一種基于小波去噪的遙感圖像顯著性區(qū)域檢測(cè)算法

楊雅芳

(1.福州工商學(xué)院 工學(xué)院，福建 福州 350715；2.福州職業(yè)技術(shù)學(xué)院 信息技術(shù)工程系，福建 福州 350108)

遙感圖像內(nèi)吸引人們視覺(jué)的部分稱為圖像顯著性區(qū)域，圖像顯著性是利用人們的注意力機(jī)制計(jì)算遙感圖像的顯著程度.遙感分析方法是通過(guò)該顯著性區(qū)域獲取更多相關(guān)信息的一種遙感圖像處理方式[1-2].

崔玲玲等人提出基于融合雙特征圖信息的圖像顯著性檢測(cè)方法[3]，利用K-means聚類方法進(jìn)行圖像分割，根據(jù)顏色差異求取顏色對(duì)比特征圖，優(yōu)化顏色空間分布圖.此方法能夠提升遙感圖像監(jiān)測(cè)效果，但是由于計(jì)算步驟繁雜、噪聲等影響導(dǎo)致最終檢測(cè)的遙感圖像邊緣模糊、區(qū)域顯著性較低.劉冬梅等人提出基于非下采樣輪廓小波變換增強(qiáng)的從粗到精的顯著性檢測(cè)方法[4]，采用輪廓小波分解方法進(jìn)行圖像亮度均勻性處理，利用粗糙顯著性檢測(cè)進(jìn)行圖像抑制噪聲，通過(guò)精細(xì)顯著圖融合完成顯著性檢測(cè)，此方法的遙感圖像邊緣信息提取效果性，圖像顯著性區(qū)域檢測(cè)效果較差.

針對(duì)上述方法存在的問(wèn)題，本文提出一種基于小波去噪的遙感圖像顯著性區(qū)域檢測(cè)算法.利用IHS變換方式計(jì)算遙感圖像的亮度、色度、飽和度信息，通過(guò)小波去噪對(duì)遙感圖像亮度信息進(jìn)行離散小波變換，經(jīng)離散小波變換計(jì)算遙感圖像高、低頻系數(shù)向量，能夠提升遙感圖像顯著性區(qū)域檢測(cè)效果，以提升遙感圖像顯著性區(qū)域技術(shù)水平.

1 圖像顯著性區(qū)域去噪

1.1 遙感圖像邊緣信息提取

利用小波原理獲取遙感圖像邊緣結(jié)構(gòu)多分辨率算子，由于遙感圖像屬于二維圖像，因此需要利用二維小波變換將各行各列方向上的圖像轉(zhuǎn)換為一維小波[5]，使用正交的方式展開(kāi)變換，其步驟如下：

第1步：令V(x,y)代表光滑函數(shù)，f(x,y)表示圖像信息，V(x,y)滿足條件如下：

(1)

定義雙小波函數(shù)如下：

(2)

(3)

令s表示尺度，則函數(shù)表達(dá)式如下：

(4)

因此圖像信息的連續(xù)小波變換表達(dá)公式如下：

(5)

(6)

將公式(5)、(6)的小波轉(zhuǎn)換成矢量形式，其表達(dá)公式如下：

(7)

在實(shí)際遙感圖像邊緣檢測(cè)中，利用二進(jìn)小波變換，即將尺度設(shè)置為2j，則各個(gè)尺度的梯度方向通過(guò)小波變換后，梯度表達(dá)公式如下：

(8)

極大值模型表達(dá)公式如下：

(9)

上述公式中，l表示梯度.

令h(x,y)表示遙感圖像信息的邊界函數(shù)，其滿足條件如下：

在尺度為2j時(shí)，各個(gè)模極大值位置為：

(10)

(11)

通過(guò)上述小波變換步驟，遙感圖像的能量在其邊緣位置聚合，且邊緣點(diǎn)的特殊性表現(xiàn)在模型的極大值位置處[8-9].由于小波變換是在尺度不一致的情況下利用與濾波器相對(duì)的頻率進(jìn)行變換，因此需剔除代表噪聲頻率尺度的小波.

1.2 小波閾值遙感圖像去噪方法

通過(guò)上個(gè)小節(jié)獲取的遙感圖像邊緣信息，保證遙感圖像邊緣信息不變的情況下，依據(jù)噪聲方差設(shè)定去除噪聲閾值[10].

為提升對(duì)數(shù)據(jù)變化反應(yīng)的靈敏度，避免重構(gòu)的遙感影像失真現(xiàn)象發(fā)生，本文利用軟、硬閾值，構(gòu)建新建閾值函數(shù)，步驟如下.

軟閾值計(jì)算公式如下：

(12)

硬閾值計(jì)算公式如下：

(13)

依據(jù)上述兩種閾值，構(gòu)建新閾值函數(shù)，其表達(dá)公式如下：

(14)

公式中，θ為閾值；ρ和q則表示可變參數(shù)，且參數(shù)ρ位于區(qū)間[0，1]之間內(nèi)，q則大于等于0；x表示遙感圖像特征導(dǎo)函數(shù).ρ=0時(shí)，特征導(dǎo)函數(shù)是硬閾值函數(shù)，且不受q取值影響，當(dāng)q取值為0時(shí)，且ρ處于區(qū)間[0，1]內(nèi)，則該函數(shù)為軟閾值函數(shù)，因此可利用參數(shù)獲取小波系數(shù)的降低幅度[11].

閾值與噪聲具有一定相關(guān)性，閾值較小時(shí)將影響去噪效果，反之則部分遙感圖像信息被當(dāng)成噪聲去除掉，造成遙感圖像邊緣信息丟失，影響最終區(qū)域顯著性劃分，其分解尺度隨之降低[12-13].因此，本文利用下述公式選取小波去噪最佳閾值：

(15)

公式(15)中，δ表示為遙感圖像的噪聲方差；N表示為遙感圖像的信號(hào)長(zhǎng)度；j表示為遙感圖像的分解尺度.

利用公式(15)獲取最佳閾值后，代入到公式(14)內(nèi)，最終實(shí)現(xiàn)遙感圖像去噪.

1.3 遙感圖像顯著區(qū)域檢測(cè)方法

對(duì)于遙感圖像的顯著性區(qū)域分割，根據(jù)模糊C均值法聚類遙感圖像系數(shù)，實(shí)現(xiàn)遙感圖像顯著性區(qū)域檢測(cè).其檢測(cè)步驟如下：

首先，通過(guò)IHS變換進(jìn)行遙感圖像處理.利用IHS變換方式計(jì)算遙感圖像的亮度、色度、飽和度信息，對(duì)亮度信息進(jìn)行離散小波變換.

假設(shè)小波基為db13，LMS、LPan表示分解后的低頻系數(shù)向量，OMS、OPan表示分解后的高頻系數(shù)向量，上述兩種向量經(jīng)過(guò)小波分解后獲得，高頻系數(shù)向量表達(dá)公式如下：

(16)

(17)

在上述公式中，t為離散小波層數(shù)，其取值為1或2.

根據(jù)C均值方法進(jìn)行遙感圖像特征提取，構(gòu)建遙感圖像特征提取目標(biāo)函數(shù)為J，具體為：

(18)

(19)

公式(19)中，uij表示為遙感圖像的中心隸屬度；m表示為遙感圖像的隸屬因子；K表示為遙感圖像的聚類中心數(shù)量；第i個(gè)聚類中心由ci表示.隸屬度和聚類中心表達(dá)公式如下：

(20)

(21)

經(jīng)過(guò)模糊C均值初始化聚類中心后，利用公式(20)計(jì)算遙感圖像的聚類中心隸屬度并依據(jù)該隸屬度計(jì)算聚類中心，經(jīng)過(guò)多次迭代，最終獲取遙感圖像的低頻系數(shù)聚類數(shù)據(jù)[14].

第2步：遙感圖像顯著區(qū)域劃分

利用聚類后的遙感圖像低頻系數(shù)數(shù)據(jù)，假設(shè)SFi表示顯著因子，顯著因子計(jì)算公式如下：

(22)

式中，i=1,2,…,K.

通過(guò)公式(22)獲取所有聚類的顯著因子，并將該因子與公式(15)計(jì)算的閾值做對(duì)比，若顯著因子高于閾值[15]，判定為顯著區(qū)域，反之則為非顯著區(qū)域[16].

遙感圖像顯著性區(qū)域小波去噪檢測(cè)流程如圖1所示.

圖1 遙感圖像顯著性區(qū)域小波去噪檢測(cè)流程示意圖

2 實(shí)驗(yàn)分析

為驗(yàn)證本文方法在遙感圖像顯著性區(qū)域檢測(cè)方面的使用效果，以某衛(wèi)星拍攝的某山脈山體滑坡圖像作為實(shí)驗(yàn)對(duì)象，對(duì)其進(jìn)行山體滑坡顯著性區(qū)域檢測(cè).為突出本文算法優(yōu)越性，同時(shí)使用文獻(xiàn)[3]和文獻(xiàn)[4]方法展開(kāi)測(cè)試，其中文獻(xiàn)[3]方法表示雙特征圖的圖像顯著性檢測(cè)方法，下文簡(jiǎn)稱雙特征檢測(cè)方法；文獻(xiàn)[4]方法表示非下采樣的顯著性檢測(cè)方法，簡(jiǎn)稱非下采樣檢測(cè)方法.

2.1 遙感圖像邊緣提取測(cè)試

遙感圖像的邊緣提取是圖像顯著性區(qū)域檢測(cè)的基礎(chǔ)，邊緣提取水平直接影響最終圖像顯著性區(qū)域檢測(cè)結(jié)果，分別使用3種方法對(duì)山脈山體滑坡遙感圖像進(jìn)行邊緣提取，結(jié)果如圖2所示.

分析圖2可知，雙特征檢測(cè)方法提取的遙感圖像邊緣僅為山體滑坡整體輪廓，且將藍(lán)色區(qū)域的河流輪廓也判斷為山體滑坡輪廓，其邊緣提取效果不佳；非下采樣檢測(cè)方法雖然提取到整體的山體滑坡輪廓，但與實(shí)際滑坡輪廓存在較大差異，本文方法提取的山體滑坡邊緣輪廓最為精細(xì)，且在遙感圖像中較微小的位置也均可提取到.由此可知，本文方法遙感圖像邊緣提取能力優(yōu)秀.

(a)本文方法

(b)雙特征檢測(cè)方法

(c)非下采樣檢測(cè)方法圖2 3種方法遙感圖像邊緣檢測(cè)結(jié)果

2.2 遙感圖像去噪測(cè)試

測(cè)試3種方法在10～200 db噪聲情況下，去除噪聲能力，統(tǒng)計(jì)使用3種方法去除噪聲后，遙感圖像信息內(nèi)剩余噪聲情況，結(jié)果如表1所示.

分析表1可知，3種方法去除噪聲效果隨著噪聲數(shù)值的增加而降低，其中在10 db噪聲情況下，去除噪聲效果最優(yōu)，去除后噪聲數(shù)值均為0.隨著噪聲數(shù)值的增加，雙特征檢測(cè)方法和非下采樣檢測(cè)方法在噪聲為20 db時(shí)，去除噪聲后的遙感圖像內(nèi)開(kāi)始剩余數(shù)值較小的噪聲；而本文方法在噪聲為20 db時(shí)，去除噪聲后的遙感圖像內(nèi)才存在剩余噪聲，且剩余數(shù)值均低于雙特征檢測(cè)方法和非下采樣檢測(cè)方法.當(dāng)噪聲為200 db時(shí)，本文方法較對(duì)比方法的剩余噪聲分別低20 db和32 db，由此可知，本文方法去除噪聲能力較好.

表1 3種方法去除噪聲測(cè)試結(jié)果

2.3 遙感圖像顯著性區(qū)域效果

同時(shí)使用3種方法對(duì)遙感圖像的山體滑坡區(qū)域進(jìn)行檢測(cè)，測(cè)試顯著性區(qū)域檢測(cè)效果，結(jié)果如圖3所示.

(a)本文方法

(b)雙特征檢測(cè)方法

(c)非下采樣檢測(cè)方法圖3 3種方法遙感圖像顯著性區(qū)域檢測(cè)結(jié)果

分析圖3可知，雙特征檢測(cè)方法檢測(cè)的遙感圖像顯著性區(qū)域?qū)Ρ榷炔桓撸瑱z測(cè)山體滑坡區(qū)域較小，山體滑坡區(qū)域顯著性不高；非下采樣檢測(cè)方法檢測(cè)的遙感圖像顯著性區(qū)域存在霧狀干擾，雖然檢測(cè)到的顯著性區(qū)域較大，但對(duì)比不明顯[16]；本文方法檢測(cè)到的圖像顯著性區(qū)域?qū)Ρ让黠@，層次分明，無(wú)任何干擾，檢測(cè)的區(qū)域較為準(zhǔn)確.由此可知，本文方法檢測(cè)遙感圖像顯著性區(qū)域能力卓越.

3 結(jié) 論

結(jié)合小波去噪方法研究遙感圖像顯著性區(qū)域小波去噪檢測(cè)方法，該方法經(jīng)過(guò)圖像邊緣提取、去除噪聲、遙感圖像顯著區(qū)域檢測(cè)等步驟，最終實(shí)現(xiàn)遙感圖像顯著性區(qū)域檢測(cè).通過(guò)多方面驗(yàn)證，取得實(shí)驗(yàn)結(jié)果如下：

(1)在圖像邊緣提取方法中，本文方法可清晰提取遙感圖像山體滑坡邊緣輪廓，邊緣提取能力較強(qiáng).

(2)相較對(duì)比方法，本文方法在噪聲為200 db時(shí)，遙感圖像剩余噪聲僅為61db，去除噪聲能力強(qiáng).

(3)使用本文方法檢測(cè)到的遙感圖像顯著性區(qū)域?qū)哟畏置鳎瑢?duì)比顯著，且檢測(cè)的顯著性區(qū)域較為準(zhǔn)確.