一种用于遥感卫星上的图像识别方法及系统、终端设备技术方案

本发明专利技术公开一种用于遥感卫星上的图像识别方法及系统、终端设备，其识别方法包括获取待识别的图像；将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用深度卷积神经网络对图像进行识别；预先构建的深度卷积神经网络包括两个分支卷积神经网络；获取所述图像的识别结果。该方法通过对待识别的图像进行预处理，提高了识别的效率，图像能够直接输入到全卷积神经网络中去，免去了复杂的特征提取，减少了数据预处理的难度，降低了算法设计的复杂度，提高了识别精确度。两个分支卷积神经网络分别提取图像的颜色特征和形状特征，提高了图像的分析能力，提高检测的精确度。提高检测的精确度。提高检测的精确度。

【技术实现步骤摘要】
一种用于遥感卫星上的图像识别方法及系统、终端设备


[0001]本专利技术属于可见光图谱智能化处理领域，涉及一种用于遥感卫星上的图像识别方法及系统、终端设备。

技术介绍

[0002]遥感卫星上配备各种可视化，如照相机，能获得大量对地观测照片，具有分辨力高、畸变小、比例尺适中等优点，可广泛应用于科学研究和工农业生产领域，现有设备拍照时，其系统算法在对拍摄对象进行识别时，主要考虑拍摄对象的特征及分类器的设计，常见分类器包括BP神经网络以及SVM等。对于对象特征设计，需要考虑如下两方面：
①
选取不同类别间差距较大的特征，以提高识别的效果，降低识别错误的概率；
②
特征过多会增加计算的复杂度，识别结果不易收敛，识别效率降低。现有方法在特征选取方面较为复杂，识别结果不够精确，导致产生大量星上处理机与地面测控站之间的人工交互数据，致使卫星在轨执行任务效率低。

技术实现思路

[0003]针对现有技术中存在的问题，本专利技术提供一种用于遥感卫星上的图像识别方法及系统、终端设备，从而有效解决了遥感卫星识别结果不够精确，识别效率低的技术问题。
[0004]本专利技术是通过以下技术方案来实现：
[0005]一种用于遥感卫星上的图像识别方法，包括以下步骤：
[0006]S1：获取待识别的图像；
[0007]S2：将所述待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
[0008]S3：将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；所述预先构建的深度卷积神经网络包括两个分支卷积神经网络，所述两个分支卷积神经网络分别提取图像的颜色特征和形状特征；
[0009]S4：获取所述图像的识别结果。
[0010]优选的，所述全卷积神经网络的构建过程为：
[0011]S201：设置所述全卷积神经网络的初始化权重，并对现有的图像数据加入噪声后输入至所述全卷积神经网络中，对所述全卷积神经网络进行训练，得到去噪后的图像；
[0012]S202：将所述去噪后图像与加入噪声前的图像进行对比，得到对比图像的像素平均绝对误差，将所述对比图像的像素平均绝对误差向后传播，依次获取所述全卷积神经网络中各卷积层的误差；
[0013]S203：以获取的所述全卷积神经网络中各卷积层的误差修正所述初始化权重，用修正后的初始化权重再次训练所述全卷积神经网络，直至得到的所述全卷积神经网络中各卷积层的误差符合设计要求，完成所述全卷积神经网络的构建。
[0014]优选的，所述步骤S201具体为对现有的图像数据加入噪声后输入至全卷积神经网
络中，在加有噪声的图像数据向前传播的过程中，使用n
×
n的卷积核进行卷积，由卷积核卷积后的矩阵经过激活函数进行非线性化，得到由卷积层输出的去噪后图像。
[0015]优选的，所述两个分支卷积神经网络均包括输入层、若干卷积层以及若干最大池化层，同时，两个分支卷积神经网络的输出层均为卷积层。
[0016]优选的，所述预先构建的深度卷积神经网络还包括与所述两个分支卷积神经网络的末端连接的识别网络；所述识别网络包括两个最大池化层、卷积层以及全连接层。
[0017]优选的，所述深度卷积神经网络的构建过程为：
[0018]S301：对现有的图像数据进行人工打标签处理，并设置所述深度卷积神经网络运行的初始运行参数；
[0019]S302：在所述初始运行参数条件下，利用现有的图像数据的RGB图像数据和灰度图像数据对所述深度卷积神经网络进行训练，输出网络识别标签；
[0020]S303：将人工设置的标签与所述网络识别标签进行对比，获取对比标签的平均绝对误差，将所述对比标签的平均绝对误差向后传播，获取所述深度卷积神经网络中各卷积层的误差；
[0021]S304：采用所述深度卷积神经网络中各卷积层的误差修正所述初始运行参数，并采用所述修正后的初始运行参数继续训练所述深度卷积神经网络，直至得到的所述深度卷积神经网络中各卷积层的误差符合要求，完成所述深度卷积神经网络的构建。
[0022]优选的，所述步骤S302具体为将现有的图像的RGB图像数据和灰度图像数据分别经两个分支卷积神经网络进行特征识别后，合并输入至识别网络，输出网络识别标签。
[0023]一种用于遥感卫星上的图像识别系统，包括：
[0024]图像获取模块，用于获取待识别的图像；
[0025]图像预处理模块，用于将待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；
[0026]图像识别模块，用于将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；
[0027]图像输出模块，用于获取所述图像的识别结果。
[0028]一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时运行上述方法的步骤。
[0029]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如上述方法的步骤。
[0030]与现有技术相比，本专利技术具有以下有益的技术效果：
[0031]一种用于遥感卫星上的图像识别方法，通过预先构建的全卷积神经网络对待识别的图像进行预处理，对图像去除噪声，提高了识别的效率，同时，采集到的图像能够直接输入到全卷积神经网络中去，免去了复杂的特征提取，即简化了特征的提取，使得数据处理难度和算法复杂度降低，提高了精确度。预处理之后利用深度卷积神经网络实现图像的识别，深度卷积神经网络包括两个分支卷积神经网络，两个分支卷积神经网络分别提取图像的颜色特征和形状特征，提高了图像的分析能力，提高检测的精确度。该方法可以精准识别拍摄对象，提高目标识别效率，有效提高了遥感卫星在轨飞行的执行效率，减少星上处理机与地
面测控站之间的人工交互数据。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0033]图1为本专利技术一种用于遥感卫星上的图像识别方法的流程示意图；
[0034]图2为本专利技术一种用于遥感卫星上的图像识别方法中涉及到网络结构框架图；
[0035]图3为本专利技术实施例中一种用于遥感卫星上的图像识别系统的结构示意图。
具体实施方式
[0036]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于遥感卫星上的图像识别方法，其特征在于，包括以下步骤：S1：获取待识别的图像；S2：将所述待识别的图像输入预先构建的全卷积神经网络中进行预处理，得到去除噪声的图像；S3：将去除噪声的图像输入预先构建的深度卷积神经网络中，并采用所述深度卷积神经网络对所述图像进行识别；所述预先构建的深度卷积神经网络包括两个分支卷积神经网络，所述两个分支卷积神经网络分别提取图像的颜色特征和形状特征；S4：获取所述图像的识别结果。2.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述全卷积神经网络的构建过程为：S201：设置所述全卷积神经网络的初始化权重，并对现有的图像数据加入噪声后输入至所述全卷积神经网络中，对所述全卷积神经网络进行训练，得到去噪后的图像；S202：将所述去噪后图像与加入噪声前的图像进行对比，得到对比图像的像素平均绝对误差，将所述对比图像的像素平均绝对误差向后传播，依次获取所述全卷积神经网络中各卷积层的误差；S203：以获取的所述全卷积神经网络中各卷积层的误差修正所述初始化权重，用修正后的初始化权重再次训练所述全卷积神经网络，直至得到的所述全卷积神经网络中各卷积层的误差符合设计要求，完成所述全卷积神经网络的构建。3.根据权利要求2所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述步骤S201具体为对现有的图像数据加入噪声后输入至全卷积神经网络中，在加有噪声的图像数据向前传播的过程中，使用n
×
n的卷积核进行卷积，由卷积核卷积后的矩阵经过激活函数进行非线性化，得到由卷积层输出的去噪后图像。4.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述两个分支卷积神经网络均包括输入层、若干卷积层以及若干最大池化层，同时，两个分支卷积神经网络的输出层均为卷积层。5.根据权利要求1所述的一种用于遥感卫星上的图像识别方法，其特征在于，所述预先构建的深度卷积神经网络还包括与所述两个分支卷积神经网络的末端连接的...

【专利技术属性】
技术研发人员：李超，赵公方，杨涛，樊诚，黄潇瑶，王小珂，刘曦，
申请(专利权)人：西安微电子技术研究所，
类型：发明
国别省市：