一种针对海面SAR图像的视觉注意模型设计

0 引言

合成孔径雷达(SAR)具有全天时、全天候、大范围、多参数等特点，是海洋监测与监视应用的重要组成部分。从SAR图像中快速检测出目标对及时获取有用信息有着重大的意义。SAR图像目标检测作为其分类和识别的基础，始终是SAR图像应用的重要内容[1]。

随着Radarsat-2，TerraSAR-X以及高分三号等新一代SAR传感器的发射运行，SAR逐渐向高分辨率、大幅宽、多极化方向发展。随着图像尺寸越来越大，基于图像的逐点计算等检测算法处理速度就变得缓慢，难以达到实时处理的要求[2]。大数据量的SAR图像信息和有限的计算机处理能力之间的矛盾，迫切需要寻求快速的图像检测方法[3]。一些学者对人类视觉智能展开研究并取得进展，其中，采用视觉注意机制从复杂的视觉信息中筛选出有用信息提供给目标检测，大大提高了处理效率。

目前，对视觉注意建模的研究主要包括两个方面。1) 数据驱动的视觉注意模型，可划分为基于时域的模型算法和基于频域的模型算法。ITTI提出的视觉注意模型首次在数学层面对人眼“注意”特性进行了模拟[4]，基于时域空间建立了视觉注意模型；基于频域的视觉注意模型则将图像的处理层面由时域转换到频域。例如HOU等提出的基于频谱残差法的视觉显著模型[5]，Hou模型主要利用了快速傅里叶变换得到的幅度谱作为图像显著性表征，进而还原到时域得到显著图；GUO等在快速傅里叶变换的基础上利用相位谱得到图像的显著图[6]；YU等结合离散余弦变换理论提出了一些新的视觉注意模型[7]，也得到了广泛的应用。此类模型虽然能够简单快速地获取显著图，但是显著图包含较多虚警。2) 目的驱动的视觉注意模型，其中具有代表性的模型有ITTI提出的基于心理阈值函数模型[8]和OLIVA等提出的基于贝叶斯学习的注意模型[9]，这类目的驱动的处理模型缺点为缺乏自适应性。

结合现有的视觉显著检测理论，分析了传统视觉注意模型解决海面SAR图像处理问题的缺陷，借鉴ITTI视觉注意计算模型的处理机制，本文针对复杂海面SAR图像提出一种改进的视觉注意建模方法。首先，选择和提取能够较好描述SAR图像的纹理和形状特征，进而求取相应的局部特征和全局特征的特征显著图；然后，采用改进的特征显著图合并方法进行显著图融合得到总显著图。

1 改进的视觉注意计算模型算法的实现

虽然对计算机视觉的研究已经取得很大进展，获得一系列成果，但相比人类视觉对于现实场景中的信息处理能力还远远不足，因此学者们不断研究人类视觉注意机制，并尝试提出数学计算模型进而模拟人类视觉的注意机制。目前较为常用的视觉注意计算模型[10-11]有ITTI视觉注意计算模型和基于傅里叶变换的频谱残差视觉注意模型。其中，ITTI视觉注意计算模型在模型设计中模仿了视觉系统中自底向上显著性的形成过程，从而实现图像的显著性检测，因此ITTI视觉注意计算模型在计算机视觉领域得到了广泛应用。

1.1 基于经典ITTI视觉注意计算模型的理论分析

ITTI视觉注意计算模型的处理流程主要包括特征提取、显著度计算和多通道显著图合并3个步骤。首先，在时域上对输入图像进行初级视觉特征提取，其次，计算相应特征下图像各像素点的视觉显著度，从而合并得到视觉显著图，通过竞争策略实现显著区域的提取。ITTI视觉注意计算模型处理的流程如图1所示。

图1 经典ITTI视觉注意计算模型算法流程图 Fig.1 Flow chart of classic ITTI vision attention model

模型处理所采用的关键技术包括：多尺度高斯金字塔模型、图像初级特征提取、中央-周边差和归一化、视觉显著区域的提取和转移。

1.1.1 底层视觉特征提取模块

本文依据上节所提取的SAR图像特征计算得到特征显著图，模型采用的多特征显著图融合策略为：首先对标准偏差、方位和唯一性特征显著图采用线性相加操作和归一化处理，然后通过相乘操作消除全局对比度中不明显区域，同时加强局部特征图和全局特征显著图共有的显著区域的显著程度，即

作为数据驱动的视觉注意模型，ITTI视觉注意计算模型得到的显著图受初级视觉特征的影响，因此特征选择将直接影响显著图的质量。ITTI模型将图像的颜色、方位和亮度特征作为底层初级视觉特征。

银行业要想提升自身的服务实体经济能力，就需要紧跟我国经济发展变化，抓紧经济转型升级的时机。就目前来说，银行业需要抓紧绿色金融与惠普金融。绿色金融需要相关监管部门及银行内部进行调整，逐渐地向资源节约型及生态环保型的技术方向进行发展，以此来促进资金更好地投入到相关产业的发展当中。同时还能够促使企业进行绿色发展，避免过渡浪费的行为出现。

1.1.2 视觉显著图计算模块

在特征显著图计算阶段，需要中央—周边差操作以及特征图归一化2个操作过程。ITTI经典模型采用中央—周边差算子来模拟视觉感知系统中感受野的特性来完成视觉信息对比度的提取。分别对亮度、颜色和方位特征进行中央—周边差操作以得到特征图，经特征图归一化到某一个灰度值范围，减弱非目标区域显著性，得到各个特征初始显著图。对初始特征图进行层间相加操作和归一化，最终得到3个特征显著图。

ITTI经典模型将3个特征显著图以1∶1∶1的比例进行线性相加得到总显著图。

2.3.2 二值化模板的求取

通常情况下，得到的图像总显著图中像素的灰度最大值及其一定邻域即对应图像中最显著的部分，因此，获取显著区域即是寻找总显著图的灰度最大值及其一定范围邻域。ITTI模型采用胜者全取(Winner Take All,WTA)机制和禁止返回(Inhibition of Return,IOR)机制[12]获取视觉显著点。WTA和IOR处理的主要过程是：寻找像素最大值确定显著目标，通过WTA机制提取视觉显著区域，利用IOR抑制已经得到提取区域的显著性，再通过WTA机制选取下一个显著区域，从而实现显著区域的获取。

1.2 传统ITTI模型的缺陷分析

目前现有的大多数视觉注意计算模型都是针对自然场景的图像设计的，模型能够较为准确地得到图像显著图，进而提取感兴趣区域。然而，SAR图像和自然场景图像存在着较大差异性，例如复杂海面SAR图像中的海洋背景斑点噪声和舰船目标表现出相似的特性。这种现象往往使得经典视觉注意模型对这类SAR图像进行目标显著区域提取时得不到准确的显著图结果。

猪喘气病又称猪霉形体肺炎，是由肺炎霉形体(支原体)引起的一种慢性呼吸道传染病。各种年龄、性别、品种的猪都可发生。病猪表现为咳嗽、气喘、发病率高死亡率低，主要影响猪的生长速度。肺是主要的病变器官。急性病例以肺水肿和肺气肿为主；亚急性慢性病例常见肺部“虾肉”样实变。发病猪生长缓慢，饲料利用率低，增加饲养成本。

式中：λ表示经验参数；f(i,j)为像素点频率;M×N为待检测图像尺寸。从图像的角度分析，所有像素点的唯一性值构成了图像的特征显著图，即

1) 底层视觉特征的提取：经典ITTI模型选择的特征为亮度、颜色和方位等局部特征，没有考虑目标区域的全局特征。因此模型无法准确处理待检测图像中局部特征不明显的感兴趣区域。其中，SAR图像中目标的纹理、形状等重要特征在ITTI模型中未予以考虑，这也是模型检测效果不佳的原因。

经验证，国外的被动式超低能耗绿色建筑已经成为长寿命的建筑，也已获得欧盟国家的认可，并开始实施立法，强行推动。但国内仍缺乏针对区域性尤其是严寒地区具有实践意义的绿色建筑技术指导路径。因此，探索被动式超低能耗绿色建筑的关键技术体系仍然是东北严寒地区发展绿色建筑的重要举措。

表7就前文的分析进行总结并得出长春市大学生足球课程结合俱乐部形式的内外部结合的应对策略.提出了4种发展战略： 1)开拓型战略：立足时代机遇，强化师资力量；打造特色足球课程；增强大学生足球体验参与度.2)争取型战略：加大足球训练培训；优化大学足球课程；开发新型训练模式.3)抗争型战略：强化校方重视力度；与俱乐部合作打造特色课程.4)保守型战略：组织体系建设；积极借鉴国外优秀经验.

2) 高斯金字塔结构的设计：ITTI模型采用九层金字塔结构模拟人眼视觉系统的注意机制,用以实现图像的多尺度表征。然而，SAR图像中舰船等目标占据被处理图像面积相对过小，过度降采样使得待检测图像丢失目标信息，对模糊不清的高斯金字塔子图像进行特征显著图构建没有意义，如图2所示,图2a～图2f分别对应1～6层金字塔子图。

3) 特征显著图融合策略：ITTI经典模型中，特征显著图融合方式为线性合并，通常采用直接相加得到总显著图，忽略了不同特征存在的优先级关系，这就导致了某个占据主导性的特征显著图在合并过程中被削弱，从而造成目标显著区域的漏检。

针对ITTI模型对SAR图像显著区域的提取缺乏适应性，以及底层初级特征选择及特征显著图合并策略的问题，本文基于经典ITTI模型的处理框架，提出了一种针对SAR图像目标显著性检测的改进的视觉注意模型，并就显著性提取结果与ITTI模型和Hou模型展开对比分析。

图2 高斯金字塔结构结果图 Fig.2 Results of Gaussian pyramid structure

2 改进的视觉注意模型设计

通过对经典ITTI模型的分析，结合SAR图像中的目标特性，为提高图像显著性检测精度以及目标区域轮廓清晰度，借鉴经典ITTI模型的框架，提出了一种针对SAR图像显著性检测的视觉注意模型，首先提取待检测图像的底层初级特征，然后采用特征整合机制进行特征显著图融合得到显著图，最后通过竞争策略进一步完成待检测图像显著区域的提取，流程如图3所示。

图3 本文提出的视觉注意模型算法流程 Fig.3 Flow of the proposed visual attention model algorithm

2.1 视觉特征提取

一般情况下，局部特征是将目标区域和邻域像素进行对比并区分，全局特征则能够从全局的角度计算图像内相似区域的显著性，更进一步凸显目标区域。考虑以上，本文将SAR图像中占据主导地位的纹理和形状等特征纳入视觉特征提取范畴。本文选取了SAR图像的标准偏差、方位特征、唯一性和全局对比度特征4个特征进行特征子图的构建。

2.1.1 标准偏差

通常情况下，标准偏差能够有效地表征图像的局部特征，如目标边缘和形状特征等局部差异性。SAR图像存在着丰富的边缘信息，通过提取图像的标准偏差，增强目标边缘和轮廓信息，实现从背景中区分出目标。标准偏差能够在较低的计算复杂度下保证目标与背景的差异性。

标准偏差特征计算通过滤波器在待检测图像中滑动求取。设I(x,y)为待检测图像，滤波器尺寸为N×N，滤波器中心坐标(m,n)，标准偏差DSTD为

(1)

(2)

式中:mx(i,j)为局部图像的平均值;M=(N-1)/2。

目标边界点由于与其邻域内像素差别较大,因此计算出的DSTD值也较大，表现在特征显著图中为亮点。从图像的角度分析，各像素点相应DSTD值组成标准偏差特征矩阵。通过对此矩阵进一步归一化操作和显著性处理，得出特征显著图。计算过程为

DSTD=N(DSTD(n,m))

(3)

式中，N(·)为归一化操作。

2.1.2 方位特征

1.1 室验说明：以下两项试验使用的测试液配方均为EIAJ RC-2364标准中皮膜耐压测试液；高气压水煮后的皮膜耐压测试方法亦采用EIAJ RC-2364方法。

SAR图像中目标方向复杂多样，因此可以采用方位特征来表征不同方向的目标。本文采用Gabor滤波器提取图像的方位特征，即

exp

(4)

式中：

(5)

xθk=xcos θk+ysin θk；

(6)

yθk=-xsin θk+ycos θk；

(7)

最后，对判断为目标区域的二值图进行保存。

在本文模型中，正弦波的方向角分别取0°，45°，90°，135°，通过以上公式计算可获得这4个方向的Gabor滤波器，从而得到基于这4个方向的方位特征图，分别记为Fori(0)，Fori(45)，Fori(90)，Fori(135)。由于模型未构建高斯金字塔，方位显著图Sori由4幅特征图线性相加得到，即

(8)

2.1.3 唯一性

唯一性指图像中出现次数较少的像素点所具有的性质。人眼视觉处理系统对图像进行处理时，首先会注意图像的“显著”区域，从而优先处理该区域。本文提取唯一性这个全局特征以实现对图像中出现概率较小区域进行强化。对于待检测图像I(x,y)，图像中每个像素灰度值出现次数为n(i,j)，唯一性特征的计算步骤为

第二，企业审计人员在处理被审计企业部门或者人员的经济责任时，如果不能明确界定责任的承担者，要咨询被审计企业的人事部门和绩效考评部门。

(9)

(10)

本文对ITTI模型的设计思路进行分析，通过仿真实验验证该模型对SAR图像处理得到显著图中存在大量虚警、漏检，分析原因主要包括以下方面。

Suniq=NFuniq(i,j)。

(11)

2.1.4 全局对比度

全局对比度是对当前局部区域相对整幅图像差异的量化。通常情况下，SAR图像中目标区域的灰度值相对较高，计算全局对比度特征的显著图能够增强目标与背景的差异性以突出目标的显著性。对于输入的待检测图像处理，基于像素级的全局对比度特征显著图的计算过程为

(12)

(13)

Sglobal=N(g(i,j))

(14)

其中：g(i,j)指当前位置像素点的全局对比度；γ为灰度经验参数；Sglobal表示全局对比度特征显著图。

SSD算法利用多层特征图来预测目标,但并未充分利用各个网络层之间信息的结合。对于小目标的检测,主要利用浅层的网络层去匹配,然而浅层网络的特征图表征能力较弱,对于小目标容易出现误检和漏检现象。

我问一位在深圳工作的朋友，深圳的环境和其他地方比，有什么差别？朋友是从内地弃职过来的，已呆了有些年了。他认真地说，感觉这边的政府部门工作会更多地考虑普通老百姓的实际需求，更多地着眼于提高办事效率，解决实际问题，不管有“关系”没“关系”，只要符合条件，事情同样能办。“无论来自何方，都可以在这里共事创业，公平竞争，靠着自己的努力奋斗改变生活。”朋友这番话，我颇有同感。我想，这也是深圳的魅力所在吧，它肯定不仅仅是收入高低的问题。

2.2 显著图计算

通常视觉注意模型最终得到的显著图是所有特征显著图的综合。不同特征显著图的含义对应注意不同的通道，这些特征显著图相应的显著区域响应强弱不均，有的显著图对应多个响应强烈的位置，有的显著图可能只有一个响应较为微弱的显著区域。因此，对特征显著图的融合需要根据特征的显著程度进行处理，而非简单的线性相加。

在特征提取阶段，ITTI经典模型通过建立图像金字塔结构来模拟人眼多尺度非均匀采样机制，实现图像的多尺度表示。金字塔模型的建立包括平滑和采样2个步骤。ITTI模型首先对输入图像降采样处理，生成多个不同分辨率的图像，然后对输入图像和采样所得图像进行高斯平滑，进而得到高斯金字塔结构。对图像进行降采样的原理在于高斯滤波能够将显著性高的特征显著地保留在金字塔各层。

(15)

2.3 显著区域检测

本文模型设计算法对ITTI经典模型中的竞争策略进行优化，并对所得显著图采用多尺度分割以实现显著区域的检测和提取。

2.3.1 确定注意焦点

区域上招远东汤地热田位于胶北隆起区的栖霞复背斜，出露的地层主要为第四纪松散岩层；出露岩体为太古—元古代栖霞序列奥长花岗岩、黑云英云闪长岩、斜长角闪岩、中生代玲珑序列的中粒花岗岩和文登序列的二长花岗岩等。

注意焦点(Focus of Attention,FOA)，即当前的显著点，一般情况下FOA为所得显著图S像素灰度最大值点。若存在多个像素点灰度值相同，仿照人眼感知系统通常处理多个感兴趣区域的机制，将距离图像中心最近的区域视为视觉注意的最显著区域。注意焦点的算式为

(16)

AFOA=min(dis((x,y),(x0,y0)))

(17)

式中：sVal为S′中FOA像素灰度值；T0为对S′图像分割的阈值。

分析隐性故障继电保护系统可靠性的方式有很多，包括概率分析法、故障树分析法等，此些分析法大多以继电保护系统可靠性评估指标为主，并具有一部分可对继电保护系统可靠性进行精准分析的内容，可基于此建立起考虑隐性故障的继电保护系统可靠性分析模型。就目前来看，在隐性故障的继电保护系统可靠性分析中，应用范围较广的模型为马尔可夫可靠分析模型。该模型不仅可适用与可修复隐性故障的电力系统中，更能够在指行可靠性分析命令的过程中不干扰到电力系统正常运行。

1.1.3 显著区域的获取和转移模块

按照视觉注意焦点的确定方法，对显著图S进行FOA求取，进而得到各个特征显著图中对应此点的4个像素点，取其中最大值所对应的特征显著图作为显著区域检测的子显著图S′，以S′的FOA为中心,对此特征显著图S′进行二值化操作，此步采用传统的Otsu方法计算,实现全局阈值分割,即

(18)

式中：(x,y)为FOA坐标；(x0,y0)为图像的中心坐标。

对以上得到的二值化结果进行操作。首先对二值图进行高斯滤波，滤波器的参数需要依据目标先验知识进行确定，本文将滤波器尺寸设为图像中实际目标占像素的估计值；然后，需对高斯滤波后的区域进行判断，判断准则为

(19)

式中：β为目标实际像素的估计值与图像像素个数之间的比值。rratio的计算过程如下

(20)

式中：为统计区域的像素数；N′×M′为输入图像尺寸。

α和β分别为高斯函数在x轴和y轴上的标准差；θk和λ分别指正弦波的方向和波长。

国家和地方各级反腐败领导机构设置构想如下:全国人大设立反腐败委员会，领导和监督全国反腐败工作。地方人大不设立相应的委员会。国家廉政总署受全国人大领导和监督，对全国人大负责;在全国人大闭会期间，对全国人大常委会负责并报告工作作为过渡性安排，国家廉政总署可接受国务院与全国人大的双重领导，垂直管理，不受地方政府与地方人大的干预。由原监察部、预防腐败局、反贪局、信访局等合并而成。国家反腐败机构行使对腐败行为的调查和非刑罚处罚权，不受地方政府、其他任何机关和团体的领导、指挥和干涉。

2.3.3 显著区域的多尺度获取

为避免寻找显著区域进入死循环,对其进行抑制返回处理。具体操作为:判决得到显著区域的二值模板后,就将此显著区域置为零，从而开始次视觉注意焦点的操作，直到完成所有显著区域的检索。

本文模型对竞争策略进行的优化和改进主要体现在：综合考虑比较、分析视觉注意焦点在各个特征显著图灰度值大小，选择对应位置的最佳显著性表征方法，继而从各个尺度对显著图进行滤波及阈值分割，以实现显著区域的精确筛选。

3 实验仿真分析

本章基于所提出模型的设计算法理论进行仿真实验。针对复杂背景的SAR海面图像给出建模处理结果，并与经典的模型进行对比分析优缺点。

礼有三本：天地者，生之本也；先祖者，类之本也；君师者，治之本也。无天地恶生？无先祖恶出？无君师恶治？三者偏亡，焉无安人。故礼上事天，下事地，尊先祖而隆君师，是礼之三本也。(《礼论》)

实验采用的计算机系统配置为Inter(R) Core(TM) i3-4170 CPU @3.70 GHz处理器，内存为8 GB，Windows7操作系统，运行平台为Matlab 2016。如图4所示,选取一幅像素大小为4015×3616的TerraSAR-X图像作为实验数据，其成像区域为直布罗陀海峡区域，图像采样率为1.25 m，极化方式为HH极化，该区域中存在大量舰船目标并包含大量不均匀的背景区域。

图4 待检测图像及其目标区域标记 Fig.4 The image to be detected and the marked target area

依据本文提出的模型算法，对待检测图像进行处理，求出各个特征显著图。特征显著图求取过程中的参数设置包括：标准偏差特征中滤波器滑窗大小关系到能否协调好建立模型耗时和模型建立对背景显著度抑制的有效性。本文将滤波器滑窗像素尺寸设置为5×5，全局对比度特征参数γ为200，唯一性特征参数λ设为5×10-5。

图5 本文模型的特征显著图结果 Fig.5 The characteristic saliency maps of the model

由图5可以看出：本文所得特征显著图都具有较好的清晰度，标准偏差显著图对应SAR图像目标的边缘和纹理特征；方位特征显著图对方向不同的目标进行表征和区分；唯一性显著图对图像中出现概率较少的目标信息进行强化；全局对比度显著图从全局的角度将相对更高的目标信息在背景中予以增强突出。

图6所示为本文模型对于实验数据的仿真结果，图7所示为两种经典的视觉模型的结果。

关于“霍李比武”的事，具体发生在何时已经不可靠了，只知道肯定是在1900-1909年之间。在金恩钟先生所著的《国术名人录》一书中有关于霍元甲与李瑞东比武的描述：

图6 本文模型的显著区域检测结果 Fig.6 The detection results of salient regions of the model

图7 两种经典模型的显著区域检测结果 Fig.7 The detection results of two classical models

针对本文待检测图像，通过计算性能指标来定量分析3种模型设计算法。表1给出了本文模型与传统视觉注意模型的性能比较结果。其中，评价指标采用正确检测目标数、虚警目标和漏检目标数及检测耗时。

表1 复杂海面TerraSAR图像3种模型显著区域检测结果对比

Table 1 Salient region testing result of three models for TerraSAR images in complex sea area

模型漏检目标数正确检测数虚警目标数检测耗时/s品质因数细节分析ITTI模型411045．630．733检测区域模糊且包含背景部分Hou模型015370．130．833部分目标区域缺失本文模型015130．240．938边缘轮廓细节相对较好

4 结束语

本文研究了传统视觉模型的基本理论，对海面SAR图像特征进行分析，提出一种适用于海面SAR图像的视觉注意模型。本文将能较好描述图像的特征进行显著性提取，对得到的特征子图融合进而得到图像显著性的总显著图，最后通过多尺度竞争策略完成显著区域筛选以实现SAR图像显著区域检测。

现有研究需要深入和完善的地方在于： 1) 如何结合SAR图像目标的属性选取特征，选择能准确表征目标又具有较小运算量的特征;2) 如何建立新的特征融合机制，自适应调整各特征分配权值，使得到的显著图能更加有效准确地表征图像的显著区域;3) 在进行显著图滤波处理时，需要根据舰船目标的图像特性进一步完善各滤波器的参数设置。

参 考 文 献

[1] MOREIRA A,PRATS-IRAOLA P,YOUNIS M,et al.A tutorial on synthetic aperture radar[J].IEEE Geoscience and Remote Sensing Magazine,2013,1(1):6-43.

[2] 邓云凯,赵凤军,王宇.星载SAR技术的发展趋势及应用浅析[J].雷达学报,2012,1(1):1-10.

[3] 邢相薇,计科峰,康利鸿,等.HRWS SAR图像舰船目标监视技术研究综述[J].雷达学报,2015,4(1):107-121.

[4] ITTI L,KOCH C,NIEBUR E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998, 20(11):1254-1259.

[5] HOU X D,ZHANG L Q.Saliency detection:a spectral residual approach[C]//IEEE Conference on Computer Vision and Pattern Recognition,2007:1-8.

[6] GUO C L,MA Q,ZHANG L M.Spatio-temporal saliency detection using phase spectrum of quaternion Fourier transform[C]//IEEE Conference on Computer Vision and Pattern Recognition,2008:1-8.

[7] YU Y,WANG B,ZHANG L M.Pulse discrete cosine transform for saliency-based visual attention[C]//The 8th Conference on Development and Learning,2009:1-6.

[8] ITTI L,KOCH C,BRAUN J.Revisiting spatial vision:toward a unifying model[J].Journal of the Optical Society of America,2000,17(11):1899-1917.

[9] OLIVA A,TORRALBA A.Modeling the shape of the Scene:a holistic representation of the spatial envelope[J].International Journal of Computer Vision,2001,42(3):145-175.

[10] GAO D S,HAN S,VASCONCELOS N.Discriminant saliency,the detection of suspicious coincidences,and applications to visual recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(6):989-1005.

[11] 张志龙,杨卫平,张焱,等.基于频谱残留变换的红外遥感图像舰船目标检测方法[J].电子与信息学报,2015,37(9):2144-2150.

[12] ITTI L.Models of bottom-up and top-down visual attention[D].California:California Institute of Technology,2000.