【技术实现步骤摘要】
本专利技术属于图像处理领域，尤其涉及一种遥感影像显著性目标检测方法。
技术介绍
1、显著性目标检测的目的是识别整个图像中视觉最突出的目标或者区域，然后把突出的部分从背景中分割出来，生成像素级显著性概率图。视觉突出性是指依据人类的视觉注意力机制，具有吸引力的对象或区域的性质。目前，显著目标检测被广泛应用于各种计算机视觉任务中，例如：实例分割、目标跟踪、人员重识别、图像裁剪等。
2、目前，在遥感领域中，遥感图像的显著性目标检测因为具有重要的实际应用价值而被广泛用作预处理技术，以协助各类下行视觉应用，例如变化检测、语义分割、目标检测、场景分类等。最近几十年，从手工制作特征到端到端深度神经网络的应用，显著目标检测取得了巨大的进步。但是这些方法基本上都专注于自然场景显著目标检测，很少有文献专注于遥感图像的显著目标检测上来。
3、和手持拍摄的自然场景图像不同，遥感图像一般是在室外通过卫星或空中传感器自动感知并进行捕捉获取的高角度俯视图，因此遥感图像与自然场景图像存在这很大的差异，目前现有的基于自然场景图像提出的显著目标检测方法不能直接应用在遥感图像上。
4、公开号cn108629286b一种基于主观感知显著模型的遥感机场目标检测方法，首先，利用潜在主题语义模型对超像素分割后的遥感图像构建模型显著图；然后，基于直线密度特征计算机场目标特征图，将得到的目标特征图与模型显著图融合生成主观感知特性驱动图，利用驱动图得到基于学习的显著图；最后将基于学习的显著图与背景区域进行融合，得到最终的机场目标显著图。这种方法能
5、公开号cn114241308a一种基于压缩模块的轻量化遥感图像显著性检测方法，首先对输入图像预处理获取对应的显著性信息和多感受野信息，将上述信息作为压缩模块输出，最后依据压缩模块，构建轻量化模型。这种方法利用压缩模块对图像信息进行压缩，减少了所需的参数量，构建了轻量化的模型从而提高检测速度。但是这种方法在轻量化的同时丢失了部分重要的目标细节信息，导致检测精度有所下降；同时采用多级中间特征融合来获取更加丰富的语义特征，一味地融合冗余信息，没有考虑不同空间位置之间的语义关系，即上下文信息获取不全面。
6、综上，现有的遥感光学图像显著性检测方法，存在的诸多局限性主要表现在：
7、(1)遥感图像一般拥有背景冗杂，干扰过多的问题，现有方法需要借助不同的图像特征提取算法，提取图像的各种类型的特征，过程繁琐复杂，同时不能有效抑制背景噪声的干扰，提取到的遥感图像特征不全面。
8、(2)遥感图像中的显著目标具有复杂的结构和拓扑，覆盖范围广，目标自身结构复杂、纹理多样，同一目标不同部位结构差异大，难以检测到完整的目标，现有的方法通过特征的叠加融合来完善特征信息，但是这大概率只学习对象内部的一些冗余特征，无法有效完善提取的特征，还降低了算法的效率。
9、(3)遥感图像的部分显著目标尺寸过小，可利用的特征有限，其语义信息会出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失，无法更好地定位目标、完善目标的结构细节。
技术实现思路
1、专利技术目的：针对现有技术中存在的问题，本专利技术提供一种遥感影像显著性目标检测方法。该方法引入了上下文信息编码与注意力机制搭建全局上下文感知模块来获取全局特征来抑制背景干扰；引入了膨胀卷积与反向注意力机制来搭建膨胀反向注意力模块来扩大感受野，降低特征冗余度，完善特征信息；引入了融合密集上采样模块来恢复特征信息，捕获目标位置结构细节。
2、技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种遥感影像显著性目标检测方法，包含训练阶段和测试阶段，具体步骤如下：
3、(1)构建遥感图像显著目标检测数据集，制作每个输入样本对应的显著性像素级标签，同时随机打乱数据集，将遥感图像显著目标检测数据集分为训练集train和测试集test；
4、(2)搭建提出的注意力感知三分支网络模型，该网络为编码器-解码器结构，包括注意力特征编码器、三分支解码器及双重监督损失三个主要部分，其中编码器部分包括五个编码卷积模块和五个全局上下文感知注意力模块，解码器部分包括第一分支的四个解码卷积模块、第二分支膨胀反向卷积模块的膨胀卷积部分和三个反向注意力模块、第三分支的四个融合密集上采样模块；
5、(3)将训练集输入到步骤(2)中的注意力特征编码器部分，通过全局上下文感知注意力模块，得到每张图像的聚合注意力特征图；
6、(4)将步骤(3)中得到的聚合注意力特征图输入到三分支解码器部分，经过第一个分支卷积解码器模块得到原始解码特征图；
7、(5)将步骤(4)中得到的原始解码特征图输入到第二分支膨胀反向注意力模块和第三分支融合密集上采样模块中，分别得到初步的目标区域显著图和初步的目标边界显著图；
8、(6)将步骤(5)中得到的初步的目标区域显著图和初步的目标边界显著图与步骤(4)中得到的原始解码特征图进行卷积融合操作，生成最终的目标显著性区域预测图和目标显著性边界预测图；
9、(7)将步骤(6)中得到的目标显著性区域预测图与目标显著性边界预测图分别计算显著性区域损失和边界增强损失，通过双重损失监督的方式来训练网络；
10、(8)将测试集输入到步骤(2)中的训练好的网络模型中得到每张图像的显著性目标区域预测图。
11、其中，步骤(1)中的构建数据集样本集合方法如下：
12、(1.1)构建x＝{xi|i＝1，2，...，n}为输入的遥感图像显著目标检测数据样本，y＝{yi|i＝1，2，...，n}为输入的遥感图像数据样本对应的像素级标签集合，表示标签向量，代表维度空间，i为总的标签类别，在显著性目标检测中为二分类，即显著性目标前景与背景类别，n为总的训练样本数量；
13、(1.2)将数据集分为训练集部分train和测试集部分test，从遥感图像显著目标检测数据集中随机抽取m张图片构建训练集剩下的n-m张图片构成测试集下标i表示图片样本的数目排序。
14、其中，步骤(2)中搭建的注意力感知三分支网络模型结构如下：
15、(2.1)在输入部分中，将每一个遥感场景图像归一化为224×224×3大小的rgb图像格式；
16、(2.2)在注意力特征编码器部分，采用vgg16网络的前五个卷积模块作为编码器的五层主要编码器模块，在每一层的编码器模块都引入一个全局上下文感知注意力模块；
17、(2.3)在三分支解码器的第一分支部分，主要由四个解码器模块搭建；
18、(2.4)在三分支解码器的第二分支部分，主要由四个膨胀系数不同的膨胀卷积层和三个反向注意力模块搭建；
19、(2.5)在三分支解码器的第三分支部分，主要由四个融合密集上采本文档来自技高网...
【技术保护点】
1.一种遥感影像显著性目标检测方法，包含训练阶段和测试阶段，其特征在于：
2.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(1)中的构建数据集样本集合方法如下：
3.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(2)中，搭建的注意力感知三分支网络模型结构如下：
4.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(3)中，通过全局上下文感知注意力模块，计算每张图像的聚合注意力特征图的方法如下：
5.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(4)中的，输入聚合注意力特征图到解码器的第一个分支卷积解码器模块，得到原始解码特征图的方法如下：
6.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(5)中，将得到的原始解码特征图输入到第二分支膨胀反向注意力模块和第三分支融合密集上采样模块中，分别得到初步的目标区域显著图和初步的目标边界显著图的方法如下：
7.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(6)中，生成最终的目标显著性区域预测图和目标显著性边界预测图的方法为：p>
8.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(7)中，将得到的初步显著性区域预测图与初步显著性边界预测图进行双重损失监督来训练网络的方法为：
9.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(8)中，得到每张图像的显著性目标区域预测图的方法为：
...【技术特征摘要】
1.一种遥感影像显著性目标检测方法，包含训练阶段和测试阶段，其特征在于：
2.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(1)中的构建数据集样本集合方法如下：
3.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(2)中，搭建的注意力感知三分支网络模型结构如下：
4.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(3)中，通过全局上下文感知注意力模块，计算每张图像的聚合注意力特征图的方法如下：
5.根据权利要求1的一种遥感影像显著性目标检测方法，步骤(4)中的，输入聚合注意力特征图到解码器的第一个分支卷积解码器模块，得到原始解码特征图的方法如下：
6.根...
【专利技术属性】
技术研发人员：王鑫，张之露，左光汋，李黎，宁晨，
申请(专利权)人：河海大学，
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。