一种超大幅面遥感影像异常区域检测方法技术

本发明专利技术提供了一种超大幅面遥感影像异常区域检测方法，涉及图像检测技术领域；该方法包括以下步骤：S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练；S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类；选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取；S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合；本发明专利技术的有益效果是：实现了实景三维图像中，形状不规则异常区域的精细化检测。精细化检测。精细化检测。

【技术实现步骤摘要】
一种超大幅面遥感影像异常区域检测方法


[0001]本专利技术涉及图像检测
，更具体的说，本专利技术涉及一种超大幅面遥感影像异常区域检测方法。

技术介绍

[0002]遥感是通过卫星上的传感器对地球进行特定电磁波谱段的成像，是以航空摄影技术为基础发展起来的一门技术。通过遥感探测，能够在短时间内，对地球上大范围的地区进行多层次、多视角的观测，是获取环境信息和地球资源的重要手段。
[0003]实景三维中超大幅面地形级遥感影像的异常区域尺度变化大，使用目标检测方法识别整个异常区域难度较大。另外，当异常区域形状不规则，且尺度过大时，目标检测获得的外接矩形框中除了涵盖异常区域，还涵盖大面积非异常区域；因此需要对超大幅面遥感影像异常区域进行精细化的检测。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供一种超大幅面遥感影像异常区域检测方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种超大幅面遥感影像异常区域检测方法，其改进之处在于，该方法包括以下步骤：S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练，在训练过程中使用分割的窗口作为训练数据，并对每个窗口进行分类；S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层语义特征的异常区域的检测；选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域；S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合，获得遥感影像的异常区域。
[0006]进一步的，步骤S10中，包括以下步骤：S101、训练数据的采集和标注，进行超大幅面遥感影像的采集，并对分割的窗口进行标注,在标注中，将异常区域占窗口面积超过门限的作为异常窗口样本，其他窗口作为正常窗口样本;S102、模型训练，使用大规模标注的分割窗口作为训练数据，对神经网络ResNet
‑
18进行训练后，获得二分类器，该二分类器用于将分割窗口分类为异常窗口或非异常窗口；S103、异常区域相似度门限计算，在基于相似度扩张中，通过神经网络ResNet
‑
18的浅层特征Conv2_x和中层特征Conv5_x进行异常区域的相似性计算。
[0007]进一步的，步骤S101中，所述门限t1=0.5。
[0008]进一步的，步骤S103中，通过浅层特征Conv2_x进行异常区域的相似度计算，包括以下步骤：S1031、使用训练好的ResNet
‑
18，提取训练集每个窗口样本的特征向量；S1032、计算每一对异常窗口之间的特征欧式距离，并计算每一对异常窗口和正常窗口之间的特征欧式距离；S1033、使用直方图对所获得的特征欧式距离进行统计，获得门限threshold_1，当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1，则认为异常区域的核心将需要判断的窗口判为异常窗口。
[0009]进一步的，所述特征向量的大小为64*56*56维。
[0010]进一步的，步骤S20中，对超大幅面遥感影像进行分割包括：将超大幅面遥感影像分割为个窗口，形成窗口矩阵Matrix，矩阵大小则为M
×
N。
[0011]进一步的，步骤S20中，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层语义特征的异常区域的检测，包括：使用训练好的卷积神经网络对个窗口进行分类，获得每个窗口的分类结果d和分类得分s；该分类结果d采用卷积神经网络的最后一层全连接层FC6的输出作为结果，使用的是ResNet
‑
18的高层语义特征。
[0012]进一步的，步骤S20中，选择异常区域的核心，包括：选择异常区域的分类得分s超过门限t2的分割窗口作为异常区域的核心；同时若一个窗口p的邻接窗口N
p
中，超过一半以上的窗口为异常窗口，则该窗口同样视为异常窗口核心；构建基于异常区域的核心的集合C。
[0013]进一步的，步骤S20中，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域，包括以下步骤：S100、轮流在集合C中选取一个异常核心c，为异常核心c创建一个队列Q，将该异常核心c加入队列Q的最前端；此后从队列Q中不放回地取出异常核心c；S200、异常核心c的所有邻域窗口中，如果邻域窗口a不为异常核心，且邻域窗口a的Conv2_x特征和异常核心c的Conv2_x特征的欧式距离小于门限threshold_1，则说明异常核心c将邻域窗口a判为异常窗口，将邻域窗口a加入队列Q，以不断进行异常扩张；S300、不断地从队列Q中不放回地取出第一个窗口，采取与异常核心c相同的操作，对其每一个邻域窗口进行Conv2_x特征相似度计算，将判为异常的邻域窗口不断加入队列Q；在对队列Q的不放回取出中，直到队列Q为空，则完成了异常核心c的异常区域扩张；S400、在完成集合C中所有异常核心的异常区域扩张后，需要为每个非异常核心的窗口进行判断。
[0014]进一步的，所述步骤S400包括以下步骤：S4001、如一个窗口a受到n个异常核心c1、c2、c3
……
、cn的影响，这n个异常核心的得分为s1、s2、s3……
s
n
，得分权重的计算如下：；
S4002、距离权重计算中，首先计算窗口a和各异常核心在窗口矩阵Matrix中的曼哈顿距离，作为在图像中的距离：；其中，index_x(
•
)和index_y(
•
)表示窗口矩阵Matrix的行索引和列索引；ci表示第i个异常核心；S4003、计算权重距离：；窗口a和各异常核心的距离计算采用浅层特征Conv2_x的欧式距离：；其中，feat2表示提取窗口的Conv2_x特征，dist(
•
)表示欧式距离计算；S4004、窗口a受到n个异常核心的综合距离为：；当综合距离distance小于门限threshold_1时，窗口a被特征Conv2_x判断为异常窗口。
[0015]本专利技术的有益效果是：本专利技术提供的一种超大幅面遥感影像异常区域检测方法，该方法实现了实景三维图像中，形状不规则异常区域的精细化检测；充分使用了神经网络的高层语义特征、中层特征和底层特征，使得异常区域的检测更加准确。
附图说明
[0016]图1为本专利技术的一种超大幅面遥感影像异常区域检测方法的流程示意图。
[0017]图2为距离统计分布图的示意图。
具体实施方式
[0018]下面结合附图和实施例对本专利技术进一步说明。
[0019]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超大幅面遥感影像异常区域检测方法，其特征在于，该方法包括以下步骤：S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练，在训练过程中使用分割的窗口作为训练数据，并对每个窗口进行分类；S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层语义特征的异常区域的检测；选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域；S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合，获得遥感影像的异常区域。2.根据权利要求1所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S10中，包括以下步骤：S101、训练数据的采集和标注，进行超大幅面遥感影像的采集，并对分割的窗口进行标注,在标注中，将异常区域占窗口面积超过门限的作为异常窗口样本，其他窗口作为正常窗口样本；S102、模型训练，使用大规模标注的分割窗口作为训练数据，对神经网络ResNet
‑
18进行训练后，获得二分类器，该二分类器用于将分割窗口分类为异常窗口或非异常窗口；S103、异常区域相似度门限计算，在基于相似度扩张中，通过神经网络ResNet
‑
18的浅层特征Conv2_x和中层特征Conv5_x进行异常区域的相似性计算。3.根据权利要求2所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S101中，所述门限t1=0.5。4.根据权利要求2所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S103中，通过浅层特征Conv2_x进行异常区域的相似度计算，包括以下步骤：S1031、使用训练好的ResNet
‑
18，提取训练集每个窗口样本的特征向量；S1032、计算每一对异常窗口之间的特征欧式距离，并计算每一对异常窗口和正常窗口之间的特征欧式距离；S1033、使用直方图对所获得的特征欧式距离进行统计，获得门限threshold_1，当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1，则认为异常区域的核心将需要判断的窗口判为异常窗口。5.根据权利要求4所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，所述特征向量的大小为64*56*56维。6.根据权利要求4所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，对超大幅面遥感影像进行分割包括：将超大幅面遥感影像分割为个窗口，形成窗口矩阵Matrix，矩阵大小则为M
×
N。7.根据权利要求6所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层语义特征的异常区域的检测，包括：使用训练好的卷积...

【专利技术属性】
技术研发人员：李苏发，李锟，王志刚，廖剑，张红，魏霞，
申请(专利权)人：江西啄木蜂科技有限公司，
类型：发明
国别省市：