一种基于大尺度遥感图像机库识别方法技术

本发明专利技术涉及图像识别技术领域，尤其涉及一种基于大尺度遥感图像机库识别方法，包括S1、对卫星可见光遥感图像进行图片预处理；S2、引入注意力机制定位遥感地图中的机场位置；S3、利用机库图片数据集训练YOLOv5网络；S4、利用迁移学习与超参数优化来改进YOLOv5网络检测精度与网络训练效率，实现从遥感大图中迅速对机库的识别。本发明专利技术将注意力机制与深度学习网络结合，分步识别高精度卫星可见光遥感图像中机库目标，相较于当前通用的判读员查找方法，在保证精度目标的同时，大幅提升检测时效性，并对其他目标的识别提供一定迁移性。并对其他目标的识别提供一定迁移性。并对其他目标的识别提供一定迁移性。

【技术实现步骤摘要】
一种基于大尺度遥感图像机库识别方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于大尺度遥感图像机库识别方法。

技术介绍

[0002]目前针对机场附近机库类目标识别的相关研究多集中于雷达、红外遥感和光电成像等基础手段，其遥感波段通常处于非可见光区，所用方法也主要基于人工设计的特征算子，而基于计算机视觉与深度学习的方法相对较少。在计算机视觉领域，现有的传统方法通常以典型机库类目标基本轮廓为基础建立多组线段组成的洞库外观数学模型，利用可见光或红外传感器采集洞库类目标图像，并基于该数学模型提取洞库类目标边缘信息，对图像做霍夫直线变换，识别洞库类目标两侧的直线结构，从而识别机库。该方法虽然充分利用了洞库类目标的基本几何特征，但当采集图像中洞库类目标占比明显较小、背景条件较复杂的情况下识别效果较差。同时，该类算法也面临成本较高、实现难度较大、通用性较差、发展较慢等问题，尤其是在观测场景、应用环境等发生改变时，算法几近失效。因此，开展基于计算机视觉的洞库类目标识别技术的研究十分必要。

技术实现思路

[0003]本专利技术所要解决的技术问题是：将注意力机制与深度学习网络结构结合、分步识别高精度卫星可见光遥感图像中机库，解决了现有方法准确性低的问题；同时，解决现有技术中采用硬件设备方法，大幅降低成本。
[0004]本专利技术所采用的技术方案是：一种基于大尺度遥感图像机库识别方法包括以下步骤：S1、对卫星可见光遥感图像进行图片预处理；所述图片预处理是利用最近邻点法选出图像中尺度大的点，再经过降采样，并进行二值化处理，将处理后的图像分割为若干幅NW*NW的小尺寸图像，并进行标号，将处理前后对应位置的图像标号一一对应；预处理步骤在保证遥感图像信息鲁棒性的同时，充分降低了后续图像处理任务的复杂性；利用简单线性迭代聚类法在经降采样处理后的过渡图像中生成规则紧凑且簇数可调的超像素，将图像分解为具有良好边界的均匀子区域，旨在简化图像细节并突出结构信息；进一步的，简单线性迭代聚类算法是在分割后的图像中构建超像素过程，构建超像素过程包括：首先以步长为S的网格中心初始化聚类中心点，其中，l
j
,a
j
,b
j
为颜色的色度值，x
j
,y
j
为水平和垂直像素；接着将聚类中心点移动至邻域的最小梯度位置；最后进行迭代直至收敛；
对于每个中心点，从它的的邻接区域中，通过计算距离测量分配最佳匹配的像素点；计算新的聚类中心点；计算残留率E，如果E小于阈值，算法收敛，超像素生成。
[0005]S2、引入注意力机制定位遥感地图中的机场位置，用于构建简单互补的注意力模型，具体包括如下步骤：S21、利用VOS根据内部对比度和超像素之间的空间位置的相互作用生成自下向上的显著图；构建对比度（CT）模型如下：（3）其中，表示在L
×
a
×
b的色彩空间中超像素和间的平均色彩距离，是反映面积距离影响的连接项；将对象作为一个整体分割，得到标记为同等显著的感兴趣的区域（Region of Interes ROI）；然而，在大多数情况下，机场区域被分割成若干块，由一组相邻的超级像素组成；这些超像素可能相互抑制，导致显著性分布不均匀；因此，引入补偿项以便机场区域能够统一突出显示；设是的一组超像素，使用局部平滑方案获得VOS，如下所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）S22、利用任务驱动型模型（Knowledge
‑
OrientedSaliency,KOS)检测线段并根据线密度分布绘制自上而下的显著图；构建KOS层用以强调机场跑道的几何特征，若某超像素中包含更多的线元素，则应将其标记为更显著；同时，长度贴近于工程标准长度，结合遥感图像分辨率计算后在相应的线段赋予相应的权重；利用LSD直线检测算法，对于每一个超像素，定义长度加权线密度为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，是区域中包含的像素数，是LSD检测到的线段上的像素数；考虑到应该将含机场跑道的超像素与其他如含高速公路跑道等的超像素进行区分，还应保证超像素中的线段质量，因此应设计一个强调因子防止相似超像素的干扰：
ꢀꢀꢀ
（6）其中，是并入超像素的所有线段的长度；S23、从图像对比度和检测平行线的角度，利用KOS和VOS结合的注意力特征表示来
指导能量最小化过程，在一个小的局部操作窗口内获取机场轮廓；KOS和VOS结合，得到最终的注意力模型：
ꢀꢀꢀ
（7）S24、将使用注意力模型检测降采样处理后的全部过渡图像输入公式（7）中，保留输出结果中所有含有机场轮廓的图像，并根据其标号索引至未经降采样处理的遥感原图处，并认定该分割后的原像素遥感图像为感兴趣的区域；增加机场部分与复杂背景的区分度，应当突出线段高密度区域，利用高斯形式建立KOS模型：
ꢀꢀꢀ
（8）其中，为长度加权线密度，为调节KOS值域范围的常数；利用最终的注意力模型快速检索步骤S1中得到的降采样分割后的NW*NW的图像，快速定位机场所在区域，并根据机场所在的小图标号检索至遥感原图对应区域，获得ROI；S3、利用机库图片数据集训练并改进YOLOv5网络模型；YOLOv5网络参数包括学习率、冲量常数和权值衰减等参数；其中，学习率是保证模型收敛性的参数，设置一个足够小的学习率使参数大致收敛在极值附近，而学习率过大会导致目标函数在最低点附近跳跃；冲量常数旨在提高收敛速率；权值衰减系数为损失函数正则项前的系数，旨在调节模型复杂度对损失函数的影响；若权值衰减系数过大，则复杂模型损失函数值也偏大；对ROI区域分割的小图进行目标检测，检验精度指标用mAP（mean Average Precision）表示，代表多个类别AP的平均值；因只检测单一机库类别，所以可直接用AP作为裂缝检测的评价指标；AP代表模型检测效果的优劣程度，数值越大表示检测结果越好；根据召回率（Recall）和准确率（Precision）制作一条曲线，该条曲线下面的区域面积就是AP，AP值就是对该面积进行积分，具体公式为:
ꢀꢀ
（9）式中，J为精确率；H为召回率；Z
J
为被识别出的机库的正类样本数量；F
J
为被识别出来的不含机库的负样本数量；F
N
为没有被识别的含机库的正类样本数量；S4、利用迁移学习与超参数优化来提升YOLOv5网络模型检测精度与训练效率，实现从遥感大图中迅速对机库的识别；
所述迁移学习是利用开源DOTA数据集对YOLOv5网络进行预训练，使YOLOv5网络接受任意四边形的坐标框；并采用网络公开的遥感数据集进行迁移学习，使用在遥感数据集上学习到的权值作为YOLOv5网络的初始值；所述超参数优化是利用遗传算法模拟种群个体不断进化以逐渐适应环境的过程，优化YOLOv5网络模型的超参数，通过编码初始化种群，评估种群中个体适应度，通过编码、选择算子、交叉算子和变异算子，检验是否达到遗传代数。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大尺度遥感图像机库识别方法，其特征在于，包括以下步骤：S1、对卫星可见光遥感图像进行图片预处理；S2、引入注意力机制定位遥感地图中的机场位置，构建简单互补的注意力模型；S3、利用机库图片数据集训练YOLOv5网络；S4、利用迁移学习与超参数优化来改进YOLOv5网络检测精度与网络训练效率，实现从遥感大图中迅速对机库的识别。2.根据权利要求1所述的基于大尺度遥感图像机库识别方法，其特征在于：步骤S1的所述图片预处理是利用最近邻点法对遥感图像进行降采样和二值化处理，利用线性迭代聚类算法在降采样处理后的过渡图像中，生成规则紧凑且簇数可调的超像素，将图像分解为具有良好边界的均匀子区域。3.根据权利要求2所述的基于大尺度遥感图像机库识别方法，其特征在于：所述超像素的构建过程包括：首先，以步长为S的网格中心初始化聚类中心点；其次，将聚类中心点移动至邻域的最小梯度位置；最后，进行迭代直至收敛；对于每个中心点，从它的的邻接区域中，通过计算距离测量分配最佳匹配的像素点，计算新的聚类中心点，计算残留率E，如果E小于阈值，算法收敛，超像素生成。4.根据权利要求3所述的基于大尺度遥感图像机库识别方法，其特征在于：所述注意力模型的构建包括如下步骤：S21、利用VOS根据内部对比度和超像素之间的空间位置的相互作用生成自下向上的显著图；构建对比度模型如下：（3）其中，表示在L
×
a
×
b的色彩空间中超像素和间的平均色彩距离，是反映面积距离影响的连接项；设是的一组超像素，我们使用局部平滑方案获得VOS，如下所示：（4）S22、利用KOS检测线段并根据线密度分布绘制自上而下的显著图；构建KOS层用以强调机场跑道的几何特征，若某超像素中包含更多的线元素，则应将其标记为更显著；同时，长度贴近于工程标准长度，结合遥感图像分辨率计算后在相应的线段赋予相应的权重；利用LSD直线检测...

【专利技术属性】
技术研发人员：孙莉，张元淳，刘嘉奇，丁莎，郑培清，
申请(专利权)人：江苏思远集成电路与智能技术研究院有限公司，
类型：发明
国别省市：