一种红外遥感图像火点识别方法技术

本发明专利技术提供一种红外遥感图像火点识别方法，针对网络中空间信息不足的问题，使用原始红外遥感图像作为输入，通过获取的多级响应图来表达各火点目标之间的空间特征，将各级卷积结果作为火点目标的纹理特征，且后级响应图的获取采用前级响应图作为输入，从而融合空间信息和纹理信息，使得多级网络模型训练时根据响应图提供的上下文信息为不易检测的火点目标提供检测线索，有效提高多级网络模型对森林区域红外遥感图像中火点目标的识别率。

A Fire Point Recognition Method for Infrared Remote Sensing Images

【技术实现步骤摘要】
一种红外遥感图像火点识别方法
本专利技术属于图像目标识别领域，尤其涉及一种红外遥感图像火点识别方法。
技术介绍
卫星遥感技术具有观测范围广、采集信息丰富、重复观测能力强等特点，利用遥感图像对森林火灾进行监测，可及时发现火点位置及变化，准确评估火灾损失及影响，对于分布范围广且发灾地区不宜接近的森林火灾，遥感图像火点识别更加具有独特且重要的优势。目前对于遥感图像火点目标识别方法主要为基于浅层特征的传统高温目标识别方法和基于卷积神经网络的机器学习方法。前者主要基于浅层特征进行火点目标识别，常用的红外高温目标识别方法有归一化火点指数(NDFI)法，马氏距离多元截尾法、马氏距离多类判别法，因子分析法等。此类方法对于简单场景目标往往有较好的识别率，然而其构造的浅层特征对场景描述不够精细，很难对所有场景(特别是复杂场景)都能有效适应，而且传统方法比如归一化火点指数(NDFI)法易受到水体、彩钢屋顶的干扰，难以有效识别火点目标。基于卷积神经网络的机器学习方法由于其强大的特征提取和场景目标拟合能力，成为近年来遥感图像领域使用较为热门的方法。该方法不需要人为针对性地设计特征，而是通过逐层卷积、池化交替的方式由浅层特征逐渐构造高级复杂语义特征，对图像目标或场景有较强的特征描述能力，因此在图像分类识别领域有广泛的应用。然而，对于较为相似的难分的不同类型目标或场景，简单的深度卷积网络对于小数据集仍然会有较高的误识别率。
技术实现思路
为解决上述问题，本专利技术提供一种红外遥感图像火点识别方法，能够有效提高多级网络模型对森林区域红外遥感图像中火点目标的识别率。一种红外遥感图像火点识别方法，采用多级网络模型对红外遥感图像中的火点目标进行识别，其中，多级网络模型至少为三级，其获取方法具体为：S1：将森林区域的红外遥感图像作为训练样本，并获取训练样本中火点目标的位置；S2：采用ImageNet数据集上随机获取的红外遥感图像对VGG19网络进行训练，得到VGG19网络的卷积核的核大小；S3：将步骤S2得到的VGG19网络的卷积核的核大小作为第一级卷积网络的初始参数，然后按照设定比例采用部分训练样本对第一级卷积网络进行训练，得到第一级响应图；其中，响应图包括多幅子图；S4：对第一级响应图执行损失函数获取操作，得到第一级损失函数，所述损失函数获取操作为：获取本级响应图的各幅子图的最大特征值点，然后将该最大特征值点的位置作为各幅子图中的火点目标的位置；将得到的各个火点目标的位置与步骤S1中获取的火点目标的位置误差的平方和作为损失函数；S5：构建第二级卷积网络，其中，第二级卷积网络包括至少两级卷积层；按照设定比例，重新选取部分训练样本对第二级卷积网络进行训练，得到经过所有卷积层的第二级特征图以及从任意一级卷积层输出的中间特征图；然后将第二级特征图与第一级响应图进行串联，得到串联特征图；将串联特征图与预设卷积核进行卷积，得到第二级响应图；对第二级响应图执行损失函数获取操作，得到第二级损失函数；S6：将中间特征图均分为M个子特征图，然后分别获取M个子特征图对应的M级响应图，其中，M由中间特征图的大小与响应图的大小之间的倍数关系决定，且各级响应图的获取方法具体为：分别将子特征图与前级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到该子特征图对应的响应图；其中，第一个子特征图的前级响应图为第二级响应图，剩余各子特征图的前级响应图为其前一个子特征图对应的响应图；S7：分别对各子特征图对应的各级响应图执行损失函数获取操作，得到各子特征图对应的M级损失函数；同时，将最后一级损失函数对应的火点目标的位置，作为最终得到的火点目标位置，且获取所有级响应图时采用的卷积核共同构成所述多级网络模型；S8：将所有级的损失函数相加，得到多级网络模型的总损失；然后判断所述总损失是否小于设定阈值，若小于，则此时得到的网络为最终的多级网络模型，若不小于，进入步骤S9；S9：将总损失用于反向传播，调整多级网络模型在获取各级响应图时采用的卷积核的核大小；然后重新获取森林区域的红外遥感图像作为新的训练样本，采用调整后的卷积核的核大小分别取代之前获取各级响应图时采用的卷积核的核大小，重复步骤S3～S8，再次得到总损失，直到总损失小于设定阈值。进一步地，步骤S1中将森林区域的红外遥感图像作为训练样本前，首先通过仿射变换对森林区域的红外遥感图像进行数据增广，增加森林区域的红外遥感图像的数量，再将增广后得到的所有森林区域的红外遥感图像作为训练样本，其中，所述仿射变换包括旋转、平移以及微小扭曲。可选的，所述M＝4，且4个子特征图对应的4级响应图的获取方法具体为：选取其中一个子特征图与步骤S5得到的第二级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到第三级响应图；选取第二个子特征图，与第三级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到第四级响应图；选取第三个子特征图，与第四级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到第五级响应图；选取第四个子特征图，与第五级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到第六级响应图。进一步地，一种红外遥感图像火点识别方法，还包括以下步骤：S10：重新获取森林区域的红外遥感图像作为测试样本，同时获取测试样本中的火点目标位置；S11：采用步骤S8得到的多级网络模型对测试样本进行检测识别，然后将检测识别得到的火点目标的位置与步骤S10得到的火点目标位置作对比，得到多级网络模型的识别率；S12：将识别率划分为“0.85以上”、“0.75～0.85”和“0.75以下”三个类别，并获取每个类别对应的样本及样本数量；S13：通过仿射变换将“0.75～0.85”和“0.75以下”两个类别的样本数量增广至“0.85以上”类别的样本数量的2/3；S14：将“0.85以上”类别的样本与增广后的“0.75～0.85”和“0.75以下”类别的样本进行合并，得到总样本，再将总样本作为训练样本；S15：将步骤S14得到的训练样本代替步骤S1中的样本，重复执行步骤S1～S9，得到识别率更高的多级网络模型。有益效果：本专利技术提供一种红外遥感图像火点识别方法，针对网络中空间信息不足的问题，使用原始红外遥感图像作为输入，通过获取的多级响应图来表达各火点目标之间的空间特征，将各级卷积结果作为火点目标的纹理特征，且后级响应图的获取采用前级响应图作为输入，从而融合空间信息和纹理信息，使得多级网络模型训练时根据响应图提供的上下文信息为不易检测的火点目标提供检测线索，有效提高多级网络模型对森林区域红外遥感图像中火点目标的识别率；同时，本专利技术针对浅层网络不能保证识别率，而深层网络又难以优化的问题，将网络分为多级，并且获取各级网络的损失函数，最后通过总损失反向调节多级网络模型的参数，属于有监督训练，能够有效避免梯度消失，使得最终得到的多级网络模型的识别能力更强。附图说明图1为本专利技术提供的一种红外遥感图像火点识别方法的流程图；图2为本专利技术提供的多级网络模型的结构示意图；图3为本专利技术提供的各级响应图与各级损失函数的对应关系图；图4为本专利技术提供的森林区域的红外遥感图像示意图；图5为本专利技术提供的另一个森林区域的红外遥感图像示意图。具体实施方式为了使本
的人员更好地理解本申请本文档来自技高网...

【技术保护点】
1.一种红外遥感图像火点识别方法，其特征在于，采用多级网络模型对红外遥感图像中的火点目标进行识别，其中，多级网络模型至少为三级，其获取方法具体为：S1：将森林区域的红外遥感图像作为训练样本，并获取训练样本中火点目标的位置；S2：采用ImageNet数据集上随机获取的红外遥感图像对VGG19网络进行训练，得到VGG19网络的卷积核的核大小；S3：将步骤S2得到的VGG19网络的卷积核的核大小作为第一级卷积网络的初始参数，然后按照设定比例采用部分训练样本对第一级卷积网络进行训练，得到第一级响应图；其中，响应图包括多幅子图；S4：对第一级响应图执行损失函数获取操作，得到第一级损失函数，所述损失函数获取操作为：获取本级响应图的各幅子图的最大特征值点，然后将该最大特征值点的位置作为各幅子图中的火点目标的位置；将得到的各个火点目标的位置与步骤S1中获取的火点目标的位置误差的平方和作为损失函数；S5：构建第二级卷积网络，其中，第二级卷积网络包括至少两级卷积层；按照设定比例，重新选取部分训练样本对第二级卷积网络进行训练，得到经过所有卷积层的第二级特征图以及从任意一级卷积层输出的中间特征图；然后将第二级特征图与第一级响应图进行串联，得到串联特征图；将串联特征图与预设卷积核进行卷积，得到第二级响应图；对第二级响应图执行损失函数获取操作，得到第二级损失函数；S6：将中间特征图均分为M个子特征图，然后分别获取M个子特征图对应的M级响应图，其中，M由中间特征图的大小与响应图的大小之间的倍数关系决定，且各级响应图的获取方法具体为：分别将子特征图与前级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到该子特征图对应的响应图；其中，第一个子特征图的前级响应图为第二级响应图，剩余各子特征图的前级响应图为其前一个子特征图对应的响应图；S7：分别对各子特征图对应的各级响应图执行损失函数获取操作，得到各子特征图对应的M级损失函数；同时，将最后一级损失函数对应的火点目标的位置，作为最终得到的火点目标位置，且获取所有级响应图时采用的卷积核共同构成所述多级网络模型；S8：将所有级的损失函数相加，得到多级网络模型的总损失；然后判断所述总损失是否小于设定阈值，若小于，则此时得到的网络为最终的多级网络模型，若不小于，进入步骤S9；S9：将总损失用于反向传播，调整多级网络模型在获取各级响应图时采用的卷积核的核大小；然后重新获取森林区域的红外遥感图像作为新的训练样本，采用调整后的卷积核的核大小分别取代之前获取各级响应图时采用的卷积核的核大小，重复步骤S3～S8，再次得到总损失，直到总损失小于设定阈值。...

【技术特征摘要】
1.一种红外遥感图像火点识别方法，其特征在于，采用多级网络模型对红外遥感图像中的火点目标进行识别，其中，多级网络模型至少为三级，其获取方法具体为：S1：将森林区域的红外遥感图像作为训练样本，并获取训练样本中火点目标的位置；S2：采用ImageNet数据集上随机获取的红外遥感图像对VGG19网络进行训练，得到VGG19网络的卷积核的核大小；S3：将步骤S2得到的VGG19网络的卷积核的核大小作为第一级卷积网络的初始参数，然后按照设定比例采用部分训练样本对第一级卷积网络进行训练，得到第一级响应图；其中，响应图包括多幅子图；S4：对第一级响应图执行损失函数获取操作，得到第一级损失函数，所述损失函数获取操作为：获取本级响应图的各幅子图的最大特征值点，然后将该最大特征值点的位置作为各幅子图中的火点目标的位置；将得到的各个火点目标的位置与步骤S1中获取的火点目标的位置误差的平方和作为损失函数；S5：构建第二级卷积网络，其中，第二级卷积网络包括至少两级卷积层；按照设定比例，重新选取部分训练样本对第二级卷积网络进行训练，得到经过所有卷积层的第二级特征图以及从任意一级卷积层输出的中间特征图；然后将第二级特征图与第一级响应图进行串联，得到串联特征图；将串联特征图与预设卷积核进行卷积，得到第二级响应图；对第二级响应图执行损失函数获取操作，得到第二级损失函数；S6：将中间特征图均分为M个子特征图，然后分别获取M个子特征图对应的M级响应图，其中，M由中间特征图的大小与响应图的大小之间的倍数关系决定，且各级响应图的获取方法具体为：分别将子特征图与前级响应图进行串联，再将串联结果与预设卷积核进行卷积，得到该子特征图对应的响应图；其中，第一个子特征图的前级响应图为第二级响应图，剩余各子特征图的前级响应图为其前一个子特征图对应的响应图；S7：分别对各子特征图对应的各级响应图执行损失函数获取操作，得到各子特征图对应的M级损失函数；同时，将最后一级损失函数对应的火点目标的位置，作为最终得到的火点目标位置，且获取所有级响应图时采用的卷积核共同构成所述多级网络模型；S8：将所有级的损失函数相加，得到多级网络模型的总损失；然后判断所述总损失是否小于设定阈值，若小于，则此时得到的网络为最终的多级网络模型，若不小于，进入步骤S9；S9：...

【专利技术属性】
技术研发人员：杨柱，丁萌，赵艳霞，张俊青，
申请(专利权)人：北京理工雷科电子信息技术有限公司，
类型：发明
国别省市：北京,11