一种遥感图像中目标对象的识别方法及其存储介质和系统技术方案

本发明专利技术公开了一种遥感图像中目标对象的识别方法及其存储介质和系统，所述方法包括：S1、在所述遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息；S2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；S3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。本发明专利技术只针对复杂背景图像区域生成高分辨率图像，从而相对于对整个遥感图像进行超分辨率重建而言，大大减少了需要进行超分辨率重建的计算量，从而提高了计算设备处理遥感图像的效率。

【技术实现步骤摘要】
一种遥感图像中目标对象的识别方法及其存储介质和系统
本专利技术涉及遥感图像处理
，具体地，涉及一种遥感图像中目标对象的识别方法及其存储介质和系统。
技术介绍
在现有技术中，遥感图像被广泛应用于农业、交通以及工业生产等各个领域。通过图像识别技术可以识别遥感图像中感兴趣的目标对象，并对目标对象进行标记，从而可以通过遥感图像实现对目标对象的监控。由于遥感图像是在高空环境下拍摄的，因此相对于其他场景下采集的图像，遥感图像的空间分辨率更高。因此在遥感图像中单一目标对象所占用的像素数也更少，在同样大小的图像区域内，遥感图像所显示的对象更加密集。因此，在遥感图像中识别较小的目标对象的难度也更高。以标记道路上的车辆为例，当该道路是穿越草原或者荒地的道路时，由于道路两侧的背景图像相对比较简单，因此在识别道路上的车辆时，道路两侧的背景噪声对道路以及车辆的影响很小。再比如说，在城市上空拍摄的遥感图像中，由于城市主干道的宽度足够宽，并且主干道的走向相对比较规则，因此在进行车辆识别时，主干道两侧的建筑物对识别准确度的影响也比较小。但是对于城市街区之间的细小道路，由于建筑物密集等各种原因导致背景图像既不规则又很复杂时，由于在遥感图像中车辆目标本身占有的像素少并且边缘以及色彩等特征不明显，因此背景噪声往往使得难于对道路上的车辆做出准确的标记。如果要准确识别和标记遥感图像中具有复杂图像背景下的目标对象，就需要对遥感图像进行超分辨率重建，以便生成像素数比遥感图像更多的高分辨率图像。但是，随着遥感图像的分辨率越来越高，如果每次都对整个遥感图像进行超分辨率重建，则势必会增加重建过程的计算负担，从而导致计算效率低下。针对上述的现有技术中存在的在遥感图像中难于对目标对象进行准确的识别和标记，如果对整个遥感图像进行超分辨率重建会导致计算效率低下的技术问题，目前尚未提出有效的解决方案。
技术实现思路
为解决上述技术问题，本专利技术提供一种遥感图像中目标对象的识别方法，所述方法包括以下步骤：S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息；S2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；S3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。优选地，所述步骤S1的具体实现方式包括：S11、提取遥感图像中的纹理特征，生成与所述遥感图像对应的纹理图像；S12、利用预先设置的纹理特征识别模型，确定所述纹理图像中的不规则纹理区域，其中所述不规则纹理区域包含密集的不规则纹理特征；S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域。优选地，所述步骤S12的具体实现方式包括：S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域，其中所述纹理特征识别模型为神经网络模型，且所述待识别纹理区域的格式与预先设置的神经网络模型匹配；S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域；S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量，其中所述第一向量包括以下参数：所述第一向量所对应的纹理图像区域的横坐标、所述第一向量所对应的纹理图像区域的纵坐标、所述第一向量所对应的纹理图像区域的宽度、所述第一向量所对应的纹理图像区域的高度以及所述第一向量所对应的纹理图像区域为不规则纹理区域的置信度；S124、根据所述第一向量中包含的参数，在所选择的待识别纹理区域中确定不规则纹理区域。优选地，所述步骤S13的具体实现方式包括：S131、确定所述不规则纹理区域在纹理图像中的位置信息以及宽高信息；S132、根据所述不规则纹理区域在纹理图像中的位置信息以及宽高信息，确定所述复杂背景图像区域在遥感图像中的位置信息以及宽高信息。优选地，所述步骤S3的具体实现方式包括：S31、将所述高分辨率图像划分成多个待识别图像区域，其中所述待识别图像区域的格式与预先设置的第一目标对象识别模型匹配；S32、从所划分的多个待识别图像区域中选择一个待识别图像区域；S33、利用所述第一目标对象识别模型生成与所选择的待识别图像区域中的多个图像区域分别对应的第二向量，其中所述第二向量包括以下参数：所述第二向量所对应的图像区域的横坐标、所述第二向量所对应的图像区域的纵坐标、所述第二向量所对应的图像区域的宽度、所述第二向量所对应的图像区域的高度以及所述第二向量所对应的图像区域为目标对象的置信度；S34、根据所述第二向量中包含的参数，在所选择的待识别图像区域中识别目标对象。优选地，还包括利用预先设置的第二目标对象识别模型对所述遥感图像中目标对象直接进行识别，并根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正。优选地，根据高分辨率图像中所识别的目标对象对关于遥感图像中目标对象直接识别的识别结果进行修正的具体实现方式包括：S41、确定所述高分辨率图像中所识别的目标对象在所述高分辨率图像中的第一位置信息；S42、根据所确定的第一位置信息，确定所述高分辨率图像中的目标对象在所述遥感图像中的第二位置信息；S43、根据所述第二位置信息对步骤S3中的所述遥感图像的识别结果进行修正。一种遥感图像中目标对象的识别系统，包括处理器，以及与处理器连接的存储器，所述存储器用于为处理器中所执行的处理步骤提供执行指令，其中处理器包括：复杂背景图像区域确定模块，用于确定所述遥感图像中需要进行超分辨率重建的复杂背景图像区域；高分辨率图像生成模块，用于生成所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；目标对象识别模块，用于利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别所述目标对象，以及用于利用预先设置的第二目标对象识别模型，在所述遥感图像中识别所述目标对象并进行修正。一种存储介质，所述存储介质包括存储程序，其中，在所述程序运行时由处理器执行上述所述的方法。与现有技术相比，本专利技术并不是对整个遥感图像进行超分辨率重建，而是首先在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域；也就是说，首先在遥感图像中识别出背景图像对目标对象形成干扰的复杂背景图像区域，然后只针对复杂背景图像区域生成高分辨率图像，从而相对于对整个遥感图像进行超分辨率重建而言，大大减少了需要进行超分辨率重建的计算量，从而提高了计算设备处理遥感图像的效率。同时，利用本专利技术所述识别方法还能够对直接从遥感图像中识别的目标对象进行修正。附图说明图1是用于实现根据本公开实施例所述的方法的计算设备的硬件结构框图；图2是根据本公开实施例所述的识别遥感图像本文档来自技高网...

【技术保护点】
1.一种遥感图像中目标对象的识别方法，其特征在于，所述方法包括以下步骤：/nS1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息，具体包括：/nS11、提取遥感图像中的纹理特征，生成与所述遥感图像对应的纹理图像；/nS12、利用预先设置的纹理特征识别模型，确定所述纹理图像中的不规则纹理区域，其中所述不规则纹理区域包含密集的不规则纹理特征；/nS13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域；/nS2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；/nS3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。/n

【技术特征摘要】
1.一种遥感图像中目标对象的识别方法，其特征在于，所述方法包括以下步骤：
S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息，具体包括：
S11、提取遥感图像中的纹理特征，生成与所述遥感图像对应的纹理图像；
S12、利用预先设置的纹理特征识别模型，确定所述纹理图像中的不规则纹理区域，其中所述不规则纹理区域包含密集的不规则纹理特征；
S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域；
S2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；
S3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。


2.如权利要求1所述的遥感图像中目标对象的识别方法，其特征在于，所述步骤S12的具体实现方式包括：
S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域，其中所述纹理特征识别模型为神经网络模型，且所述待识别纹理区域的格式与预先设置的神经网络模型匹配；
S122、从所划分的多个待识别纹理区域中选择一个待识别纹理区域；
S123、利用所述神经网络模型生成与所选择的待识别纹理区域中的多个纹理图像区域分别对应的第一向量，其中所述第一向量包括以下参数：所述第一向量所对应的纹理图像区域的横坐标、所述第一向量所对应的纹理图像区域的纵坐标、所述第一向量所对应的纹理图像区域的宽度、所述第一向量所对应的纹理图像区域的高度以及所述第一向量所对应的纹理图像区域为不规则纹理区域的置信度；
S124、根据所述第一向量中包含的参数，在所选择的待识别纹理区域中确定不规则纹理区域。


3.如权利要求2所述的遥感图像中目标对象的识别方法，其特征在于，所述步骤S13的具体实现方式包括：
S131、确定所述不规则纹理区域在纹理图像中的位置信息以及宽高信息；
S132、根据所述不规则纹理区域在纹理图像中的位置信息以及宽高信息，确定所述复杂背景图像区域在遥感图像中的位置信息以及宽高信息。


4.如权利要求3所述的遥感图像中目标对象的识别方法，其特征在于，所述步骤S3的具体实现方式包括：
S31、将所述高分辨率图像划分成多...

【专利技术属性】
技术研发人员：李杰雄，黄江峰，姚康宁，唐恒钊，彭宏程，
申请(专利权)人：湖南航天捷诚电子装备有限责任公司，
类型：发明
国别省市：湖南;43