【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 ...
【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:
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。