本发明专利技术公开了一种基于神经网络的遥感图像目标识别方法，包括S1，通过拍摄装置获取可见光遥感图像和红外遥感图像；S2，对可见光遥感图像进行灰度化处理，获得灰度化图像；S3，对灰度化图像进行自适应降噪处理，获得降噪图像；S4，对红外遥感图像进行中值降噪处理，获得降噪后的红外遥感图像；S5，对降噪后的红外遥感图像进行边缘检测，获得边缘像素点集合S1；S6，在降噪图像中获取S1所对应的像素点的集合S2；S6，在降噪图像中对集合S2中的像素点进行边缘修复处理，获得修复图像；S7，将修复图像输入到预选训练完毕的神经网络模型中进行目标识别处理，获得识别结果。本发明专利技术能够提高对可见光遥感图像进行神经网络识别的准确性。见光遥感图像进行神经网络识别的准确性。见光遥感图像进行神经网络识别的准确性。
【技术实现步骤摘要】
一种基于神经网络的遥感图像目标识别方法
[0001]本专利技术涉及图像识别领域，尤其涉及一种基于神经网络的遥感图像目标识别方法。
技术介绍
[0002]遥感图像是纪录各种地物电磁波大小的胶片或数字相片。随着技术的成熟，遥感图像很快被应用在生产活动中的各个方面，例如农业生产、城市规划、资源统计等。现有技术中，对可见光遥感图像进行目标识别之前，往往需要先进行降噪处理，以降低噪声影响最终的识别准确率。但是，降噪处理会降低可见光遥感图像中的细节信息的含量，这样就会使得将可见光遥感图像输入到神经网络中进行识别时，准确率会受到影响。
技术实现思路
[0003]本专利技术的目的在于公开一种基于神经网络的遥感图像目标识别方法，解决现有技术中，对见光遥感图像进行降噪处理会降低可见光遥感图像中的细节信息的含量，影响到将可见光遥感图像输入到神经网络中进行识别的准确率的问题。
[0004]为了达到上述目的，本专利技术采用如下技术方案：
[0005]一种基于神经网络的遥感图像目标识别方法，包括：
[0006]S1，通过拍摄装置获取可见光遥感图像visrsimg和红外遥感图像infrsimg；
[0007]S2，对visrsimg进行灰度化处理，获得灰度化图像grayimg；
[0008]S3，对grayimg进行自适应降噪处理，获得降噪感图像afgrayimg；
[0009]S4，对infrsimg进行中值降噪处理，获得降噪后的红外遥感图像afinfrsimg；
[0010]S5，对afinfrsimg进行边缘检测，获得边缘像素点集合S1；
[0011]S6，在afgrayimg中获取S1所对应的像素点的集合S2；
[0012]S6，在afgrayimg中对集合S2中的像素点进行边缘修复处理，获得修复图像fiximg；
[0013]S7，将fiximg输入到预选训练完毕的神经网络模型中进行目标识别处理，获得识别结果。
[0014]作为优选，所述拍摄装置包括无人机、固定翼飞机和卫星。
[0015]作为优选，所述S2包括：
[0016]使用如下公式对visrsimg进行灰度化处理：
[0017]grayimg(x,y)＝w1×
R(x,y)+w2×
G(x,y)+w3×
B(x,y)
[0018]式中，(x,y)表示像素点的坐标；w1、w2、w3分别表示预设的第一处理系数、第二处理系数和第三处理系数；grayimg(x,y)表示灰度化图像grayimg中坐标为(x,y)的像素点的像素值；R(x,y)表示图像R中坐标为(x,y)的像素点在的像素值；G(x,y)表示图像G中坐标为(x,y)的像素点在的像素值；B(x,y)表示图像B中坐标为(x,y)的像素点在的像素值；图像R、图像G、图像B分别为visrsimg在RGB颜色模型中的红色分量、绿色分量、蓝色分量所对应的
图像。
[0019]作为优选，所述S3包括：对grayimg进行自适应分区处理，将grayimg分成多个子区域；
[0020]在grayimg中分别对每个子区域进行自适应降噪处理，获得降噪感图像afgrayimg。
[0021]作为优选，所述对grayimg进行自适应分区处理，将grayimg分成多个子区域，包括：
[0022]采用自适应的方式进行分区：
[0023]第一次分区，将grayimg分成像素点数量相同的C个子区域，将本次分区获取的所有子区域存入集合U1；
[0024]分别计算U1中每个子区域的质量分数，将质量分数大于设定的质量分数门槛值的子区域存入进一步分区集合alrU1，将质量分数小于等于设定的质量分数门槛值的子区域存入结果分区集合finU；
[0025]第k次分区，k大于等于2，将alrU
k
‑1中的每个元素分别分成像素点数量相同的C个子区域，将本次分区获取的所有子区域存入集合U
k
；
[0026]分别计算U
k
中每个子区域的质量分数，将质量分数大于设定的质量分数门槛值的子区域存入进一步分区集合alrU
k
，将质量分数小于等于设定的质量分数门槛值的子区域存入结果分区集合finU；
[0027]若alrU
k
中包含的元素的数量小于1，则将结果分区集合finU中的元素作为最终获得的子区域。
[0028]作为优选，所述质量分数通过如下公式计算：
[0029][0030]式中，quasco表示质量分数，set表示子区域中的像素点的集合，grayimg
i
表示set中的像素点i在grayimg中的像素值，numset表示set中的像素点的总数，gvvsv表示预设的像素值方差参考值，imggra
i
表示set中的像素点i的梯度幅值，igvsv表示预设的梯度幅值方差参考值，numfr表示子区域中像素点大于自适应像素值门槛值的像素点的数量。
[0031]作为优选，所述在grayimg中分别对每个子区域进行自适应降噪处理，获得降噪感图像afgrayimg，包括：
[0032]对于子区域chiarea，若chiarea中的像素点的像素值的方差小于设定的方差门槛值，则使用如下方式对chiarea进行降噪处理：
[0033]afgrayimg
d
＝mid(Ω
d
)
[0034]式中，afgrayimg
d
表示chiarea中的像素点d在降噪感图像afgrayimg中的像素值，Ω
d
表示以chiarea中的像素点d为圆心的，半径为R的区域内的像素点的集合，mid(Ω
d
)表示取Ω
d
中的像素点的像素值的中间值；
[0035]若chiarea中的像素点的像素值的方差大于等于设定的方差门槛值，则使用小波
降噪算法对chiarea进行降噪处理；
[0036]分别对每个子区域进行上述降噪处理，获得降噪感图像afgrayimg。
[0037]本专利技术在对可见光遥感图像进行降噪处理后，对与可见光遥感图像在同一时间采集的红外遥感图像也进行降噪处理，然后获取红外遥感图像中的边缘像素点的集合S1，进而获取S1在降噪图像中对应的像素点的集合S2，然后再在降噪图像中对S2中的像素点进行边缘修复处理，获得修复图像。这样的设置方式，能够有效地提高修复图像中包括的像素点的边缘细节信息。从而提高最终的目标检测结果的准确性。
附图说明
[0038]利用附图对本专利技术作进一步说明，但附图中的实施例不构成对本专利技术的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0039]图1，为本专利技术一种基于神经网络的遥感图像目标识别方法的一种示例性实施例图。
具体实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的遥感图像目标识别方法，其特征在于，包括：S1，通过拍摄装置获取可见光遥感图像visrsimg和红外遥感图像infrsimg；S2，对visrsimg进行灰度化处理，获得灰度化图像grayimg；S3，对grayimg进行自适应降噪处理，获得降噪图像afgrayimg；S4，对infrsimg进行中值降噪处理，获得降噪后的红外遥感图像afinfrsimg；S5，对afinfrsimg进行边缘检测，获得边缘像素点集合S1；S6，在afgrayimg中获取S1所对应的像素点的集合S2；S6，在afgrayimg中对集合S2中的像素点进行边缘修复处理，获得修复图像fiximg；S7，将fiximg输入到预选训练完毕的神经网络模型中进行目标识别处理，获得识别结果。2.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法，其特征在于，所述拍摄装置包括无人机、固定翼飞机和卫星。3.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法，其特征在于，所述S2包括：使用如下公式对visrsimg进行灰度化处理：grayimg(x,y)＝w1×
R(x,y)+w2×
G(x,y)+w3×
B(x,y)式中，(x,y)表示像素点的坐标；w1、w2、w3分别表示预设的第一处理系数、第二处理系数和第三处理系数；grayimg(x,y)表示灰度化图像grayimg中坐标为(x,y)的像素点的像素值；R(x,y)表示图像R中坐标为(x,y)的像素点在的像素值；G(x,y)表示图像G中坐标为(x,y)的像素点在的像素值；B(x,y)表示图像B中坐标为(x,y)的像素点在的像素值；图像R、图像G、图像B分别为visrsimg在RGB颜色模型中的红色分量、绿色分量、蓝色分量所对应的图像。4.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法，其特征在于，所述S3包括：对grayimg进行自适应分区处理，将grayimg分成多个子区域；在grayimg中分别对每个子区域进行自适应降噪处理，获得降噪感图像afgrayimg。5.根据权利要求4所述的一种基于神经网络的遥感图像目标识别方法，其特征在于，所述对grayimg进行自适应分区处理，将grayimg分成多个子区域，包括：采用自适应的方式进行分区：第一次分区，将grayimg分成像素点数量相同的C个子区域，将本次分区获取的所有子区域存入集合U1；分别计算U1中每个子区域的质量分数，将质量分数大于设定的质量分...
【专利技术属性】
技术研发人员：黄冬虹，倪燕，王璐，
申请(专利权)人：清研灵智信息咨询北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。