一种基于深度学习的遥感影像舰船轮廓提取方法技术

本发明专利技术提供一种基于深度学习的遥感影像舰船轮廓提取方法，步骤包括：S1：基于卷积神经网络的目标检测方法对获取的遥感影像进行目标识别与定位，得到目标检测结果图；S2：基于全卷积网络对获取的遥感影像进行语义分割，得到与目标检测结果图对应的分割图；S3：融合目标检测结果图和与之对应的分割图，得到轮廓提取结果。本发明专利技术一方面，利用基于卷积神经网络的目标检测模型对舰船目标进行准确定位；另一方面，利用基于全卷积网络的语义分割模型对定位区域内的舰船目标进行轮廓的精确提取。可减少人工操作所带来的干扰，实现自动化与智能化遥感影像舰船轮廓提取，同时可有效提升解译的精度与效率。

【技术实现步骤摘要】
一种基于深度学习的遥感影像舰船轮廓提取方法
本专利技术涉及遥感影像处理与信息提取
，特别涉及一种基于深度学习的遥感影像舰船轮廓提取方法。
技术介绍
遥感(RemoteSensing,RS)是指非接触的，远距离的探测技术[1]。目前遥感技术已广泛应用于农业、国防、海洋等领域。遥感技术对于推动国家基础设施建设、国防建设以及国家经济发展具有重要意义。遥感影像作为成像遥感数据的主要存储方式，对于后期的遥感信息提取及应用具有重要的意义，因此对于遥感影像的处理显得尤为重要。遥感影像的处理大致可以分为两大部分：①对遥感影像进行像素级别的处理，比如进行遥感影像的辐射校正、几何纠正、投影变换及镶嵌变换等；②对遥感影像进行特征、语义级别的处理，比如遥感影像的特征提取、遥感影像的分类、遥感影像识别以及遥感影像地物轮廓提取等。其中遥感影像的地物目标检测和轮廓提取具有重要的军事意义和民用价值。对遥感影像中的地物进行目标检测和轮廓提取，为军事侦察、军事测绘以及图像末制导技术提供了重要的信息和技术支持[2]；同时遥感影像中的地物目标检测和轮廓提取对于资源调查、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影像舰船轮廓提取方法，其特征在于：包括如下步骤：/nS1：基于卷积神经网络的目标检测方法对获取的遥感影像进行目标识别与定位，得到目标检测结果图；/nS2：基于全卷积网络对获取的遥感影像进行语义分割，得到与目标检测结果图对应的分割图；/nS3：融合目标检测结果图和与之对应的分割图，得到轮廓提取结果。/n

【技术特征摘要】
1.一种基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：包括如下步骤：
S1：基于卷积神经网络的目标检测方法对获取的遥感影像进行目标识别与定位，得到目标检测结果图；
S2：基于全卷积网络对获取的遥感影像进行语义分割，得到与目标检测结果图对应的分割图；
S3：融合目标检测结果图和与之对应的分割图，得到轮廓提取结果。


2.如权利要求1所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：步骤S1包括：
S1.1：利用卷积神经网络区域生成算法处理遥感影像生成候选区域，并利用卷积神经网络提取候选区域的特征，对特征进行分类并对区域内目标进行识别与定位；
S1.2：采用边界框回归算法对提取的目标的初始坐标进行校正，同时利用非极大值抑制算法删除冗余的目标框，得到最终的检测结果图。


3.如权利要求2所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：所述的目标检测方法为FasterR-CNN目标检测算法，步骤S1.1包括：
S1.1.1：将待检测遥感影像输入FasterR-CNN目标检测算法，利用VGG16提取影像的相应特征图；
S1.1.2：在VGG16提取的特征图上利用RPN区域候选框网络产生一系列的候选框；
S1.1.3：利用RoIPooling处理后输入到R-CNN目标检测头，实现候选框的坐标回归和类别的检测，得到目标框坐标和目标的类别及类别置信度。


4.如权利要求3所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：确定FasterR-CNN目标检测算法的损失函数，利用反向传播算法对FasterR-CNN目标检测算法进行训练，使损失函数下降到一个合适的值。


5.如权利要求4所述的基于深度学习的遥感影像舰船轮廓提取方法，其特征在于：FasterR-CNN目标检测算法的损失函数为：



i表示遥感影像中锚框的索引，pi表示锚框预测为目标的概率，ti＝{tx，ty，tw，th}为一个向量，表示预测的包围框的4个参数化坐标。表示锚框真实目标的概率，表示真实的参数化包围框坐标；

为：



ti与为：

<...

【专利技术属性】
技术研发人员：张晓东，张力飞，陈关州，朱坤，谭效良，廖溥昀，王铜，
申请(专利权)人：湖北富瑞尔科技有限公司，
类型：发明
国别省市：湖北;42