基于CNN的遥感影像光学适配结构选取方法及系统技术方案

本发明专利技术公开了一种基于CNN的遥感影像光学适配结构选取方法及系统。其中，方法的实现包括：学习阶段，利用从遥感图像中选取的目标光学适配结构作为学习样本，设计出一种光学适配结构自动选取CNN模型；选取阶段，将待选取遥感影像切割成若干片元，经CNN分类模型，识别其中的适配结构，并用非极大值抑制滤掉低适配率的重复区域，最后通过基于相关峰的独特性分析(主次峰值比、最高锋锐度)，确保识别的光学适配结构在遥感影像中没有重复模式。首次将CNN应用到光学适配结构自动选取上，考虑了光学适配结构的稳定性、独特性，能较好的选出光学适配结构，能适应多个尺度和旋转，具有较强的适应性。

【技术实现步骤摘要】
基于CNN的遥感影像光学适配结构选取方法及系统
本专利技术属于机器学习、深度学习、匹配模板
，更具体地，涉及一种基于CNN的遥感影像光学适配结构选取方法及系统。
技术介绍
光学适配结构选取技术是飞行器导航的关键技术，也是地面信息保障的核心技术之一，其好坏直接影响着匹配的性能和精度。如何利用卫星影像选取光学适配结构是当今精确匹配制导领域的工作重点和难点。然而，不同于普通的目标检测，由于光学适配结构形态千差万别、没有一个稳定结构，很难用一个规则去描述并量化的特点，使得光学适配结构的选取非常困难，选取效果普遍不佳。迄今为止，光学适配结构的选择尚无成熟方案，国内外学者的方法中所提出的特征通常不能很好表达光学适配结构，并且不能较好的综合多个特征之间的相关性和权重，导致选取结果适应性差，抗干扰性不强。而且这些方法，只能适应某个特定的遥感影像场景，而在不同的场景上选出的匹配区并不能达到匹配要求，鲁棒性还有待提高，对于复杂遥感影像场景，其选取结果不太理想。因此目前大部分任务是通过人工完成的，但是在大量的遥感影像数据中，人工选择不仅工作量大，不仅浪费时间、耗费人力，而且由于受到操作人员的素质、知识水平、经验等因素的影响，人工所选光学适配结构的适配性能有时很难满足实际应用的要求。卷积神经网络(ConvolutionalNeuralNetworks，CNN)作为深度学习里非常成功的一个模型，已经成为当前语音分析和图像识别领域的研究热点，它颠覆了语音、图像、自然语言、在线广告等众多领域的算法设计思路，并取得了突破性的进步和显著的成功，其效果远远超过先前相关技术。CNN对于图像平移、比例缩放、旋转及其他形式的变形都具有一定程度的不变性，现已成为众多科学领域的研究热点之一。目前为止，国内外还没有人将CNN应用到遥感影像的光学适配结构选取的实际运用中。若能将二者结合，实现基于CNN的光学适配结构选取，填补光学适配结构选取在深度学习这一领域的空白，实现光学适配结构的自动选取，将具有重要的工程意义，并将产生深远的影响。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于CNN的遥感影像光学适配结构选取方法及系统，首次将CNN应用到光学适配结构自动选取上，考虑了光学适配结构的稳定性、独特性，能较好的选出光学适配结构，能适应多个尺度和旋转，具有较强的适应性。由此解决现有技术中光学适配结构的选取困难，选取效果普遍不佳的技术难题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于CNN的遥感影像光学适配结构选取方法，包括：(1)获取若干个目标正下视遥感影像场景图，对所述若干个目标正下视遥感影像场景图进行对比度变换处理得到遥感影像场景数据集，从所述遥感影像场景数据集中选取若干个光学适配结构正样本，若干个光学非适配结构负样本，所有正样本和负样本构成学习样本集；(2)设计光学适配结构的卷积神经网络CNN分类模型；(3)利用所述学习样本集训练所述CNN分类模型，确定所述CNN分类模型的参数得到目标CNN分类模型；(4)将待选取遥感影像场景图按预设步长进行切割，得到若干固定大小的像素块Patch，并记录每个Patch在所述待选取遥感影像场景图上的坐标；(5)将所述若干固定大小的像素块Patch输入到所述目标CNN分类模型中进行分类，得到多个光学适配结构Patch，以及每个光学适配结构Patch的适配率；(6)对所述多个光学适配结构Patch，根据所述每个光学适配结构Patch的适配率，进行非极大值抑制，以剔除重复度高、适配率低的光学适配结构Patch；(7)对进行非极大值抑制后剩余的每个光学适配结构Patch进行独特性分析，计算各光学适配结构Patch在所述待选取遥感影像场景图的相关面RM、所述相关面RM的主次峰值比SMR及所述相关面RM的最高锋锐度SM，将所述主次峰值比SMR大于第一预设阈值以及所述最高锋锐度SM大于第二预设阈值的光学适配结构Patch输出；(8)将经过独特性分析后的光学适配结构Patch在所述待选取遥感影像场景图上的坐标标记在所述待选取遥感影像场景图上，即得到所述待选取遥感影像场景图的光学适配结构选取的结果图。优选地，所述步骤(1)具体包括：(1.1)获取若干个目标正下视遥感影像场景图，对所述若干个目标正下视遥感影像场景图进行对比度变换处理得到遥感影像场景数据集；(1.2)将所述遥感影像场景数据集中的自然场景子图、人造单一场景子图、不显著性建筑子图、显著性人造建造物子图进行归一化处理；(1.3)将归一化后的自然场景子图、人造单一场景子图、不显著性建筑子图制作为光学非适配结构负样本，并标记-1标签，将归一化后的显著性人造建筑子图作为光学适配结构正样本，并标记为+1标签，由所述负样本与所述正样本构成训练样本集。优选地，所述步骤(5)具体包括：将所述若干固定大小的像素块Patch输入到所述目标CNN分类模型中进行分类，将识别出的标签为+1的Patch作为光学适配结构Patch，并得到每个光学适配结构Patch的适配率。优选地，所述步骤(6)具体包括：(6.1)将识别的标签为+1的光学适配结构Patch，按照各光学适配结构Patch的适配率从低到高进行排序；(6.2)保留适配率最高的光学适配结构Patch；(6.3)计算适配率最高的光学适配结构Patch与其余光学适配结构Patch的重叠面积；(6.4)保留重叠面积小于第三预设阈值的光学适配结构Patch，将大于所述第三预设阈值的光学适配结构Patch滤掉；(6.3)判断剩余的光学适配结构Patch数量是否大于第四预设阈值，若大于，则返回执行步骤(6.2)，否则结束流程。优选地，所述步骤(7)具体包括：(7.1)对经过非极大值抑制后剩余的光学适配结构Patch进行独特性分析，计算各光学适配结构Patch在所述待选取遥感影像场景图的相关面RM；(7.2)找出所述相关面RM上的极值点，设相关面图像为I，若相关面图像I中的像素点(i,j)的像素值满足：I(i,j)＞I(i,j+1)&&I(i,j)＞I(i,j-1)&&I(i,j)＞I(i+1,j)&&I(i,j)＞I(i-1,j)，则点I(i,j)为极值点，找出极值点中的最大值、次大值，即为所述相关面RM的最高峰和次高峰，设Vmax表示所述相关面RM的最高峰峰值，Vsub表示所述相关面RM的次高峰峰值，则主次峰值比为：(7.3)由公式：计算RM的最高锋锐度，其中，Vmax_near＝max{V0,V45,V90,V135}为0度、45度、90度、135度四个方向直径范围柱体内的高度均值的最大值；(7.4)将所述主次峰值比SMR大于所述第一预设阈值以及所述最高锋锐度SM大于所述第二预设阈值的光学适配结构Patch输出。优选地，所述最高锋锐度表示：在相关面区域，以相关面的最高峰峰值点为中心，d为直径，分别取0度、45度、90度、135度直径范围柱体内的所有高度的均值，相关面的最高峰峰值与四个邻域均值的最大值的比值即为最高锋锐度。按照本专利技术的另一方面，提供了一种基于CNN的遥感影像光学适配结构选取系统，包括：样本集获取模块，用于获取若干个目标正下视遥感影像场景图，对所述若干本文档来自技高网...

【技术保护点】
一种基于CNN的遥感影像光学适配结构选取方法，其特征在于，包括：(1)获取若干个目标正下视遥感影像场景图，对所述若干个目标正下视遥感影像场景图进行对比度变换处理得到遥感影像场景数据集，从所述遥感影像场景数据集中选取若干个光学适配结构正样本，若干个光学非适配结构负样本，所有正样本和负样本构成学习样本集；(2)设计光学适配结构的卷积神经网络CNN分类模型；(3)利用所述学习样本集训练所述CNN分类模型，确定所述CNN分类模型的参数得到目标CNN分类模型；(4)将待选取遥感影像场景图按预设步长进行切割，得到若干固定大小的像素块Patch，并记录每个Patch在所述待选取遥感影像场景图上的坐标；(5)将所述若干固定大小的像素块Patch输入到所述目标CNN分类模型中进行分类，得到多个光学适配结构Patch，以及每个光学适配结构Patch的适配率；(6)对所述多个光学适配结构Patch，根据所述每个光学适配结构Patch的适配率，进行非极大值抑制，以剔除重复度高、适配率低的光学适配结构Patch；(7)对进行非极大值抑制后剩余的每个光学适配结构Patch进行独特性分析，计算各光学适配结构Patch在所述待选取遥感影像场景图的相关面RM、所述相关面RM的主次峰值比SMR及所述相关面RM的最高锋锐度SM，将所述主次峰值比SMR大于第一预设阈值以及所述最高锋锐度SM大于第二预设阈值的光学适配结构Patch输出；(8)将经过独特性分析后的光学适配结构Patch在所述待选取遥感影像场景图上的坐标标记在所述待选取遥感影像场景图上，即得到所述待选取遥感影像场景图的光学适配结构选取的结果图。...

【技术特征摘要】
1.一种基于CNN的遥感影像光学适配结构选取方法，其特征在于，包括：(1)获取若干个目标正下视遥感影像场景图，对所述若干个目标正下视遥感影像场景图进行对比度变换处理得到遥感影像场景数据集，从所述遥感影像场景数据集中选取若干个光学适配结构正样本，若干个光学非适配结构负样本，所有正样本和负样本构成学习样本集；(2)设计光学适配结构的卷积神经网络CNN分类模型；(3)利用所述学习样本集训练所述CNN分类模型，确定所述CNN分类模型的参数得到目标CNN分类模型；(4)将待选取遥感影像场景图按预设步长进行切割，得到若干固定大小的像素块Patch，并记录每个Patch在所述待选取遥感影像场景图上的坐标；(5)将所述若干固定大小的像素块Patch输入到所述目标CNN分类模型中进行分类，得到多个光学适配结构Patch，以及每个光学适配结构Patch的适配率；(6)对所述多个光学适配结构Patch，根据所述每个光学适配结构Patch的适配率，进行非极大值抑制，以剔除重复度高、适配率低的光学适配结构Patch；(7)对进行非极大值抑制后剩余的每个光学适配结构Patch进行独特性分析，计算各光学适配结构Patch在所述待选取遥感影像场景图的相关面RM、所述相关面RM的主次峰值比SMR及所述相关面RM的最高锋锐度SM，将所述主次峰值比SMR大于第一预设阈值以及所述最高锋锐度SM大于第二预设阈值的光学适配结构Patch输出；(8)将经过独特性分析后的光学适配结构Patch在所述待选取遥感影像场景图上的坐标标记在所述待选取遥感影像场景图上，即得到所述待选取遥感影像场景图的光学适配结构选取的结果图。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：(1.1)获取若干个目标正下视遥感影像场景图，对所述若干个目标正下视遥感影像场景图进行对比度变换处理得到遥感影像场景数据集；(1.2)将所述遥感影像场景数据集中的自然场景子图、人造单一场景子图、不显著性建筑子图、显著性人造建造物子图进行归一化处理；(1.3)将归一化后的自然场景子图、人造单一场景子图、不显著性建筑子图制作为光学非适配结构负样本，并标记-1标签，将归一化后的显著性人造建筑子图作为光学适配结构正样本，并标记为+1标签，由所述负样本与所述正样本构成训练样本集。3.根据权利要求2所述的方法，其特征在于，所述步骤(5)具体包括：将所述若干固定大小的像素块Patch输入到所述目标CNN分类模型中进行分类，将识别出的标签为+1的Patch作为光学适配结构Patch，并得到每个光学适配结构Patch的适配率。4.根据权利要求3所述的方法，其特征在于，所述步骤(6)具体包括：(6.1)将识别的标签为+1的光学适配结构Patch，按照各光学适配结构Patch的适配率从低到高进行排序；(6.2)保留适配率最高的光学适配结构Patch；(6.3)计算适配率最高的光学适配结构Patch与其余光学适配结构Patch的重叠面积；(6.4)保留重叠面积小于第三预设阈值的光学适配结构Patch，将大于所述第三预设阈值的光学适配结构Patch滤掉；(6.3)判断剩余的光学适配结构Patch数量是否大于第四预设阈值，若大于，则返回执行步骤(6.2)，否则结束流程。5.根据权利要求4所述的方法，其特征在于，所述步骤(7)具体包括：(7.1)对经过非极大值抑制后剩余的光学适配结构Patch进行独特性分析，计算各光学适配结构Patch在所述待选取遥感影像场景图的相关面RM；(7.2)找出所述相关面RM上的极值点，设相关面图像为I，若相关面图像I中的像素点(i,j)的像素值满足：I(i,j)＞I(i,j+1)&&I(i,j)＞I(i,j-1)&&I(i,j)＞I(i+1,j)&&I(i,j)＞I(i-1,j)，则点I(i,j)为极值点，找出极值点中的最大值、次大值，即为所述相关面RM的最高峰和次高峰，设Vmax表示所述相关面RM的最高峰峰值，Vsub表示所述相关面RM的次高峰峰值，则主次峰值比为：(7.3)由公式：计算RM的最高锋锐度，其中，Vmax_near＝max{V0,V45,V90,V135}为0度、45度、90度、135度四个方向直径范围柱体内的高度均值的最大值，其中，所述最高锋锐度表示：在相关面区域，以相关面的最高峰峰值点为中心，d为直径，分别取0度、45度、90度、135度直径范围柱体内的所有高度的均值，相关面的最高峰峰值与四个邻域均值的最大值的比值即为最高锋锐度；(7.4)将所述主次峰值比SMR大于所述第一预设阈值以及所述最高锋锐度SM大于所述第二预设阈值的光学适配结构Patch输出。6.一种基于CNN的遥感影像光学适配结构选取系统，其特征在于，包括：样本集获取模块，用于获取若干个目标正下视遥感影像场景图，对所述若干个目...

【专利技术属性】
技术研发人员：杨卫东，王兴隆，曹治国，徐昭良，蒋哲兴，黎云，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42