一种基于JPEG2000码流的在轨遥感图像城区检测方法

摘要

本发明提供一种基于JPEG2000码流的遥感图像城区检测方法，解决了遥感图像城区检测准确率和处理效率的矛盾。本发明直接从JPEG2000码流中提取图像内容信息，不对压缩码流进行解压缩，充分利用压缩数据，根据JPEG2000的码流组织，采用由粗到细的检测框架，先提取包头信息进行粗检测并剔除不存在目标的码流，然后提取含有图像原始信息的包体信息进行精细检测，提高检测的运算速度，并且整个过程只调用JPEG2000解码过程中的存储资源，保证了算法很少的存储空间消耗，有效提高算法在轨实时实现的可行性。

权利要求

1.一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，包括以下步骤：

步骤1：抓取JPEG2000压缩码流的Packet：读取待测遥感图像的JPEG2000压缩码流，根据压缩标准，提取JPEG2000压缩码流中各个Packet的位置；其中，各个Packet包括包头和包体，同时包体由码块构成，其中码块中的数据按比特层编码；

步骤2：获取包头信息：基于各个Packet的位置，从每个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体内的所有码块信息，且一个包体内的所有码块信息为N×N个包头向量，其中N至少为1；

步骤3：提取并融合包头的结构与纹理特征量：从N×N个包头向量中提取三个结构与纹理特征量，其中结构与纹理特征量包括编码最高位MBP、编码通道数NCP以及码流长度BU；然后分别将这三个结构与纹理特征量通过升采样进行融合，得到对应的比特显著性特征、编码显著性特征以及纹理丰富性特征；

步骤4：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；

步骤5：根据步骤4的分类结果，得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块，并将对应码块进行膨胀操作后得到补全的连通域，然后进入步骤6；将其他类别的码块从其所在的Packet中剔除，不再进行后续操作；

步骤6：提取包体信息：提取步骤5中补全的连通域所在的各个Packet的位置，然后基于各个Packet的位置，从每个Packet中获取包体码流信息；

步骤7：采用Tier-2解码器对码块的每个比特层进行熵编码，从而生成梯度图：初始化Tier-2解码器中寄存器的状态，并利用Tier-2解码器和JPEG2000熵编码的方法，计算步骤6得到的包体码流信息中各个码块每个比特层上相邻编码位小波系数的变化量，将变化量加权相加后得到小波系数的梯度图；

步骤8：提取梯度特征：基于尺度空间理论，从步骤7中得到的小波系数的梯度图中提取局部特征SURF和图像纹理特征LBP，并将两个特征进行归一化处理后得到一个包体特征向量；

步骤9：ELM城区分类：将步骤8得到的包体特征向量作为ELM二分类器的输入，对待测遥感图像进行城区-非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；

步骤10：根据ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将这些码块组织成新的JPEG2000压缩码流进行显示、存储或传输。

2.如权利要求1所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，步骤4所述的ELM多分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图执行步骤1～步骤

3的操作，然后通过步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征来训练基于超级学习机的ELM多分类器。

3.如权利要求1或2所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，所述的ELM多分类器内核为sigmoid函数，单层节点数为500。

4.如权利要求1所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，步骤9所述的ELM二分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图依次执行步骤1～步骤8的操作，然后通过步骤8得到的包体特征向量来训练ELM二分类器。

5.如权利要求1或4所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，所述的ELM二分类器内核为sigmoid函数，单层节点数为1000。

6.如权利要求2或4所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，所述的设定的码块尺寸大小为4×4～128×128，单位为像素个数。

7.如权利要求1所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，步骤2所述的N×N个包头向量具体获取方法为：根据JPEG2000编码扫描方式，将包头码流信息进行二维展开，并假设每个Packet有N×N个码块，然后将包头码流信息与包体中各个码块的位置一一对应，则得到N×N个包头向量。

8.如权利要求1所述的一种基于JPEG2000码流的遥感图像城区检测方法，其特征在于，步骤5所述的将对应码块进行膨胀操作得到补全的连通域的具体方法为：得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块后，根据码块在待测遥感图像中对应的位置，首先将相互邻接的码块标记为连通域，然后对标记的连通域进行膨胀操作来融合孤立的又符合人造区域纹理特性的码块，得到补全的连通域。

说明书

一种基于JPEG2000码流的在轨遥感图像城区检测方法

技术领域

[0001] 本发明属于遥感图像处理技术领域，尤其涉及一种基于高分辨率JPEG2000码流的在轨遥感图像的城区检测方法。

背景技术

[0002] 随着航空航天遥感技术的迅速发展，获得的遥感卫星影像的分辨率也越来越高，由此引发的对于遥感图像的处理性能和效率的要求也越来越高，其中，对于高分辨率遥感卫星的城区检测是一个重要的研究方向，尤其是城市配置科学性、城市发展规划以及军事安全与侦察均有重要意义。但是，大量高分辨率遥感卫星对传统的遥感图像处理方法和遥感图像传输处理框架带来两方面的挑战：(1)现有的检测方法需要以大量计算复杂度为代价换取高准确率，所以无法在轨完成，必须将遥感图像压缩下传至地面后处理，这样就严重滞后整个处理流程，无法满足实际应用的实时性要求；(2)遥感数据量的不断增大，星上不对遥感数据进行预处理或筛选，大多数据直接或简单压缩后直接下传，对星地间无线传输带宽造成压力，造成遥感图像处理传输系统效率低下甚至信息缺损。

[0003] 因此，必须考虑突破传统的处理模式，发明一种具有在轨处理可行性的城区检测算法，以解决上述矛盾。

[0004] 传统遥感目标检测方法大致包含两个步骤：(1)特征提取：基于图像像素提取大量不同特征(如Haar类特征、Scale-Invariant Feature Transform(SIFT)、Histograms of Oriented Gradients(HOG)和高维学习特征)对目标进行表征建模，但由于高分辨率图像的数据量极大以及特征提取算法的高复杂度，无法达到较高的处理速度；(2)基于特征的目标分类：一类是非监督的方法(k-means，isodata等方法)，高分辨率会使类间方差减少，类内方差增大，从而导致分类错误；另一类是有监督方法(BP神经网络模型，遗传模型及支持向量机)，采用学习与训练的思想，具有较好的性能，但缺少训练样本和耗时的训练过程并不适合在轨遥感处理。

[0005] 同时一些工作对上述的目标检测框架进行了修改以提升其处理速度：一类是对特征进行修正，如特征简化、特征筛选和特征降维等方法，但这样大大降低特征鲁棒性；一类是减少图像数据处理量，如分块处理和降采样等方法，但这样会造成图像内容的截断或丢失，直接影响检测性能；还有一类是基于先验知识的预处理，如显著性检测方法，但这种方法会降低检测方法的范适性。所以，有必要提出一种同时较高准确率和处理速率的方法。

[0006] 遥感图像以压缩码流形式进行传输和存储，如JPEG2000为目前主流的遥感图像压缩标准，压缩码包含图像所有信息，同时数据量较小，对图像压缩码流直接进行城区检测，将解压缩和检测一体化，会大大加速检测速率并保证较好的检测效果。但是由于码流数据组织复杂，目前还没有很好的基于码流的检测方法。

发明内容

[0007] 为解决上述问题，本发明提供一种基于JPEG2000码流的遥感图像城区检测方法，解决了遥感图像城区检测准确率和处理效率的矛盾。

[0008] 一种基于JPEG2000码流的遥感图像城区检测方法，包括以下步骤：

[0009] 步骤1：抓取JPEG2000压缩码流的Packet：读取待测遥感图像的JPEG2000压缩码流，根据压缩标准，提取JPEG2000压缩码流中各个Packet的位置；其中，各个Packet包括包头和包体，同时包体由码块构成，其中码块中的数据按比特层编码；

[0010] 步骤2：获取包头信息：基于各个Packet的位置，从每个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体内的所有码块信息，且一个包体内的所有码块信息为N×N个包头向量，其中N至少为1；

[0011] 步骤3：提取并融合包头的结构与纹理特征量：从N×N个包头向量中提取三个结构与纹理特征量，其中结构与纹理特征量包括编码最高位MBP、编码通道数NCP以及码流长度BU；然后分别将这三个结构与纹理特征量通过升采样进行融合，得到对应的比特显著性特征、编码显著性特征以及纹理丰富性特征；

[0012] 步骤4：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；

[0013] 步骤5：根据步骤4的分类结果，得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块，并将对应码块进行膨胀操作后得到补全的连通域，然后进入步骤6；将其他类别的码块从其所在的Packet中剔除，不再进行后续操作；

[0014] 步骤6：提取包体信息：提取步骤5中补全的连通域所在的各个Packet的位置，然后基于各个Packet的位置，从每个Packet中获取包体码流信息；

[0015] 步骤7：采用Tier-2解码器对码块的每个比特层进行熵编码，从而生成梯度图：初始化Tier-2解码器中寄存器的状态，并利用Tier-2解码器和JPEG2000熵编码的方法，计算步骤6得到的包体码流信息中各个码块每个比特层上相邻编码位小波系数的变化量，将变化量加权相加后得到小波系数的梯度图；

[0016] 步骤8：提取梯度特征：基于尺度空间理论，从步骤7中得到的小波系数的梯度图中提取局部特征SURF和图像纹理特征LBP，并将两个特征进行归一化处理后得到一个包体特征向量；

[0017] 步骤9：ELM城区分类：将步骤8得到的包体特征向量作为ELM二分类器的输入，对待测遥感图像进行城区-非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；

[0018] 步骤10：根据ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将这些码块组织成新的JPEG2000压缩码流进行显示、存储或传输。

[0019] 一种基于JPEG2000码流的遥感图像城区检测方法，步骤4所述的ELM多分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图执行步骤1～步骤3的操作，然后通过步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征来训练基于超级学习机的ELM多分类器。

[0020] 一种基于JPEG2000码流的遥感图像城区检测方法，所述的ELM多分类器内核为sigmoid函数，单层节点数为500。

[0021] 一种基于JPEG2000码流的遥感图像城区检测方法，步骤9所述的ELM二分类器通过训练得到，具体的训练方法为：利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图依次执行步骤1～步骤8的操作，然后通过步骤8得到的包体特征向量来训练ELM二分类器。

[0022] 一种基于JPEG2000码流的遥感图像城区检测方法，所述的ELM二分类器内核为sigmoid函数，单层节点数为1000。

[0023] 一种基于JPEG2000码流的遥感图像城区检测方法，所述的设定的码块尺寸大小为4×4～128×128，单位为像素个数。

[0024] 一种基于JPEG2000码流的遥感图像城区检测方法，步骤2所述的N×N个包头向量具体获取方法为：

[0025] 根据JPEG2000编码扫描方式，将包头码流信息进行二维展开，并假设每个Packet有N×N个码块，然后将包头码流信息与包体中各个码块的位置一一对应，则得到N×N个包头向量。

[0026] 一种基于JPEG2000码流的遥感图像城区检测方法，步骤5所述的将对应码块进行膨胀操作得到补全的连通域的具体方法为：

[0027] 得到待测遥感图像中符合城区结构纹理特性的人造区域的对应码块后，根据码块在待测遥感图像中对应的位置，首先将相互邻接的码块标记为连通域，然后对标记的连通域进行膨胀操作来融合孤立的又符合人造区域纹理特性的码块，得到补全的连通域。

[0028] 一种基于JPEG2000码流的遥感图像城区检测方法，步骤7所述的小波系数的变化量具体计算方法为：

[0029] 将Tier-2解码器的寄存器状态与Tier-2解码器MQ表中的概率估计值Qe_Value(CX)和索引值I(CX)进行比对，确定码块每层的比特值为0还是1，直至得到所有比特层的变化量后，确定每个比特层上相邻编码位的小波系数的变化量。

[0030] 有益效果：

[0031] 1、本方法直接从JPEG2000码流中提取图像内容信息，不对压缩码流进行解压缩，充分利用压缩数据，根据JPEG2000的码流组织，采用由粗到细的检测框架，先提取包头信息进行粗检测并剔除不存在目标的码流，然后提取含有图像原始信息的包体信息进行精细检测，提高检测的运算速度，并且整个过程只调用JPEG2000解码过程中的存储资源，保证了算法很少的存储空间消耗，有效提高算法在轨实时实现的可行性。

[0032] 2、本方法中在码流包头特征提取时采用表达图像内容结构和纹理特性的包头信息，建立局部结构统计特征模型，有效表征对应码块所含图像的结构和纹理特性，并且采用升采样对编码最高位MBP、编码通道数NCP以及码流长度BU等包头结构与纹理特征量进行融合，从而使得特征更具有鲁棒性。

[0033] 3、本方法中在包体特征提取时根据JPEG2000解码方法，采用基于JPEG2000熵解码的梯度生成方法，生成小波系数的梯度图，然后根据梯度图提取不同尺度不同方向城区特征，带入分类器对城区进行像素级的检测，提高分类准确率。

[0034] 4、本方法中在建立训练和测试样本库时，直接用一个码流训练集对两个分类器进行训练，分别用其包头和包体信息对分类器进行训练，提高训练效率。

[0035] 5、本方法分别使用两个基于ELM的分类器得到粗检测和最终的检测结果：由于包头特征所含的信息有限，所以引入更多的先验信息来指导分类，采用基于ELM的多分类器，依据不同的结构和纹理特性将遥感图像分为若干类，并得到符合城区特性的码块，有效剔除虚警并加速算法；包体特征部分，采用基于ELM的二分类器，基于小样本可以得到较高的分类准确率，ELM训练过程不需要长时间的迭代寻优过程，非常适合在轨处理和在线更新。

附图说明

[0036] 图1为本发明的实施流程图。

[0037] 图2为本发明JPEG2000码流包头特征提取流程图。

[0038] 图3为本发明JPEG2000码流包体特征提取流程图。

[0039] 图4为本发明无损还原比特层的数值变化流程。

具体实施方式

[0040] 下面结合附图并举实施例，对本发明进行详细描述。其中图1为本发明的实施流程图，具体步骤如下：

[0041] 步骤1：抓取JPEG2000压缩码流Packet：

[0042] JPEG2000码流以Tile为单位，根据空间位置将图像分为互不覆盖的区域块，然后以Packet为单位，进一步划分为更小的区域块，每一个Packet都由包头(Packet Header)与包体(Packet Body)。将JPEG2000压缩时设置为Packet优先的渐进方式，在码流中提取到每个Packet的位置，并将包头和包体分开。

[0043] 图2为包头特征提取流程图，包含步骤2获取包头信息、步骤3提取并融合包头的结构与纹理特征量。

[0044] 步骤2：获取包头信息：

[0045] 直接从各个Packet中获取包头码流信息，其中包头码流信息包括自身包头信息和包体所有码块信息；同时由于Packet中包头信息包含Packet中所有码块的信息，需要先对包头信息根据JPEG2000编码扫描方式进行二维展开，将包头码流信息与码块的位置对应，设Packet共有N×N个码块，则二维展开后得到N×N个包头向量，这N×N个包头向量即为包体所有码块信息；

[0046] 步骤3：提取并融合包头的结构与纹理特征量：

[0047] 从步骤2中得到的N×N个包头向量中提取编码最高位MBP(maximum number of bit-planets)、编码通道数NCP(number of coding passes)和码流长度BU(bytes used of each code-block)三类信息，并生成三组特征，这三个量的位置是JPEG2000标准固定的。以下位具体的特征生成方法：

[0048] 1)比特显著性特征BSM(Bit Significance Map)

[0049] 每个码块的MBP编码最高位值可以直接从包头中提取，提取方法如公式(1)所示：

[0050] MBPcb＝MBPsb-ZBPcb  (1)

[0051] 通常子代包括多个packet，其中MBPsb是每个子带的编码最高位，ZBPcb是每个码块的高位置零位数。按照JPEG2000压缩的编码规则，每个码块的MBPcb可以依次提取并获得其所在子带中与原始图像对应的二维空间位置，再进一步生成码块的MBP。

[0052] 尺度r下的子带d(d∈{LL,HL,LH,HH})的BSM表示如公式(2)：

[0053]

[0054] 其中 指尺度r下的子带d， 指 中位置(i,j)的码块，其中i＝1,2,3,...,N1，j＝1,2,3,...,N2。当码块中只存在零系数时， 为零。如公式(1)所示，的维度r取决于离散小波变换的分解尺度R，维度r等于R×3+1。

[0055] 为了使编码最高位这组特征对压缩参数变化不敏感并且完全包涵所有子带的信息，我们通过融合的方法将维度定为4，将低频子带升采样后直接作为低频特征，并将三个不同方向的高频子带分别升采样后取平均作为对应方向的高频特征，具体融合算法如公式(3)：

[0056]

[0057] 最终BSM特征表示为公式(4)：

[0058] FBSM＝[BSMLL,BSMHL,BSMLH,BSMHH]  (4)

[0059] 可以看出，BSM可以看做一张维度为4的二维特征FBSM。(此处融合得到第一个特征)[0060] 2)编码显著性特征CSM(Code Significance Map)

[0061] 由于JPEG2000中基于率失真优化的码流控制，在码流截断是根据优化曲线舍去一些编码通道，所以码块的编码通道数是码块中小波系数的重要性的表征方式，并且可以从包头中直接进行提取。

[0062] 通过截取包头信息，可以得到编码通道数 将低频子带升采样后直接作为低频特征，并将三个不同方向的高频子带分别升采样后取平均作为对应方向的高频特征，得到最终的CSM特征：

[0063]

[0064] 的取值范围为从零到全部编码通道

[0065] 3)纹理丰富性特征TRM(Texture Richness Map)

[0066] 码块的图像内容中纹理越丰富、细节信息越多，所需要的码流长度就越长，所以码流长度与图像的纹理分布情况正相关。

[0067] 通过访问JPEG2000包头中的 将低频子带升采样后直接作为低频特征，并将三个不同方向的高频子带分别升采样后取平均作为对应方向的高频特征，生成TRM特征：

[0068]

[0069] 进一步，由于包头特征为码块级，所以需要设定JPEG2000压缩时大小为16×16～64×64，小波分解级数为3～5级，保证包头特征的鲁棒性。

[0070] 步骤4：ELM多分类：将步骤3得到的比特显著性特征、编码显著性特征以及纹理丰富性特征作为ELM多分类器的输入，ELM多分类器对待测遥感图像的不同结构纹理区域进行分类；其中，ELM多分类器将待测遥感图像的不同结构纹理区域分为人造区域、自然区域以及平缓区域；

[0071] 其中ELM多分类器的训练方法为：

[0072] 利用已知遥感图像建立训练集，并将已知遥感图像以码块大小裁剪成切片图，然后切片图通过执行步骤1～3后分别得到包头码流信息、包体码流信息以及三个结构与纹理特征量，训练ELM多分类器，设分类种类为N，依据区域的结构和纹理特性，可设N为3，分别为：1)人造区域：此类场景以人造建筑区域包括城区、机场等目标作为代表；2)丰富纹理的自然区域：此类场景以森林、山脉等为典型代表；3)平缓或同质区域：梯度平缓则包括平原、海面和沙漠等场景；设ELM内核为sigmoid，单层节点数为500。

[0073] 步骤5：码块剔除：

[0074] 根据步骤4的分类结果，得到待测遥感图像中符合人造区域纹理特性的区域所对应的码块后，根据码块在遥感图像中对应的位置，将相邻接的码块标记为连通域，同时由于可能存在孤立的符合人造区域纹理特性的码块，需对标记的连通域进行膨胀操作来融合孤立的码块，从而补全连通域；此外，未标记的码块从其所在的Packet中剔除，不进行后续操作。

[0075] 图3为包头特征提取流程图，包含步骤6提取包体信息、步骤7生成梯度图和步骤8梯度特征提取三个部分。

[0076] 步骤6：提取包体信息：

[0077] 从Packets中获取包体码流信息，并初始化Tier-2解码器中两个寄存器的状态。

[0078] 步骤7：生成梯度图：

[0079] JPEG2000的熵编码过程为：通过解码器中MQ表(MQ表中含有算术编码过程中需要的概率估计值)的上下文得到码块中小波系数的每个比特层对应的熵编码，码流通过编码器中的下限寄存器输出并组成最终码流。所以我们可以通过访问MQ表并通过寄存器连续变化与MQ表中的Qe_Value(CX)(出现较少符号的估计概率)和I(CX)(索引值)进行比对，无损还原码块中小波系数每个比特层的数值变化，具体计算图4所示。

[0080] Qe_Value(CX)和I(CX)分别为出现较少符号的估计概率和其对应的索引值，这些数值可以通过MQ表得到。根据Qe_Value(CX)和I(CX)的值，确定每层bit-plane的取值为0还是1，直至得到所有比特层的变化后，再将各层比特层的变化量加权相加得到码块中小波系数的梯度图G(i,j)，具体计算公式(7)如下：

[0081]

[0082] 其中K为最高层比特位，Dk(i,j)为被编码的小波系数(i,j)位置第k层得到的变化量，其中k＝1,2,3...,K。

[0083] 步骤8：梯度特征提取：

[0084] 为考虑性能和效率的平衡，本实施例中对Speeded Up Robust Features(SURF)特征进行改变，只进行一层高斯滤波，通过滑窗的方式将步骤109得到的梯度图分为细分切片图，本实施例中细分切片图的大小为16*16。

[0085] 进行SURF特征提取。SURF基于尺度空间理论，具有尺度和旋转不变性。SURF的描述符由两部分组成：主方向和特征向量，两部分的生成都需要在特定的尺度上进行。以特征点为圆心，在60°的扇形范围内求x和y两个方向的梯度之和，使扇形遍历整个圆，并选取最大梯度和的方向作为主方向；接着，以特征点为中心以主方向建立坐标轴，将周围20σ的窗口分成16个子窗口，构造四维向量V＝(Σdx,Σdy,|∑dx|,|∑dy|)，对低频系数进行分割处理的同时，在低频子带上进行Speeded Up Robust Features(Surf)特征提取，即所有子窗口的向量作为该特征点的特征向量，长度为4×16＝64。

[0086] 由于SURF特征向量只包含16×16切片图中的方向和梯度信息，即切片图中稳定点的信息，不具备整个切片图的纹理特征信息因此在SURF特征的基础上加入旋转不变均匀LBP特征以弥补对于图像的表征，能够全方位地表达遥感图像中的所有信息。在每个16×16的切片图中根据半径和采样点数(人为设定)确定LBP特征，由于采用了旋转不变的LBP特征，使得代表图像纹理特征的维数较少。

[0087] 将每幅梯度图的SURF特征向量与旋转均匀不变LBP特征向量进行归一化处理，得到代表遥感图像城区特性的包体特征向量。

[0088] 步骤9：ELM城区分类：

[0089] 将步骤8中得到的包体特征向量输入ELM二分类器中进行城区-非城区分类；其中，ELM二分类器将待测遥感图像的不同结构纹理区域分为城区和非城区两个种类；

[0090] 其中，ELM二分类器的训练方法为：

[0091] 利用已知遥感图像建立训练集，并按照设定的码块尺寸大小将已知遥感图像裁剪成切片图，将切片图依次执行步骤1～步骤8的操作，然后通过步骤8得到的包体特征向量来训练ELM二分类器。设ELM内核为sigmoid，单层节点数为1000。

[0092] 步骤10：得到检测结果：

[0093] 根据步骤9中ELM二分类器的分类结果，得到含有城区图像的码块，同时根据这些码块所在的Packet在JPEG2000压缩码流中的位置，得到各个码块在待测遥感图像中的位置，然后将符合城区纹理特性的码块组织成新的JPEG2000压缩码流，并将其解码后显示，同时进行码流截断后存储或传输。

[0094] 自此，就完成了遥感图像的城区检测。

[0095] 当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。