标配置x的最大后验概率估计表示为：

x^=argmaxxp(x|I)=argmaxxp(I|x)p(x)---(2)]]>

当p(.)＞0时，将后验概率密度p(x|I)写成Gibbs能量形式：

x^=argminx[-logp(I|x)-logp(x)]---(3)]]>

定义U_d(x)＝-logp(I|x)为似然能量，定义U_p(x)＝-logp(x)为先验能量；

b6，结合目标结构的先验知识，构建模型的先验项，对各类部件的相对关系进行约束；

b7、数据项反映的目标配置x，即所有标记点对图像数据的配合程度，根据不同的应用，选择不同的模型数据项，方法是：

b7.1、构建高斯混合模型U_d1(x)：假定图像灰度的概率密度函数是一个由两个高斯分布成分组成的高斯混合模型，每个像素都被指定某一个高斯分布，那么N(μ_i，σ_i)为标记点内部的像素的分布函数，N(μ_o，σ_o)为标记点外部像素的分布函数，其中，μ为均值，σ为方差，总数据项是所有像素的似然能量U_d1(x)；

b7.2、构建线性模型U_d2(x)：假定标记点内部的灰度满足线性分布，定义中心处的均值最高(A+B)，边缘的均值最低(B)，半径为R，则到中心距离为r的过渡区域均值为B+A×(R-r)/R，背景的均值等同于边缘的均值；

b7.3、构建随机几何模型的似然能量：

U_d(x)＝w_sU_d1(x)+w_cU_d2(x)(5)

其中，w_s和w_c分别为对应的权重因子；

b8、将模型先验能量与似然能量相加，构建随机几何模型的能量函数为：

U(x)＝U_p(x)+U_d(x)    (6)

由(2)式可知，模型最优配置的估计值即为能量函数的极小值。