一种基于深度学习的遥感图像船只集成识别方法技术

本发明专利技术公开了一种基于深度学习的遥感图像船只集成识别方法，包括图像分类、目标检测、图像分割。与现有技术相比，本发明专利技术利用现代人工智能深度学习模型结合传统的图像处理方法实现对目遥感图船只的检测和分割；基于深度学习的遥感图像分割方法可以准确识别海域中的船只，适应多种处理环境，对复杂的环境具备较好的抗干扰能力，并且可以准确地分割检测识别后的船只。

A Method of Ship Integrated Recognition Based on Deep Learning in Remote Sensing Images

The invention discloses a remote sensing image integrated ship recognition method based on depth learning, which includes image classification, target detection and image segmentation. Compared with the existing technology, the present invention uses the modern artificial intelligence depth learning model combined with the traditional image processing method to realize the detection and segmentation of the ship in the remote sensing image of the object; the remote sensing image segmentation method based on depth learning can accurately identify the ship in the sea area, adapt to various processing environments, have better anti-interference ability to the complex environment, and can accurately segment and detect the ship in the complex environment. The identified vessel was surveyed.

【技术实现步骤摘要】
一种基于深度学习的遥感图像船只集成识别方法
本专利技术属于计算机视觉
，涉及到的具体领域为目标检测和图像分割，特别是一种基于深度学习的遥感图像船只集成识别方法。
技术介绍
随着遥感信息的发展，遥感图像的处理在图像领域中逐渐占据有重要位置，以遥感图像为平台的检测算法也层出不穷。而针对遥感图像船只目标检测与识别这个任务来说，目前大多数的检测算法是利用传统的提取特征的思路，通过对图像采用预处理和增强技术后，从而去检测目标船只。由于遥感图像的特殊性，遥感图与普通图像相比，很容易受到光照、天气、海况或成像时间等条件因素的影响，云层和海浪信息也会对图像的质量造成干扰。另外，由于卫星波段的不同，图像的分辨率多样，其中高分辨率的船只目标形状、纹理等特征丰富，而低分辨率的船只图像则细节特征模糊。因此遥感图像独特的多样性特征对传统的方法来说是一项巨大的挑战。一般来说，传统的方法，如支持向量机、动态阈值、自适应聚类等，是通过对图片的特征信息进行分类从而实现判断并检测出实际目标。但是传统的特征处理对数据样本的要求较高，对训练样本的敏感度较强，在遥感图像特征较为复杂多样的情况下使用传统方法检测的效果并不本文档来自技高网...

【技术保护点】
1.一种基于深度学习的遥感图像船只集成识别方法，其特征在于，包括以下步骤：S1、图像分类：收集遥感图像数据集，采用ResNet‑34结构的神经网络进行训练，并对所处理的遥感视野区域进行判断是否有船只存在；S2、目标检测：利用ResNet‑101神经网络构架作为特征提取网络，输入S1筛选出来的存在船只的遥感图像到设计好的神经网络中，提取存在船只的遥感图像的特征层，进而获取遥感图像位置信息；S3、图像分割：通过U‑Net构架的神经网络对S1筛选出来的存在船只的遥感图像进行训练，得到存在船只的遥感图像的特征图；并对不同尺度的特征信息图进行转置卷积运算，逐步提升特征信息的分辨率，使存在特征图中的位置信...

【技术特征摘要】
1.一种基于深度学习的遥感图像船只集成识别方法，其特征在于，包括以下步骤：S1、图像分类：收集遥感图像数据集，采用ResNet-34结构的神经网络进行训练，并对所处理的遥感视野区域进行判断是否有船只存在；S2、目标检测：利用ResNet-101神经网络构架作为特征提取网络，输入S1筛选出来的存在船只的遥感图像到设计好的神经网络中，提取存在船只的遥感图像的特征层，进而获取遥感图像位置信息；S3、图像分割：通过U-Net构架的神经网络对S1筛选出来的存在船只的遥感图像进行训练，得到存在船只的遥感图像的特征图；并对不同尺度的特征信息图进行转置卷积运算，逐步提升特征信息的分辨率，使存在特征图中的位置信息得以具体地显现，最终得到船只的分割信息。2.根据权利要求1所述的基于深度学习的遥感图像船只集成识别方法，其特征在于：所述S1具体步骤如下：S11、收集包含全球常见的海域信息的遥感图像组成遥感图像数据集，遥感图像数据集包含30万幅遥感图像，每幅遥感图像的分辨率大小为768pxX768px，格式为RGB三通道彩色图像；标记出所有遥感图像中存在船只的位置、轮廓和在遥感图像中所占像素点位置信息，制作出遥感图像的船只标签集，标签图像为分辨率768pxX768px，单通道灰度图，文件格式为jpg格式图像；S12、图像增强：对存在船只的遥感图像采用图像水平/垂直翻转、图像随机旋转0-30度、图像亮度随机变化、图像对比度随机变化、图像扭曲中的一种或多种方式的组合进行图像增强；S13、交叉验证法训练：将图像增强后的存在船只的遥感图像作为输入图像，采用ResNet-34结构的神经网络对上述遥感图像数据进行训练，在输入过程中采取5折交叉验证的方式进行训练；S14、TTA图像分类推理：对输入图像进行TTA图像分类推理，并将输入图像分别进行水平翻转和垂直翻转后分别进行TTA图像分类推理，将以上推理结果和原始输入图像的推理结果进行融合，然后在训练好的ResNet-34结构的神经网络中进行测试，判断出遥感图视野中是否有船只存在。3.根据权利要求2所述的基于深度学习的遥感图像船只集成识别方法，其特征在于：所述S2具体步骤如下：S21、卷积特征提取：利用ResNet-101网络结构提取存在船只的遥感图像的特征，分别在ResNet-101的五个不同阶段输出的特征层导出存在船只的遥感图像的特征信息；通过特征金字塔网络实现将存在船只的遥感图像不同尺...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61