一种由区域到目标的可见光遥感图像候选目标提取方法技术

本发明专利技术涉及一种由区域到目标的可见光遥感图像候选目标提取方法，属于遥感图像处理和分析技术领域，解决了现有候选目标提取方法应用场景受限或提取的候选目标数量太多的问题。包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，第一滑窗的尺寸根据目标大小确定；将上述提取的大尺度区域依次输入到训练好的候选区域识别模型中进行分类，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中进行候选目标提取，第二滑窗的尺寸小于第一滑窗。本发明专利技术实现了在相同的召回率下，提取的候选目标数量远少于现有方法，有效减少目标检测识别工作量，提高后续检测识别的速度和精度；同时，可应用于各种环境场合，克服了场景限制。

A Candidate Target Extraction Method for Visible Remote Sensing Images from Region to Target

【技术实现步骤摘要】
一种由区域到目标的可见光遥感图像候选目标提取方法
本专利技术涉及遥感图像处理和分析
，尤其涉及一种由区域到目标的可见光遥感图像候选目标提取方法。
技术介绍
候选目标提取是可见光遥感图像目标检测识别的重要基础，是检测识别流程中的关键环节。候选目标提取是指通过特定的方法在图像中进行搜索，去除图像中的非目标，保留疑似目标作为候选目标，提供给后续的目标检测识别环节，减少目标检测识别数据处理量，提高检测识别速度和精度。现有的可见光遥感图像候选目标提取方法可以分为两类：基于阈值分割的方法和基于视觉显著性的方法。其中，基于阈值分割的方法利用目标和背景在灰度值、颜色、纹理等方面的差异，寻找合适的阈值将目标和背景区分开。如：利用大津算法进行水陆分割，然后检测边缘，最后根据检测的边缘提取候选舰船目标；利用大津算法分割水陆，然后使用线分割检测器检测线状目标，并将这些目标作为候选舰船；基于轮廓模型的能量函数，采用迭代全局优化的策略实现水陆分割；在海表均匀性分析的基础上，使用融合了像素和区域特征的线性函数来提取候选舰船等等。这类方法存在的主要问题是分割能力有限，一般只能用于背景相对简单的场合，例如舰船检测等。基于视觉显著性的方法模拟了人类的目标搜索过程，利用的信息包括颜色、方向和梯度等。如：利用二值化梯度幅值特征进行飞机候选目标提取；综合利用颜色、方向和梯度等信息计算视觉显著性，并据此提取候选舰船目标等等。这类方法存在的主要问题是针对的是通用目标，所有的有明显几何轮廓的目标都被当作候选目标，因此提取出的候选目标数量较多。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种由区域到目标的可见光遥感图像候选目标提取方法，用以解决现有候选目标提取方法应用场景受限或提取的候选目标数量太多的问题。本专利技术的目的主要是通过以下技术方案实现的：提供了一种由区域到目标的可见光遥感图像候选目标提取方法，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，所述第一滑窗的尺寸根据目标大小确定；将上述提取的大尺度区域依次输入到训练好的候选区域识别模型中进行分类，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中进行候选目标提取，所述第二滑窗的尺寸小于第一滑窗。本专利技术有益效果如下：本专利技术针对可见光遥感图像目标的聚集性特点进行候选目标提取，在相同的召回率下，提取的候选目标数量远少于现有方法(如：对于飞机候选目标提取，相比基于视觉显著性的方法，本专利技术提取的候选目标数量减少约40％；对于舰船候选目标提取，相比基于阈值分割的方法，本专利技术提取的候选目标数量减少约30％)，有利于减少目标检测识别工作量，提高后续检测识别的速度和精度。另外，本专利技术应用场景广泛，适用于可见光遥感图像中的飞机、舰船、车辆等多类目标；还可扩展应用于红外、高光谱、合成孔径雷达候选目标提取，可以满足各种环境场合。有效解决了现有基于阈值分割的候选目标提取方法分割能力有限，应用场景受限及基于视觉显著性的候选目标提取方法提取的候选目标数量太多，不利于后续的目标检测识别的问题。在上述方案的基础上，本专利技术还做了如下改进：进一步，所述候选区域识别模型包括：第一卷积神经网络和第一分类器；所述第一卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层；从第一个全连接层中提取大尺度区域的特征；所述第一分类器为LIBSVM分类器，通过上述提取的大尺度区域特征对大尺度区域进行分类。进一步，所述通过第二滑窗在上述候选区域中进行候选目标提取，包括：利用第二滑窗在上述候选区域中提取出若干小尺度区域；将上述小尺度区域依次输入到训练好的候选目标提取模型，提取候选目标；所述候选目标提取模型包括：第二卷积神经网络和第二分类器；其中，第二卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层，从第一个全连接层中提取小尺度区域的特征；所述第二分类器为LIBSVM分类器，通过上述提取的小尺度区域特征对小尺度区域进行分类。进一步，还包括，采用非极大值抑制对得到的候选区域或候选目标进行筛选，去除冗余的候选区域或候选目标。进一步，采用非极大值抑制对得到的候选区域进行筛选，包括：当出现多个候选区域位置重叠程度超过设定的IOU阈值时，进行非极大值抑制，并按照分数从高到低排列候选区域；从得分最高的候选区域开始，依次和剩下的所有候选区域进行比较，将重叠面积与得分最高的候选区域的面积之比超过预设比值的候选区域舍弃，得到一组筛选后的候选区域；依次对所有候选区域进行同样处理，直到遍历所有的候选区域，得到两两之间重叠面积都小于预设比值的候选区域集合。进一步，所述第一滑窗的大小为图像中目标大小的4倍，第二滑窗的大小为图像中目标大小的1倍。进一步，所述提取大尺度区域，包括：从图像左上角开始，通过第一滑窗从左到右、从上到下的顺序裁剪大尺度区域；所述提取小尺度区域，包括：从图像左上角开始，通过第二滑窗从左到右、从上到下的顺序裁剪小尺度区域。进一步，将第一滑窗的滑动步长设置为小于第一滑窗的长宽尺寸，将分割得到的相邻的大尺度区域之间保留25％的重叠度。进一步，还包括，采集训练数据，并进行标注，对所述候选区域识别模型和候选目标提取模型分别进行训练，得到训练好的候选区域识别和候选目标提取模型。进一步，还包括：对数据集进行干扰加强，所述干扰加强包括数据水平翻转、加噪声或随机裁剪中的至少一种。本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。图1为本专利技术实施例中由区域到目标的可见光遥感图像候选目标提取方法流程图；图2为本专利技术实施例中大尺度区域提取示意图；图3为本专利技术实施例中候选目标提取示意图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。本专利技术的一个具体实施例，公开了一种由区域到目标的可见光遥感图像候选目标提取方法。如图1所示，包括以下步骤：步骤S1、通过第一滑窗在遥感图像中提取大尺度区域，所述第一滑窗的尺寸根据目标大小确定；步骤S2、将上述提取的大尺度区域依次输入到训练好的候选区域识别模型中进行分类，得到包含感兴趣目标的候选区域；步骤S3、通过第二滑窗在上述候选区域中进行候选目标提取，所述第二滑窗的尺寸小于第一滑窗。与现有技术相比，本实施例提供的由区域到目标的可见光遥感图像候选目标提取方法，针对可见光遥感图像目标的聚集性特点进行候选目标提取，在相同的召回率下，提取的候选目标数量远少于现有方法，有利于减少目标检测识别工作量，提高后续检测识别的速度和精度。另外，本专利技术应用场景广泛，适用于可见光遥感图像中的飞机、舰船、车辆等多类目标；还可扩展应用于红外、高光谱、合成孔径雷达候选目标提取，可以满足各种环境场合。有效解决了现有基于阈值分割的候选目标提取方法分割能力有限，应用场景受限及基于视觉显本文档来自技高网...

【技术保护点】
1.一种由区域到目标的可见光遥感图像候选目标提取方法，其特征在于，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，所述第一滑窗的尺寸根据目标大小确定；将上述提取的大尺度区域依次输入到训练好的候选区域识别模型中进行分类，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中进行候选目标提取，所述第二滑窗的尺寸小于第一滑窗。

【技术特征摘要】
1.一种由区域到目标的可见光遥感图像候选目标提取方法，其特征在于，包括以下步骤：通过第一滑窗在遥感图像中提取大尺度区域，所述第一滑窗的尺寸根据目标大小确定；将上述提取的大尺度区域依次输入到训练好的候选区域识别模型中进行分类，得到包含感兴趣目标的候选区域；通过第二滑窗在上述候选区域中进行候选目标提取，所述第二滑窗的尺寸小于第一滑窗。2.根据权利要求1所述的方法，其特征在于，所述候选区域识别模型包括：第一卷积神经网络和第一分类器；所述第一卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层；从第一个全连接层中提取大尺度区域的特征；所述第一分类器为LIBSVM分类器，通过上述提取的大尺度区域特征对大尺度区域进行分类。3.根据权利要求1或2所述的方法，其特征在于，所述通过第二滑窗在上述候选区域中进行候选目标提取，包括：利用第二滑窗在上述候选区域中提取出若干小尺度区域；将上述小尺度区域依次输入到训练好的候选目标提取模型，提取候选目标；所述候选目标提取模型包括：第二卷积神经网络和第二分类器；其中，第二卷积神经网络为VGGNet-16，包含13个卷积层、2个全连接层和1个输出层，从第一个全连接层中提取小尺度区域的特征；所述第二分类器为LIBSVM分类器，通过上述提取的小尺度区域特征对小尺度区域进行分类。4.根据权利要求3所述的方法，其特征在于，还包括，采用非极大值抑制对得到的候选区域或候选目标进行筛选，去除冗余的候选区域或候选目标。...

【专利技术属性】
技术研发人员：李晓斌，江碧涛，王生进，杨渊博，孟钢，傅雨泽，岳文振，孙晓坤，邹飞，李志欣，
申请(专利权)人：北京市遥感信息研究所，
类型：发明
国别省市：北京,11