基于 Hadoop 的遥感图像显著性目标检测方法及系统

摘要

一种基于Hadoop的遥感图像显著性目标检测方法及系统，包括输入遥感图像的灰度信息，对遥感图像进行图像分割，得到尺寸一致的图像块，获取不同图像块的灰度信息，进行Map过程计算各图像块的纹理特征值与方向特征值，进行Reduce过程将各图像块在Map过程后得到的结果归并输出，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，得到整幅遥感影像最终的显著特征图。本发明中遥感图像显著性目标检测方式综合考虑了各个图像块之间的纹理信息与方向信息，具有更好的理论基础，同时结果更加准确；使用云计算处理技术能够大幅度提高大数据量的遥感图像数据的运算处理能力，提高显著性目标检测效率与速度。

主权项

一种基于Hadoop的遥感图像显著性目标检测方法，其特征在于：包括以下步骤，步骤1，输入一幅遥感图像的灰度信息；步骤2，对遥感图像进行图像分割，分割得到尺寸一致的图像块；创建<key,value>键值对，每个图像块对应一组键值对，key值代表图像块在整幅图像中所处的位置信息(i，j)，(i，j)为该图像块在整幅遥感影像中的位置坐标，value值用来存储后续步骤计算所得该图像块的纹理特征值与方向特征值；步骤3，根据步骤2的分割结果，获取不同图像块的灰度信息，记为G(i，j)；步骤4，进行Map过程，包括根据灰度信息分别计算各图像块的纹理特征值与方向特征值，图像块的纹理特征值记为t(i，j)，图像块的方向特征值记为O(i，j)；步骤5，进行Reduce过程，包括将各图像块在Map过程后得到的结果归并输出以获得整幅遥感影像中所有图像块的纹理特征值和方向特征值；步骤6，根据步骤5所得整幅遥感影像中所有图像块的纹理特征值和方向特征值，计算基于全局的各图像块的纹理显著性特征值和方向显著性特征值，设某图像块在整幅遥感影像中的坐标值为(x，y)，相应纹理显著性特征值S_t(x，y)和方向显著性特征值S_O(x，y)计算如下，$S_{t(x,y)}=\frac{1}{M\times N}{\Sigma }_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\times \left|\right|t_{(x,y)}-t_{(i,j)}\left|\right|$$S_{O(x,y)}=\frac{1}{M\times N}{\Sigma }_{i=1,j=1}^{M,N}{W}_{(x,y)|(i,j)}\times \left|\right|O_{(x,y)}-O_{(i,j)}\left|\right|$其中，(i，j)表示任一图像块在整幅遥感影像中的坐标值，M表示整幅遥感图像横向包含的图像块数目，N表示整幅遥感图像纵向包含的图像块数目，W_{(x，y)|(i，j)}表示在整幅遥感影像中坐标为(x，y)的图像块与坐标为(i，j)的图像块之间的显著性影响系数，等于这两个图像块在空间位置上的欧几里得距离的倒数；步骤7，得到整幅遥感影像最终的显著特征图，包括对各图像块的纹理显著性值S_t(x，y)和方向显著性值S_O(x，y)叠加如下，S_F(x，y)＝S_t(x，y)+S_O(x，y)其中，S_F(x，y)表示在整幅遥感影像中坐标为(x，y)的图像块的显著性特征值。