The present invention relates to a method of extracting dim target from background of single frame star map based on in-depth learning. A full convolution network is constructed to realize end-to-end image pixel-level classification, i.e. extracting features of different scales of spatial images by multi-layer convolution, then sampling images by deconvolution, and fusing features of different scales. The classification of each pixel is completed, and the network parameters are trained supervisively by accurately labeled spatial image data set, and the network model is obtained according to the training, which ultimately achieves the effective extraction of dim targets.
【技术实现步骤摘要】
基于深度学习的单帧星图背景暗弱目标提取方法
本专利技术涉及星空图像处理方法，具体是基于深度学习的单帧星图背景暗弱目标提取方法。
技术介绍
由于空间环境复杂，相机受到空间高能粒子影响，产生辐射噪声不易与目标区分，容易造成错检，又由于暗弱目标信噪比低、面积小，容易淹没在背景噪声中，可能产生漏检。目前，国内外关于星图背景下暗弱目标提取的研究主要为阈值分割方法。文献“王敏，赵金宇，陈涛等。基于时空域的暗弱空间运动点目标检测算法[J]2017”，该方法提供了一条利用相邻像素间相互关系进行检测的思路，计算序列图像小窗口中的相关系数矩阵，设置目标提取阈值，提取相似系数大于设定阈值的区域从而完成暗弱目标检测，该方法计算整个序列图像中的灰度相关性，当目标较暗弱的时候，序列图像中像素间的灰度相关性很低，此时阈值的选取较为困难，阈值选择过低容易将部分噪声检测出来，造成错检，此外，阈值选择过高则很容易将暗弱目标丢失，造成漏检，阈值分割方法提取效果过于依赖分割阈值的选择，导致目标提取效果不好。
技术实现思路
要解决的技术问题星空图像中恒星和目标尺寸都比较小，部分暗弱目标甚至仅占几个像素，且会受到空间辐射噪声、杂散光、热像元等各类噪声的耦合影响。采用阈值分割方法进行目标提取，其提取效果很大程度上依赖分割阈值的选择，且部分辐射噪声灰度与目标近似，无法直接区分。本专利技术将目标提取问题转化为目标分类问题，利用深度学习方法，从大量星图数据中挖掘目标像素间的内在规律，根据其特征向量，对目标和背景区域进行有效分类，不需要人工设定分割阈值，通过结合特征特点设计分类网络，利用标定样本进行监督学习，从而...
【技术保护点】
1.一种基于深度学习的单帧星图背景暗弱目标提取方法，其特征在于步骤如下：步骤a：利用星图仿真随机生成不同仿真星图数据及与其对应的二值化分割后的标记图数据，将星图数据和与星图数据集对应的进行二值化分割后的标记图数据集作为训练数据集；步骤b：训练5个网络模型，分别为SN‑32S、SN‑16S、SN‑8S、SN‑4S、SN‑2S；其中SN‑32S用VGG16模型对其进行网络参数初始化后，直接利用深层特征对图像像素进行分类；而SN‑16S、SN‑8S、SN‑4S、SN‑2S依次用上一网络模型对其进行网络参数的初始化，分别用图像的深层特征与不同层次的浅层特征进行图像特征融合，SN‑2S为最终的目标提取网络模型，网络模型融合的图像不同层次的特征最多；所述的SN‑32S模型的网络为11层，SN‑16S模型的网络为12层，SN‑8S模型的网络为13层，SN‑4S模型的网络为14层，SN‑2S模型的网络为15层；每个模型的训练包括卷积操作、池化操作、上采样操作、特征融合操作、图像大小修正操作与损失计算操作；步骤c：调用训练好的SN‑2S模型，利用该网络模型初始化用于最终目标提取的测试网络的各层网络参数，...
【技术特征摘要】
1.一种基于深度学习的单帧星图背景暗弱目标提取方法，其特征在于步骤如下：步骤a：利用星图仿真随机生成不同仿真星图数据及与其对应的二值化分割后的标记图数据，将星图数据和与星图数据集对应的进行二值化分割后的标记图数据集作为训练数据集；步骤b：训练5个网络模型，分别为SN-32S、SN-16S、SN-8S、SN-4S、SN-2S；其中SN-32S用VGG16模型对其进行网络参数初始化后，直接利用深层特征对图像像素进行分类；而SN-16S、SN-8S、SN-4S、SN-2S依次用上一网络模型对其进行网络参数的初始化，分别用图像的深层特征与不同层次的浅层特征进行图像特征融合，SN-2S为最终的目标提取网络模型，网络模型融合的图像不同层次的特征最多；所述的SN-32S模型的网络为11层，SN-16S模型的网络为12层，SN-8S模型的网络为13层，SN-4S模型的网络为14层，SN-2S模型的网络为15层；每个模型的训练包括卷积操作、池化操作、上采样操作、特征融合操作、图像大小修正操作与损失计算操作；步骤c：调用训练好的SN-2S模型，利用该网络模型初始化用于最终目标提取的测试网络的各层网络参数，将待目标提取的图像输入初始化网络参数后的测试网络中，利用该测试网络提取目标的多层特征并融合不同层次特征，最终得到的输出图像便为目标提取的结果。2.根据权利要求1所述的基于深度学习的单帧星图背景暗弱目标提取方法，其特征在于所述的步骤b具体步骤如下：步骤1：获取训练数据集，设定初始化训练参数，通过读取数据集路径及生成的训练数据集图像名的文本文档，读入训练图像；设定初始化训练参数：批量次数设为100；测试间隔设为10000；平均损失设为20；学习率设为1e-17；学习策略设为fixed；梯度更新权重为0.99；批处理图像数目设置为200；最大训练次数设为100000，权重衰减项设为0.0005；步骤2：使用步骤1获得的数据集训练提取星图暗弱目标的神经网络SN，用VGG16模型进行SN-32S网络各层参数的初始化；步骤2.1：将1024×1024的数据图像集中的图像输入，在输入图像四周加一个大小为20的边框，该边框像素值与原图四周边缘的像素值一致，最终生成的图像记为S，其大小为1064×1064，为神经网络的第一层输入层；步骤2.2：对步骤2.1的结果依次进行2次卷积处理，生成的特征图f1、f2分别命名为conv1_1与conv1_2，进行1次下采样处理，生成的特征图f3命名为pooling1，并在每次卷积操作后加入激活函数加速收敛，为神经网络的第二层；通过公式(1)-公式(3)计算经过卷积处理和下采样处理分别生成的特征图conv1_1、conv1_2和pooling1：conv1_1＝Conv(I＝S，n＝64，p＝100，k＝3×3，s＝1)(1)pooling1＝MaxPooling(I＝conv1_2，k＝2×2，s＝2)(3)其中，本发明中采用的激活函数为ReLU函数；下采样部分采用最大下采样操作扩大网络感受野；Conv(I，n，p，k，s)是对图像I进行卷积操作，n、p、k、s是卷积参数，n表示卷积核的个数，p表示边框的大小，k表示卷积核的大小，s表示卷积核移动的步长；MaxPooling(I，k，s)是对图像I进行最大下采样操作，k、s是下采样参数，k表示卷积核的大小，s表示卷积核移动的步长；步骤2.3：对步骤2.2的结果依次进行2次卷积处理，生成的特征图f4、f5分别命名为conv2_1与conv2_2，进行1次下采样处理，生成的特征图f6命名为pooling2，并在每次卷积操作后加入激活函数加速收敛，为神经网络的第三层；通过公式(4)-公式(6)计算经过卷积处理和下采样处理分别生成的特征图conv2_1、conv2_2和pooling2：pooling2＝MaxPooling(I＝conv2_2，k＝2×2，s＝2)(6)步骤2.4：对步骤2.3的结果依次进行3次卷积处理，生成的特征图f7、f8、f9分别命名为conv3_1、conv3_2与conv3_3，进行1次下采样处理，生成的特征图f10命名为pooling3，并在每次卷积操作后加入激活函数加速收敛，为神经网络的第四层；通过公式(7)-公式(10)计算经过卷积处理和下采样处理分别生成的特征图conv3_1、conv3_2、conv3_3和pooling3：pooling3＝MaxPooling(I＝conv3_3，k＝2×2，s＝2)(10)步骤2.5：对步骤2.4的结果依次进行3次卷积处理，生成的特征图f11、f12、f13分别命名为conv4_1、conv4_2与conv4_3，进行1次下采样处理，生成的特征图f14命名为pooling4，并在每次卷积操作后加入激活函数加速收敛，为神经网络的第五层；通过公式(11)-公式(14)计算经过卷积处理和下采样处理分别生成的特征图conv4_1、conv4_2、conv4_3和pooling4：pooling4＝MaxPooling(I＝conv4_3，k＝2×2，s＝2)(14)步骤2.6：对步骤2.5的结果依次进行3次卷积处理，生成的特征图f15、f16、f17分别命名为conv5_1、conv5_2与conv5_3，进行1次下采样处理，生成的特征图f18命名为pooling5，并在每次卷积操作后加入激活函数加速收敛，为神经网络的第六层；通过公式(15)-公式(18)计算经过卷积处理和下采样处理分别生成的特征图conv5_1、conv5_2、conv5_3和pooling5：pooling5＝MaxPooling(I＝conv5_3，k＝2×2，s＝2)(18)步骤2.7：对步骤2.6的结果进行1次卷积处理，生成的特征图f19命名为conv6，在卷积操作后加入激活函数加速收敛，并进行防止模型过拟合处理，生成的特征图f20命名为dropout1，为神经网络的第七层；通过公式(19)-公式(20)计算经过卷积处理生成的特征图conv6和dropout1：dropout1＝Dropout(I＝conv6，dropout_ratio＝0.5)(20)其中，Dropout(I，dropout_ratio)是对图像I进行防过拟合操作，dropout_ratio表示舍去部分神经元的概率；步骤2.8：对步骤2.7的结果进行1次卷积处理，生成的特征图f21命名为conv7，在卷积操作后加入激活函数加速收敛，然后进行防止模型过拟合处理，生成的特征图f22命名为dropout2，并对特征图f22进行像素分类概率预测，生成的概率预测图p1命名为score_fc7，为神经网络的第八层；通过公式(21)-公式(23)计算经过卷积处理生成的特征图conv7、dropout2及概率预测图score_fc7：dropout2＝Dropout(I＝conv7，dropout_ratio＝0.5)(22)其中，Score(I，num_output，p，k)是对特征图I计算像素分类的概率预测，num_output、p、k是分类概率预测计算的参数，num_output表示像素分类的类数，p表示边框的大小，k表示卷积核的大小；步骤2.9：对步骤2.8的结果进行1次32倍的上采样处理，生成的概率预测图p2命名为deconv1，为神经网络的九层；通过公式(24)计算经过上采样处理生成的概率预测图deconv1：其中，本发明中上采样处理采用线性插值的方法；Deconv(T，num_output，k，s)是对概率预测图T进行上采样操作，num_output、k、s是上采样参数，num_output表示像素分类的类数，k表示卷积核的大小，s表示卷积核移动的步长；步骤2.10：对步骤2.9的结果进行1次图像大小修正处理，使其恢复到输入原图的大小，生成的概率预测图p3命名为crop1，为神经网络的第十层；对第十层的结果进行1次损失计算处理，比较模型预测图中所有像素的分类与真实图像中所有像素所属的类别之间的的误差损失，损失值记为loss1，为神经网络的十一层；通过公式(25)-公式(26)对图像大小进行修正生成概率预测图crop1及损失值loss1：crop1＝Crop(T＝deconv1，axis＝2，offset＝19)(25)loss1＝Softmax(T＝crop1，ignore_label＝255)(26)其中，本发明中采用Softmax函数进行损失计算；Crop(T，axis，offset)是对图像T进行图像大小的修正，axis表示需要剪裁的最低维数，offset表示剪裁的尺寸；Softmax(T，ignore_label)用来衡量概率预测图T中像素的预测值和真实值之间的误差，ignore_label表示计算分类误差过程中需要忽略的像素的像素值；步骤2.11：使用数据集图像多次迭代步骤2.1～步骤2.10训练该神经网络，直到损失收敛，获得并保存模型SN-32S；步骤2.12：使用步骤1获得的数据集训练提取星图暗弱目标的神经...
【专利技术属性】
技术研发人员：孙瑾秋，薛丹娜，郑雨舒，李海森，张艳宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。