论文部分内容阅读
人类视觉系统能够对图像进行高效的解读，可以快速地搜索到感兴趣区域并对其进行解译。但对于机器来说，其不具备人类视觉系统的图像自动注意感兴趣区域的能力。随着人工智能以及机器人技术的发展，急需建立基于机器的图像自动解译系统，而在图像自动解译系统中，视觉注意力机制的建立最为关键。
1.机器视觉
人类的视觉系统可以做到从外界获得大量信息，对获得的信息进行快速筛选并滤除无用信息。这种自发的信息过滤就是所谓的注意力机制。人类视觉系统可以在短时间内注意到一副图像中的独特部分，如图1所示，在这些图像中独特的部分就是人们所关心的关键性内容。不具备人类视觉注意机制的机器，难以发觉图像中的关键性信息，从而制约了人工智能与机器人技术的发展。
受到人类视觉系统注意力机制的启发，很多研究人员在建立机器对图像自动处理与认知的过程中引入了模拟人类视觉对图像信息的感知过程，建立了机器对于图像数据的自动注意机制算法模型。这种注意机制算法模型能够分配有限的计算机信息加工资源，将计算资源优先分配给显著区域，赋予机器对图像信息自动注意的能力，将提高机器处理解译图像信息的效率。但到目前为止无论是心理学、生理学还是信息科学领域，都未能完全做到对选择性注意机制进行完整的描述，因此，许多学者在该领域开展了大量的研究工作。其中“视觉注意”最早出现在Treisman和Gelade提出的“特征合并理论”。这一理论说明了视觉感知特性的重要性，但其未能体现视觉注意这一过程是由何种信息引导的。在此基础上Koch和Itti等人提出了一种模型，通过模拟人眼对图像信息接收的“注意”過程来建立相应的机器对图像关键信息的注意机制，以及对关键信息的显著性分析过程，从而建立了机器视觉中的注意机制体系。至此，打开了机器视觉注意机制研究领域的大门，更多的研究者进行了更深入的研究。针对这些研究工作，其机器视觉注意模型大致可以分为两大类：①“自底向上”的视觉注意模型；②“自顶向下”的视觉注意模型。
其中“自顶向下”的视觉注意模型是通过特定任务约束的图像注意机制。而“自底向上”的视觉注意模型是通过图像信息中的差异性特征引导机器自动的关注关键性内容，这里的差异性特征指图像信息中与无关背景信息差异较大的内容，例如图1中能引起注意的内容是那些具有不同的形状、颜色、大小和方向等的特征信息。
在此以探索机器视觉中注意力模型为目的，研究“自底向上”的视觉注意模型，结合遥感图像覆盖面积广、包含目标种类多样、关键信息复杂以及对于遥感图像关键性信息搜索困难的问题，进行了遥感图像目标显著性分析的研究，提出了一种“自底向上”的机器视觉算法模型，实现了对大范围遥感图像中关键性目标内容的自主搜寻与注意过程。“自底向上”视觉注意模型算法流程如图2所示，可以分为3个步骤：①差异特征提取（方向、局部对比度、全局对比度）；②融合特征图生成（显著图生成）；③显著性分析。
在特征提取阶段为了建立有效的差异性特征自主注意机制，提出的算法选取方向、局部对比度和全局对比度这三方面特征作为机器视觉注意模型主要分析的差异性特征。为了公平统一地分析方向、局部对比度与全局对比度特征对于视觉注意模型的贡献度，在进行融合特征图前，分别对这三方面特征进行数据归一化处理。在融合特征图生成阶段，考虑到三方面特征的差异性，根据其不同属性以线性方程为基础，构建了融合特征图准则。最后，根据生成的融合特征图，以“胜者为王”的策略完成“注意焦点”的自动选取，实现了对遥感图像“自底向上”的目标显著性分析。
2.方法
2.1遥感图像预处理
从表1～表3中可以看出，本文方法具有较好目标显著性特性与目标检测指标，在参照方法中具有较好的Significance值。因此，机器视觉遥感图像目标显著性分析方法可以有效的帮助机器自主实现遥感图像有效目标内的注意和搜索。
4.结束语
通过与3种经典视觉注意模型与CFAR检测算法的对比仿真实验结果，表明本文模型对遥感图像目标的显著区域提取效果更好，能够准确检测出图像中的显著目标区域，漏检、虚警数量少，且目标区域具有较为清晰地目标轮廓和形状，实现了较高精度的自主显著区域检测。
1.机器视觉
人类的视觉系统可以做到从外界获得大量信息，对获得的信息进行快速筛选并滤除无用信息。这种自发的信息过滤就是所谓的注意力机制。人类视觉系统可以在短时间内注意到一副图像中的独特部分，如图1所示，在这些图像中独特的部分就是人们所关心的关键性内容。不具备人类视觉注意机制的机器，难以发觉图像中的关键性信息，从而制约了人工智能与机器人技术的发展。
受到人类视觉系统注意力机制的启发，很多研究人员在建立机器对图像自动处理与认知的过程中引入了模拟人类视觉对图像信息的感知过程，建立了机器对于图像数据的自动注意机制算法模型。这种注意机制算法模型能够分配有限的计算机信息加工资源，将计算资源优先分配给显著区域，赋予机器对图像信息自动注意的能力，将提高机器处理解译图像信息的效率。但到目前为止无论是心理学、生理学还是信息科学领域，都未能完全做到对选择性注意机制进行完整的描述，因此，许多学者在该领域开展了大量的研究工作。其中“视觉注意”最早出现在Treisman和Gelade提出的“特征合并理论”。这一理论说明了视觉感知特性的重要性，但其未能体现视觉注意这一过程是由何种信息引导的。在此基础上Koch和Itti等人提出了一种模型，通过模拟人眼对图像信息接收的“注意”過程来建立相应的机器对图像关键信息的注意机制，以及对关键信息的显著性分析过程，从而建立了机器视觉中的注意机制体系。至此，打开了机器视觉注意机制研究领域的大门，更多的研究者进行了更深入的研究。针对这些研究工作，其机器视觉注意模型大致可以分为两大类：①“自底向上”的视觉注意模型；②“自顶向下”的视觉注意模型。
其中“自顶向下”的视觉注意模型是通过特定任务约束的图像注意机制。而“自底向上”的视觉注意模型是通过图像信息中的差异性特征引导机器自动的关注关键性内容，这里的差异性特征指图像信息中与无关背景信息差异较大的内容，例如图1中能引起注意的内容是那些具有不同的形状、颜色、大小和方向等的特征信息。
在此以探索机器视觉中注意力模型为目的，研究“自底向上”的视觉注意模型，结合遥感图像覆盖面积广、包含目标种类多样、关键信息复杂以及对于遥感图像关键性信息搜索困难的问题，进行了遥感图像目标显著性分析的研究，提出了一种“自底向上”的机器视觉算法模型，实现了对大范围遥感图像中关键性目标内容的自主搜寻与注意过程。“自底向上”视觉注意模型算法流程如图2所示，可以分为3个步骤：①差异特征提取（方向、局部对比度、全局对比度）；②融合特征图生成（显著图生成）；③显著性分析。
在特征提取阶段为了建立有效的差异性特征自主注意机制，提出的算法选取方向、局部对比度和全局对比度这三方面特征作为机器视觉注意模型主要分析的差异性特征。为了公平统一地分析方向、局部对比度与全局对比度特征对于视觉注意模型的贡献度，在进行融合特征图前，分别对这三方面特征进行数据归一化处理。在融合特征图生成阶段，考虑到三方面特征的差异性，根据其不同属性以线性方程为基础，构建了融合特征图准则。最后，根据生成的融合特征图，以“胜者为王”的策略完成“注意焦点”的自动选取，实现了对遥感图像“自底向上”的目标显著性分析。
2.方法
2.1遥感图像预处理
从表1～表3中可以看出，本文方法具有较好目标显著性特性与目标检测指标，在参照方法中具有较好的Significance值。因此，机器视觉遥感图像目标显著性分析方法可以有效的帮助机器自主实现遥感图像有效目标内的注意和搜索。
4.结束语
通过与3种经典视觉注意模型与CFAR检测算法的对比仿真实验结果，表明本文模型对遥感图像目标的显著区域提取效果更好，能够准确检测出图像中的显著目标区域，漏检、虚警数量少，且目标区域具有较为清晰地目标轮廓和形状，实现了较高精度的自主显著区域检测。