【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种基于深度学习的遥感影像目标提取处理方法及装置。
技术介绍
1、传统影像目标检测提取方法的主要思路是利用影像中各类地物的光谱信息和空间信息差异，采取各类特征算子提取器对不同地区进行抽象表征，用某类分类方法将特征空间划分为互不重叠的子空间；然后将各子空间划归到对应的地物类别，实现特定地物的区域检测和识别。在复杂的自然场景下，传统目标检测识别技术主要面临以下几个方面的挑战：1）类内差异大，类间差异小：以车辆为例，不同的设备车间存在很大的差异，具体表现在不同的颜色、材料、形状等，传统技术方案难以训练出包含所有类内变化特征的描述模型。而不同类型物体间却可能具有相似的外观，如目标故意伪装或模仿、非专业人员难以区分。2）影像数据质量：不同的影像传感器所采集数据具备不同的光谱分辨率、辖射分辨率。同时, 影像采集过程中由于大气、光照、云雾、遮挡等影响, 导致目标在图像中的表征具有多样性和不确定性，对目标检测算法的鲁棒性提出高要求。3）语义理解的差异，不同的人员对同一影像目标可能有不同的理解，取决于观察者视角、知识背景等，这将明显增加视觉算法的难度。4）计算复杂性和自适应性，影像数据的高维度、待检测目标类型的数量、待检测目标的特征描述子维度以及大规模的数据集获取, 均会加大目标检测计算的复杂性。此外，真实世界中目标类型繁多，分别对每类进行唯一特征表征, 会导致高维空间稀疏的特征描述；目标模型通常需要从大规模标记数据集中习得，大规模数据的采集、选取和标注耗费巨大。因此，样本数据的合理选取、计算性能的优化，均对合理有
2、因此，有必要提供一种基于深度学习的遥感影像目标提取处理方法，以解决上述问题。
技术实现思路
1、本专利技术意在提供一种基于深度学习的遥感影像目标提取处理方法及装置，以解决现有技术中遥感图像中目标物体大小差异大的复杂应用场景下无法精确提取特征，因感受野的采样中心固定而导致的在遥感图像中目标物体大小差异大的复杂应用场景下模型表现能力差，以及因空洞卷积造成的网格效应问题
2、等的技术问题，本专利技术要解决的技术问题通过以下技术方案来实现。
3、第一方面，本专利技术提出一种基于深度学习的遥感影像目标提取处理方法，包括：收集并获取同一地区不同时相的遥感图像，对所获取的遥感图像进行像素坐标位置标注和目标类型属性标注；对已标注遥感图像数据进行数据增广，并进一步裁剪处理形成目标样本以建立遥感图像样本库；基于卷积神经网络算法，建立预训练模型，使用所述遥感图像样本库对所述预训练模型进行迁移训练，得到分类网络模型，在迁移训练过程中，利用多分支结构混合不同大小的感受野以提取多层卷积融合特征，以用于进行目标识别分类，同时对所述分类网络模型的网络结构进行了改进，得到目标分类网络模型。
4、根据可选的实施方式，所述目标分类网络模型以vgg16作为提取的主干网络，并使用多层特征融合层替换全连接层以改进扩展网络结构，其中，各层特征融合层均输出不同尺寸的特征图，所述特征图包括第一特征图和第二特征图。
5、根据可选的实施方式，在迁移训练过程中，利用多分支结构混合不同大小的感受野以提取多层卷积融合特征，同时采用空洞卷积进一步扩大感受野；在空洞卷积操作中使用不同扩张率以使得能够学习到更多的局部信息。
6、根据可选的实施方式，对所述分类网络模型的训练过程中，以目标物体的位置定位损失和类别置信度的分类损失的加权求和作为所述分类网络模型的网络的损失函数，通过反向传播和优化器进行端到端的训练，通过以下表达式表示所述损失函数：
7、;
8、其中，x表示输入遥感图像样本；c表示目标物体的类别置信度预测值，h表示对遥感图像样本检测时用于框选目标物体的先验框和预测框之间的预测量；g表示目标物体的真值位置框的位置信息；n表示与目标物体相匹配的目标位置矩形框数量，n为正整数，具体为1、2、...、n；表示目标物体的类别预测的置信损失，即是针对多类别的softmax交叉熵损失；表示回归损失、即目标物体的目标位置覆盖矩形框的回归损失；是平衡因子，用于平衡和两部分损失函数的比重。
9、根据可选的实施方式，通过使所述分类网络模型的损失函数最小，不断迭代训练所述分类网络模型的网络，以调整多分支卷积模块中的参数和多层特征融合层的参数进而优化所述分类网络模型。
10、根据可选的实施方式，所述获取待识别遥感图像，经切片处理形成切片区域，将所述切片区域输入所述目标分类网络模型，得到目标分类结果，包括：
11、以模型输入所需大小的滑动窗口，重叠地在待识别遥感图像中滑动并切片以形成切片区域，将所述切片区域输入训练好的目标分类网络模型，并记录各切片区域在待识别遥感图像中的位置和置信度信息；
12、将各切片区域在待识别遥感图像中的位置和置信度信息进行合并去重处理，得到最终的目标分类结果。
13、根据可选的实施方式，采用极大抑制算法，对各切片区域中同一目标物体上的多个预测框进行计算选择，来完成合并去重处理。
14、根据可选的实施方式，对同一时相的已标注遥感图像数据进行旋转缩放、仿射变换，以及图像色彩、对比度和饱和度调整，来进行数据增广；
15、根据标注结果信息，对指定标注位置和类别属性的目标物体进行文件裁剪，生成指定尺寸的目标遥感图像。
16、根据可选的实施方式，进一步包括：对以下目标物体进行目标类型属性标注：飞机、机场、舰船、桥梁、油罐、港口。
17、第二方面，本专利技术提供一种基于深度学习的遥感影像目标提取处理装置，其用于实现本专利技术第一方面所述遥感影像目标提取处理方法，所述遥感影像目标提取处理装置包括：收集处理模块，收集并获取遥感图像，对所获取的遥感图像进行像素坐标位置标注和目标类型属性标注；数据处理模块，对已标注遥感图像数据进行数据增广，并进一步裁剪处理形成目标样本以建立遥感图像样本库；模型建立模块，基于卷积神经网络算法，建立预训练模型，使用所述遥感图像样本库对所述预训练模型进行迁移训练，得到分类网络模型，在迁移训练过程中，利用多分支结构混合不同大小的感受野以提取多层卷积融合特征，以用于进行目标识别分类，同时对所述分类网络模型的网络结构进行了改进，得到目标分类网络模型；分类处理模块，获取待识别遥感图像，经切片处理形成切片区域，将所述切片区域输入所述目标分类网络模型，得到目标分类结果。
18、第三方面，本专利技术提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术第一方面所述的方法。
19、第四方面，本专利技术提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术第一方面所述的方法。
20、与现有技术相比，本专利技术具有以下优点与有益效果：
21、本专利技术通过采用所建立的遥感图像样本库，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的遥感影像目标提取处理方法，其特征在于，包括：
2.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，包括：
3.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，
4.根据权利要求2所述的遥感影像目标提取处理方法，其特征在于，
5.根据权利要求4所述的遥感影像目标提取处理方法，其特征在于，
6.根据权利要求4所述的遥感影像目标提取处理方法，其特征在于，所述获取待识别遥感图像，经切片处理形成切片区域，将所述切片区域输入所述目标分类网络模型，得到目标分类结果，包括：
7.根据权利要求6所述的遥感影像目标提取处理方法，其特征在于，
8.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，包括：
9.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，进一步包括：
10.一种基于深度学习的遥感影像目标提取处理装置，其用于实现权利要求1所述遥感影像目标提取处理方法，其特征在于，所述遥感影像目标提取处理装置包括：
【技术特征摘要】
1.一种基于深度学习的遥感影像目标提取处理方法，其特征在于，包括：
2.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，包括：
3.根据权利要求1所述的遥感影像目标提取处理方法，其特征在于，
4.根据权利要求2所述的遥感影像目标提取处理方法，其特征在于，
5.根据权利要求4所述的遥感影像目标提取处理方法，其特征在于，
6.根据权利要求4所述的遥感影像目标提取处理方法，其特征在于，所述获取待识别遥感图像，经切片处理...
【专利技术属性】
技术研发人员：李慧慧，徐儒雅，高龙，曹园园，路畅，左大伟，谢玉波，丁新，高山，
申请(专利权)人：中国电子科技集团公司第十五研究所，
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。