领域知识引导下的遥感图像目标精细类型识别方法及装置制造方法及图纸

本发明专利技术提供一种领域知识引导下的遥感图像目标精细类型识别方法及装置，该方法包括：获取待识别的原始遥感图像，并对原始遥感图像进行多维特征提取，得到原始遥感图像的边缘特征图像和纹理特征图像；对原始遥感图像、边缘特征图像和纹理特征图像进行多流卷积神经网络的特征提取与融合，得到原始遥感图像的融合特征图像；基于该融合特征图像识别待识别目标的初始类别；获取初始类别对应的目标知识模板库，根据目标知识模板库识别待识别目标的精细类型。通过对原始遥感图像进行多维特征的提取和融合，基于融合特征进行目标识别，并结合先验知识对初步识别结果进行精化和再确认，以提升对目标的识别精度，满足对目标的精细类型的高精度识别需求。高精度识别需求。高精度识别需求。

【技术实现步骤摘要】
领域知识引导下的遥感图像目标精细类型识别方法及装置


[0001]本专利技术涉及遥感图像识别
，尤其涉及一种领域知识引导下的遥感图像目标精细类型识别方法及装置。

技术介绍

[0002]目标检测识别已成为高分辨率遥感图像解译的重要任务之一，具体是指在遥感图像中检测感兴趣类别目标的过程，需要检测和识别的信息包括目标的位置和类别信息等。随着人工智能技术的快速发展，目标检测识别的模式已由自动化向智能化转变，因此，产生了基于深度学习的目标识别方法，不需要手工特征设计所需的专业知识和经验，能够从数据中自动学习如何提取特征，将低级特征逐渐组合成中高级(更具抽象和语义意义)特征，得到泛化性好、鲁棒性强以及区分性高的特征表示，可以为图像中的目标提取提供有效的框架。
[0003]虽然基于深度学习的目标识别方法在诸多开源目标检测数据集中有着不俗的表现，但是对于遥感图像，由于受到遥感图像的成像场景大、目标出现频率低、尺度效应明显、观测角度差异大、类内差异大、类间相似度高等诸多因素影响，对目标的识别准确度较低，无法完全满足当前实际应用的需求。在这种情况下，单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种领域知识引导下的遥感图像目标精细类型识别方法，其特征在于，包括：获取待识别的原始遥感图像，并对所述原始遥感图像进行多维特征提取，得到所述原始遥感图像的边缘特征图像和纹理特征图像；对所述原始遥感图像、所述边缘特征图像和所述纹理特征图像进行多流卷积神经网络的特征提取与融合，得到所述原始遥感图像的融合特征图像；基于所述融合特征图像识别所述原始遥感图像中待识别目标的初始类别；获取所述初始类别对应的目标知识模板库，根据所述目标知识模板库识别所述待识别目标的精细类型。2.根据权利要求1所述的领域知识引导下的遥感图像目标精细类型识别方法，其特征在于，所述对所述原始遥感图像、所述边缘特征图像和所述纹理特征图像进行多流卷积神经网络的特征提取与融合，得到所述原始遥感图像的融合特征图像的步骤，包括：根据预设尺寸的滑动窗口和预设的滑动步长，对所述原始遥感图像进行有重叠的格网划分处理，得到所述原始遥感图像对应的多个格网图像；所述边缘特征图像包括各所述格网图像对应的边缘特征子图，所述纹理特征图像包括各所述格网图像对应的纹理特征子图；将目标格网图像、所述目标格网图像对应的边缘特征子图以及所述目标格网图像对应的纹理特征子图输入至经过预训练的多流卷积神经网络模型中，利用所述多流卷积神经网络模型对所述目标格网图像、所述目标格网图像对应的边缘特征子图和所述目标格网图像对应的纹理特征子图进行多流卷积神经网络的特征提取与融合，得到所述原始遥感图像的融合特征图像；所述目标格网图像为所述多个格网图像中的任意一个；所述多流卷积神经网络模型包含权值共享的多个卷积神经网络和注意力机制，所述多个卷积神经网络包括第一卷积神经网络、第二卷积神经网络和第三卷积神经网络；其中，所述第一卷积神经网络的输入为所述格网图像，所述第二卷积神经网络的输入为所述边缘特征子图，所述第三卷积神经网络的输入为所述纹理特征子图；所述注意力机制用于对所述多个卷积神经网络的输出进行特征融合。3.根据权利要求2所述的领域知识引导下的遥感图像目标精细类型识别方法，其特征在于，所述对所述原始遥感图像、所述边缘特征图像和所述纹理特征图像进行多流卷积神经网络的特征提取与融合，得到所述原始遥感图像的融合特征图像之前，还包括：根据各预设类别生成精细分类体系；获取所述精细分类体系下的初始遥感图像；所述初始遥感图像中包含各所述预设类别下的分类目标；获取所述初始遥感图像的标注信息，并基于所述标注信息对所述初始遥感图像进行有重叠的裁剪处理，并从裁剪图像中确定包含所述分类目标的样本图像；基于所述样本图像构建第一样本数据集，并利用所述第一样本数据集对预设的基础多流卷积神经网络模型进行迭代训练；基于各所述预设类别下的分类目标在所述样本图像中对应的图像块，构建所述目标知识模板库中所述精细分类体系对应的目标模板图像；对各所述预设类别下的分类目标在所述样本图像中对应的图像块的均值图像进行二值化处理，以构建所述目标知识模板库中所述精细分类体系对应的目标模板二值化图像；所述目标知识模板库中包括各所述预设类别下的目标模板图像和目标模板二值化图像，以
及所述目标模板图像和所述目标模板二值化图像对应的分类目标的属性信息和全球地理空间分布范围信息；按照预设的角度间隔，在所述目标模板图像中，对目标图像块进行旋转扩增处理，得到所述目标模板图像对应的多个角度图像；所述目标图像块是所述目标模板图像中，经所述多流卷积神经网络模型进行分类识别得到的分类识别结果与真实值不一致的图像块；基于所述目标模板图像和所述角度图像构建第二样本数据集；利用所述第二样本数据集对预设的基础精细分类模型进行迭代训练。4.根据权利要求3所述的领域知识引导下的遥感图像目标精细类型识别方法，其特征在于，所述根据所述目标知识模板库识别所述待识别目标的精细类型之后，还包括：...

【专利技术属性】
技术研发人员：赵理君，胡昌苗，李宏益，霍连志，唐娉，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：