【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种演化和继承的高分辨率无人机图像显著性目标检测方法。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、近年来，由于深度学习的持续发展，显著性目标检测(salient objectdetection，sod)取得了很大的进展。然而，以往的sod模型和数据集主要集中在常规生活图像局限于常规分辨率(如400×400)，无人机高分辨率图像与常规生活低分辨率图像相比，主要区别在于无人机图像提供更高的像素密度和细节，能够从空中捕捉广阔的地理区域，适用于专业领域如地理信息系统和环境监测。
3、显著性目标检测的灵感来自于人类视觉系统，旨在定位最具吸引力的对象，并从给定图像对其进行逐像素的分割。作为一项上游工作，它被广泛应用于大量的计算机视觉任务中，包括图像/视频分割、视频压缩、缩略图创建等。近年来，特别是在深度学习时代，sod任务得到了大力的发展，形成了全场景多源研究系统。随着硬件设备的持续进步和更新，高分辨率的图像和视频在生活中变得随处可见。高分辨率显著性目标检测(high-resolution salient object detection，hrsod)的任务已应运而生。此外，随着无人机技术的普及和进步，其应用已扩展至城市规划、农业监控、环境保护、灾害响应和军事侦察等多个领域。无人机可以提供全新的图像视角，能够从空中捕捉广阔区域的高分辨率图像，这些图像提供了丰富的视觉信息，适合进行细致的分析。与传统的正常分辨率显著目标检测任务不同，高分
4、有研究人员进行了高分辨率显著性目标检测领域的研究，并提出了一个分为两阶段的解决方案，其中第一阶段通过对下采样得到的低分辨率图像进行处理，从宏观角度定位显著目标；接着，第二阶段对高分辨率图像进行局部的裁剪和精细调整，最终将两阶段的成果融合拼接，形成高分辨率的显著图；与此同时，也有研究人员采用两阶段网络并通过图像裁剪来降低计算量；此外，他们还在网络中融入了抠图领域常用的三值图技术和不确定区域损失函数。有研究人员采用端到端的轻量级网络结构，采用了双分支网络架构，分别处理细节和全局上下文信息，为了扩大网络的感受野和降低计算量，他们大量使用了空洞卷积和深度可分离卷积技术；也有研究人员利用两种不同类型的主干网络从不同的分辨率图像中提取特征以捕获更多的互补信息。
5、专利技术人在实现本专利技术的过程中，发现现有技术中至少存在以下缺点和不足：
6、(1)在两阶段的“分块-拼接”模型中，将全局特征和局部特征分别处理，可能会造成特征提取的重复，同时分块和拼接操作容易在结果中产生不连贯性，也会降低模型的整体推理速度；(2)在端到端模型结构中，使用原始高分辨率图像来提取全局上下文信息并非必要，这样反而会增加额外的计算负担；(3)现有模型对高分辨率无人机图像中特有的小目标、细节区域等，它们是高分辨率任务的关键，也是提升高分辨率无人机图像后续应用场景的关键，但是现有的模型往往对这些小目标和细节区域缺乏足够的重视，。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种演化和继承的高分辨率无人机图像显著性目标检测方法，演化阶段通过监督层面和特征层面的演化机制，在低分辨率图像上实现细节保留、目标完整的显著性目标定位，继承阶段利用浅层高分辨率特征，以轻量级的方式补充和增强继承得到的特征，生成最终的高分辨率显著性预测。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供了一种演化和继承的高分辨率无人机图像显著性目标检测方法。
4、一种演化和继承的高分辨率无人机图像显著性目标检测方法，包括以下过程：
5、将高分辨率无人机图像进行下采样得到下采样图像，对下采样图像依次经多个编码层，每个编码层对应一个编码特征，根据任一层解码层输出的低分辨率显著图和解码特征进行特征演化，得到前一层解码层输出的解码特征；
6、将第一层编码层对应的第一编码特征以及第二层解码层对应的第二解码特征分别进行上采样，根据高分辨率无人机图像更新上采样后的第一编码特征，得到增强的高分辨率编码器特征，根据增强的高分辨率编码器特征以及上采样后的第二解码特征，得到最终的显著性目标检测结果。
7、作为本专利技术第一方面进一步的限定，根据高分辨率无人机图像更新上采样后的第一编码特征，得到增强的高分辨率编码器特征，包括：
8、提取高分辨率无人机图像的高分辨率特征，结合第一层解码器输出的第一显著性图进行显著属性增强，将显著性增强结果的sobel值与上采样后的第一编码特征执行逐像素乘法运算，将逐像素乘法运算结果与上采样后的第一编码特征进行逐像素相加，得到增强的高分辨率编码器特征；
9、其中，进行显著属性增强，包括：
10、根据上采样后的第一显著性图得到显著性边界区域和背景边界区域；
11、根据显著性边界区域，通过掩膜平均池化来对输入的特征提取显著原型；
12、根据背景边界区域，通过掩膜平均池化来对输入的特征提取背景原型；
13、根据特征提取显著原型、特征提取背景原型和输入的特征，得到显著属性增强后的特征。
14、作为本专利技术第一方面进一步的限定，根据任一层解码层输出的低分辨率显著图和解码特征进行特征演化，得到前一层解码层输出的解码特征，包括：
15、将任一层解码层输出的解码特征和前一层的编码特征进行融合，得到融合特征；
16、将融合特征与当前层的低分辨率显著图相乘后再与融合特征相加，得到前一层的解码层输出的解码特征。
17、作为本专利技术第一方面进一步的限定，在解码器的最后一层，监督目标为最后一层的解码层输出的显著性图，在解码器的第i层，监督目标为第i层的解码层输出的显著性图，直至解码器的第一层，监督目标为第i层的解码层输出的显著性图；
18、对高分辨率显著图对应的监督真值图进行下采样得到第一层的监督真值图，对第i-1层的监督真值图进行最大池化操作得到第i层的监督真值图，其中，i为大于1的正整数。
19、作为本专利技术第一方面进一步的限定，通过演化变化约束，使得相邻两层之间的差异只体现在待演化的区域，包括：
20、编码过程由浅层特征逐步提取到高层特征，i由1逐步到5，解码过程由高层向低层推进，i由5逐步到1，在解码过程中第i层的前一层为第i+1层；
21、使用上一步解码输出的显著图，对当前层特征和更高一层特征的背景区域的噪声进行抑制，然后对抑制掉背景噪声后的两层特征进行元素对应位置相本文档来自技高网...
【技术保护点】
1.一种演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，包括以下过程：
2.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
3.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
4.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
5.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
6.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
7.一种演化和继承的高分辨率无人机图像显著性目标检测系统，其特征在于，包括：
8.如权利要求7所述的演化和继承的高分辨率无人机图像显著性目标检测系统，其特征在于，
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的演化和继承的高分辨率无人机图像显著性目标检测方法中的步骤。
10.一种电子设备，包括存储器、处理器
...【技术特征摘要】
1.一种演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，包括以下过程：
2.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
3.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
4.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
5.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
6.如权利要求1所述的演化和继承的高分辨率无人机图像显著性目标检测方法，其特征在于，
...【专利技术属性】
技术研发人员：丛润民，刘鸿羽，陈宇，张伟，仇梓峰，陈韬亦，王雅涵，
申请(专利权)人：山东大学，
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。