【技术实现步骤摘要】
本专利技术是属于基于机器学习下的遥感目标识别领域，具体是一种基于高阶奇异值分解与分布式处理的垃圾遥感识别方法及系统。
技术介绍
1、近年来，伴随城市化进程加快固废垃圾问题日益突出。固废垃圾是指任何不能再继续使用的生活、工业和建筑废弃物等，通常被分类为可回收物、有害垃圾和其他垃圾。固废垃圾对环境和人类健康造成了严重影响。其中，有害垃圾中含有各种有毒有害物质，例如重金属、危险化学品、医疗废弃物等，如果不得当处理，将会导致地下水污染、土地退化、空气污染等问题，从而危及人类健康和生态环境。
2、固废垃圾遥感图像通常具有较低的分辨率，特别是在分析大范围的地理区域时。这限制了图像中的细节和特征的可见性，增加了目标识别的困难度。固废垃圾遥感图像可能受到各种噪声和失真的影响，例如云覆盖、大气湍流以及传感器本身的噪声。这些因素会影响图像的质量和可读性，降低目标识别的准确性。固废垃圾遥感图像通常从不同的视角和高度拍摄，导致图像中的物体在尺度和外观上变化很大。这使得目标识别算法需要具备对尺度和视角变化具有鲁棒性的能力。固废垃圾遥感图像中的目标物体往往被其他物体或地貌遮挡，且在图像中可能会存在变形。这些遮挡和变形会使得图像中的目标变得模糊或不完整，从而增加了目标识别的难度。因此总结传统的遥感图像难点主要在以下几个方面：
3、(1)遥感图像具有高维度、多尺度、多光谱特征等特点，因此在处理过程中需要考虑如何提取有效的特征信息。
4、(2)遥感图像的数据量大，包括采集时间、空间分辨率、波段数目等方面的差异性，因此需要考虑如
5、(3)遥感目标识别需要考虑到地物覆盖类型、地形、植被、土壤等多种因素的影响，因此需要充分考虑这些因素对识别结果的影响。
6、(4)遥感目标识别任务需要大量的标注数据来训练模型，然而由于图像分辨率高、数量多、类别多等原因，标注数据的获取成本较高，因此需要探索有效的半监督或无监督学习方法。
7、机器学习方法和深度学习方法在固废垃圾遥感图像处理领域得到了广泛的应用,并在遥感目标识别中取得了不错的效果。但是依然还存在以下几个技术问题：
8、第一.传统的机器学习在面对遥感图像这种高维度，高精度的图像会表现出不太理想的效果；
9、第二.在固废垃圾的识别中，如果图像出现多个目标同时进行识别或者相似的干扰项过多时会出现错误。
10、第三.过高的数据维度与清晰度在大批量数据处理的时候带来了计算复杂度高，容易发生计算爆炸等问题。
技术实现思路
1、针对高维度、多目标的固废垃圾遥感目标识别情况下,计算损耗大，精度不理想的问题，本专利技术提出了一种基于高阶奇异值分解与分布式处理的垃圾遥感识别方法及系统，该方法通过张量的前项切片并且将其最优化分配给各个计算节点来优化张量压缩时的计算爆炸问题并提高处理速度。在识别中引入特征融合算法融合不同阶段的特征来进行目标识别提高了识别精度，同时该算法是一种弱监督算法，在一定程度上优化了传统机器学习一定要打标签处理的情况。
2、为了实现上述技术目的，本专利技术采用如下具体技术方案：
3、一种基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，包括以下步骤：
4、步骤1：遥感图像数据的获取
5、接收固废垃圾遥感图像数据，将图像数据用张量进行表示；
6、步骤2：分布式处理
7、通过分布式将步骤1得到的张量前项切片成矩阵后分组，并将矩阵分解计算后重新组合成近似张量来降低降噪时的时间成本，避免计算爆炸问题；
8、步骤3：图像去噪
9、对步骤2得到的近似张量使用自适应残差法进行去噪，建立自适应残差函数结合多次迭代来提升去噪效果；
10、步骤4：特征融合与目标识别
11、将经步骤3降噪处理后的图像按照patch块大小进行分割，根据图像大小划分为三个阶段，分割成多个patch块，对各个patch块进行特征提取，从patch块数目最多的阶段开始计算，再将当前阶段计算出的特征结果传入到下一阶段进行特征融合，最后将每个阶段特征融合完毕后进行目标识别，得到卫星遥感图像中的固废垃圾匹配区域。
12、步骤1中，将得到的卫星图像数据使用pytorch转化成张量。
13、步骤2具体包括：
14、2.1)根据步骤1中的张量，沿着时间序列对卫星固废垃圾遥感图像数据集进行最优划分，统计每个时间序列前项矩阵的非零元素个数，假设非零元素总和为n，假定同时的处理节点有k个，那么划分的指标就是n/k，即将非零元素总和达到指标的前m个矩阵组合成的张量分配给第一个节点并依此类推；
15、2.2)每个节点对所处理的子张量按照前项切片矩阵进行奇异值分解，如矩阵分解后得到三个分解矩阵其中是正交矩阵，是对角矩阵，对角线上的元素为奇异值，也就是矩阵的特征值，根据保留奇异值数量截取对角矩阵的前个对角元素，计算得到新的近似矩阵再将得到的所述新的近似矩阵组合成当前节点的近似张量，最后再重新表示为图像数据集；
16、通过对数据的分布式处理降低了计算的时间成本，避免了去噪步骤中可能出现的计算爆炸问题。
17、步骤3具体是：
18、通过定义自适应残差去噪函数，并通过多次迭代计算来提高去噪效果；残差图象是原始含噪图像与去噪后图像的差值，假设原始含噪图像为y，去噪后图像为x，残差图像为δx，δx＝y-x，为了提高去噪效果，将通过降噪处理的图像增加上残差图像与降噪处理的比值的乘积,定义降噪处理的比值假设经过k次去噪得到的图像结果为y(k)，以此类推y(k+1)即为k+1次去噪得到的图像结果，δx(k)为经过k次去噪得到的残差图像；得到每一步骤的处理公式为y(k+1)＝y(k)+δ(k)δx(k)；通过15次的迭代处理得到最终的去噪结果。
19、步骤4具体包括以下子步骤：
20、4.1)根据图像大小按照1/16，1/4，1/1的比例，将图像按照patch块划分为三个阶段，使用循环来遍历图像并将其划分为块；
21、4.2)定义一个卷积神经网络模型，该卷积神经网络模型包含全局平均池化层，全局平均池化层将最后一个卷积层的输出特征图转换为一个特征向量，使用带标签的训练数据集对所述卷积神经网络模型进行训练，并调整其权重；
22、4.3)使用训练好的所述卷积神经网络模型，计算每个patch块的二维热力图，其中，每个像素表示该像素对于特定类别的贡献度，二维热力图cam的生成过程通过反向传播方法来实现，从patch块数目最多的阶段开始计算，再将当前阶段计算出的特征结果传入到下一阶段进行特征融合，最后将每个阶段特征融合完毕后进行目标识别，得到卫星遥感图像中的固废垃圾匹配区域；
23、通过特征融合的手段，在面对数据干扰信息多，识别目标多的情况下能够做到良好的精确性。
24、本专利技术进一步公开了一种垃圾本文档来自技高网...
【技术保护点】
1.一种基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤1中，将得到的卫星图像数据使用pytorch转化成张量。
3.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤2具体包括：
4.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤3具体是：
5.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤4具体包括以下子步骤：
6.一种垃圾遥感识别系统，其特征在于，采用如权利要求1～5中任一所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法进行识别。
【技术特征摘要】
1.一种基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤1中，将得到的卫星图像数据使用pytorch转化成张量。
3.根据权利要求1所述的基于高阶奇异值分解与分布式处理的垃圾遥感识别方法，其特征在于，步骤2具体包括：
【专利技术属性】
技术研发人员：李鹏，胡心治，王汝传，姜晓，张宏俊，王之道，
申请(专利权)人：南京邮电大学，
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。