CN107766798A - 一种基于云计算存储和深度学习的遥感图像目标检测方法 - Google Patents
一种基于云计算存储和深度学习的遥感图像目标检测方法 Download PDFInfo
- Publication number
- CN107766798A CN107766798A CN201710894526.2A CN201710894526A CN107766798A CN 107766798 A CN107766798 A CN 107766798A CN 201710894526 A CN201710894526 A CN 201710894526A CN 107766798 A CN107766798 A CN 107766798A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- layers
- remote sensing
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,公开了一种基于云计算存储和深度学习的遥感图像目标检测方法,本发明通过并行化深度学习,减少训练时间,优化训练效果,有效地提高图像识别效率,利用Storm实时识别,达到实时识别的目的;将遥感图像划分为若干个分割子区域,有利于提高识别的速度和精度。由于本发明在分割时使用均值漂移算法进行分割,这是一种快速有效的聚类分割算法,能够快速准确的得到分割子区域。本发明在均值漂移算法进行分割后,使用K最近邻方法进行识别,这是数据挖掘分类方法中最简单的方法,运算效率很高。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于云计算存储和深度学习的遥感图像目标检测方法。
背景技术
用计算机处理的遥感图像必须是数字图像。以摄影方式获取的模拟图像必须用图像扫描仪等进行模数(A/D)转换;以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上。计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入,输出,校正,变换,分类等功能)构成。图像处理内容主要包括校正、变换和分类。然而,现有遥感图像处理识别效率低,识别精度低。
综上所述,现有技术存在的问题是:现有遥感图像处理识别效率低,识别精度低。
发明内容
针对现有技术存在的问题,本发明提供了一种基于云计算存储和深度学习的遥感图像目标检测方法。
本发明是这样实现的,一种基于云计算存储和深度学习的遥感图像目标检测方法包括以下步骤:
步骤一,读取遥感图像,并进行伪彩色合成;对合成后的图像进行归一化;
步骤二,通过云计算批处理存储采集的遥感图像,将遥感图像存储到HDFS 中,利用历史数据对归一化后的图像构建训练数据集,利用MapReduce训练卷积神经网络,得到最优的卷积神经网络参数,进行深度学习的训练;
所述深度学习的方法包括:
1)设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层有C1,C2,…,CN个指标集,其中Ci中有元素
2)以目标与决策层决策指标ps为准则,其中,s=1,2,…,m,以Cj中元素 ejk(k=1,2,…,nj)为次准则,将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较,即在准则ps下构造判断矩阵:
并由特征根法得权重向量wi1 (jk),wi2 (jk),…,wini (jk);
3)对于k=1,2..,ni重复上述步骤,得到式(1)所示矩阵Wij;
其中,Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量;若Cj中元素不受Ci中元素影响,则Wij=0;
4)对于i=1,2,...,N;j=1,2,...,N重复2),获得决策准则ps下的超矩阵W:
5)在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,其元素wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量,则
其中每一行的数值,即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1;将局部权重按元素顺序排列即得到局部权重向量。
步骤三,将实时遥感图像解码为帧图像之后将其作为Storm的输入源,将每一帧图像传入Storm中进行处理。
具体包括:
一)、将输入的图像变换成灰度图像;通过下面的表达式进行灰度变换;
Y=-0.299R+0.587G+0.114B(5);
Y:像素值,R:红色成分,G:绿色成分,B:蓝色成分。
二)、对灰度图像进行图像平滑处理,接着进行梯度计算;梯度计算用于计算在特定的像素和相邻像素之间的亮度值的程度差;
三)、将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界由闭合曲线构成;
四)对于亮度最低的图层以及亮度最大的图层,先进行直方图均衡化处理,再去除噪点;
五)对于其它的图层,先去除噪点,再进行直方图均衡化处理;
六)、将处理过后的若干个所述图层合并为一幅增强图像;
所述梯度计算中的具体计算方法:平滑化的剪裁图像的特定像素的亮度值表示为f(a,b)时,使用下面所示的表达式(6)计算所有像素的梯度矢量;其中,特定像素的坐标为(a,b);
梯度矢量表示在特定像素和相邻像素之间亮度值的程度差的物理量;基于公式(7)中所示的梯度矢量的x成分的值和公式(8)中所示的梯度矢量的y 成分的值,通过公式(9)中所示的表达式计算梯度矢量的方向θ;
通过图像数据的离散化计算标准图像处理中的梯度计算,并且使用公式 (10)和公式(11)中所示的表达式中的微分计算相邻像素之间的梯度;
三)中,将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界都是由闭合曲线构成具体包括:假设图像I的每个像素的亮度值i=I(x,y),将图像I以一组阈值i1,i2,i3分为I0图层、I1图层、I2图层和I3图层;
对于所述I0图层,其中每个像素的亮度值i满足:0≤i<i1;
对于所述I1图层,其中每个像素的亮度值i满足:i1≤i<i2;
对于所述I2图层,其中每个像素的亮度值i满足:i2≤i<i3;
对于所述I3图层,其中每个像素的亮度值i满足:i3≤i≤255;
显然I=I0+I1+I2+I3相当于4层胶片叠加,每一层图像的边界都是由闭合曲线构成;对于每一层图像单独做噪声去除,其过程显然是非线性的;或将图像分为三层或者五层等其它层数,最大亮度值为其它数值或为2的10次方;
在六)中,将处理过后的若干个所述图层合并为一幅增强图像具体包括:把所述的I0图层、I1图层、I2图层、I3图层按照公式I=I0×j0+I1×j1+I2×j2+I3 ×j3合并为一幅增强图像,j0、j1、j2、j3为非线性系数或线性系数;其中,j =a×s+b,s=crγ,a、b为系数且当j为j0、j1、j2、j3时各不相同,s为指数校准函数,c、r和γ都为正常数;在s=crγ中,当c取1,γ取不同值Γ时,得到一簇变换曲线,c=1时,不同γ值的变换曲线;
当γ<1时,幂次变换将窄带输入暗值映射到宽带输出值,将宽带输入亮值映射到窄带输出值;
当γ>1时,幂次变换将宽带输入暗值映射到窄带输出值,将窄带输入亮值映射到宽带输出值;
当γ=1时,为正比线性变换;
对于夜晚有灯光不均匀照明的图片,阴暗部分有大量细节,明亮部分易过曝;采用分四层,对于阴暗部分层的γ值小于1,用于提高暗处视觉效果;同时,对于明亮部分层,使用的校准值γ值大于1,使得明亮部分内部的对比度增强;
步骤四,对归一化后的图像利用均值漂移算法进行图像分割;
步骤四,对归一化后的图像利用均值漂移算法进行图像分割;
步骤五,对分割后的图像利用步骤二得到的训练集,使用K最近邻算法进行识别,得到输入遥感图像的识别结果。
进一步,所述合成的图像进行归一化处理,按照如下公式进行:
式中,x*和p*分别为图像归一化前后的像素值,xmin和xmax分别是输入图像像素的最小值和最大值。
进一步,所述利用K最近邻法对分割后的图像中的各个分割子区域进行识别,按照如下步骤进行:
(1)分别计算分割后的图像中一个分割子区域与训练集中每一个训练样本的欧式距离;
(2)将步骤(1)计算得到的欧氏距离以从小到大的顺序排列,取出其中前 10个欧式距离最小的训练样本,将这些训练样本中大多数所属的类别,作为该分割子区域的所属类别;
(3)分别对分割后的图像中每一个分割子区域的类别进行识别,完成对分割后的图像中各个分割子区域的识别。
进一步,所述将步骤(1)计算得到的欧氏距离以从小到大的顺序排列中,通过基于云计算存储和深度学习的遥感图像目标检测系统内置的排序模块进行迭代求解后对欧氏距离以从小到大的顺序排列;具体包括:
1)群体规模的确定以及初始化:
设待训练样本具有N个样本,其组成N维搜索空间,种群记为 X=(x1,x2,x3,…xN),第i个粒子位置标记为:Xi=(xi 1,xi 2,xi 3,…,xi d,…xi N) (i=1,2,3,…N);
2)设置最大迭代次数:
设置初始迭代值t为0,最大迭代次数T为100,根据适应度函数公式计算粒子在t时刻的Fiti(t)值,定义解决该问题为最小排序规则,根据新的万有引力搜索计算公式计算过程中求解最小值问题Worst(t)和Best(t)的取值,其中:
Best(t)是t时刻种群最好的适应度值,Worst(t)是t时刻种群最差的适应度值,Fitj(t)是t时刻个体i的适应度值,Mi(t)是粒子惯性质量;
3)更新粒子速度和位置
vi d(t+1)=Rand×vi d(t)+ai d(t)
xi d(t+1)=xi d(t)+vi d(t+1)
其中,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度,Rand代表取值范围为[0,1]的随机数,vi d(t)为粒子i在t时刻在第d维空间的速度,ai d(t)为粒子i在 t时刻在第d维空间的加速度;
xi d(t+1)为粒子i在t+1时刻在第d维空间的位置,xi d(t)为粒子i在t时刻在第 d维空间的位置,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度;
4)判断是否达到到迭代结束条件,并输出最优排序序列:
当达到预先设定的最大迭代次数,就停止循环,并输出此时每个粒子的位置值xi d,同时将每个粒子的xi d输出值按从小到大进行排序,则得出的该排序序列即为最优排列序列。
进一步,所述适应度函数公式为:
其中,Fit(t)为适应度函数,f(Xi)表示样本i的距离;Qi(k,k+1)表示完成第k个样本到第k+1个样本的排序过程中距离值;
该Qi(k,k+1)=d·Di(k,k+1)+k·Ti(k,k+1)+l·Li(k,k+1);Di(k,k+1)为排序方向的改变次数,Ti(k,k+1)为排序中距离值更换次数,Li(k,k+1)为图像类型的改变次数,k∈[1,N-1];d 是排序方向的重新定向时在距离值中的权重系数,k是距离值更换次数的权重系数,l是图像类型在改变距离值的权重系数,且满足d+k+l=1。
本发明的优点及积极效果为:本发明通过并行化深度学习,减少训练时间,优化训练效果,有效地提高图像识别效率,利用Storm实时识别,达到实时识别的目的;将遥感图像划分为若干个分割子区域,有利于提高识别的速度和精度。由于本发明在分割时使用均值漂移算法进行分割,这是一种快速有效的聚类分割算法,能够快速准确的得到分割子区域。本发明在均值漂移算法进行分割后,使用K最近邻方法进行识别,这是数据挖掘分类方法中最简单的方法,运算效率很高。
本发明的通过平滑处理,和梯度计算可以提供图片的精度,提升图片清晰度;利用直方图均衡化算法执行效率高、对低对比度图像增强效果好的特点,结合噪点分类可以平衡光照不均匀图像的亮度的特性,将图像的像素根据亮度值分成若干个图层,并在保持连通性不变的每层内实施噪点分类去除,采用不同算法分别对原图各部分进行处理,将结果进行几何叠加后,得到最终图像,降低了图像的全局亮度差异,增强了图像对比度,增强了图像的暗部细节,基本保留了图像的亮部细节,同时有效地抑制了噪声,提升了可视度。
本发明提出的排序方法。使得整个种群不断朝适应度值较优秀的个体运动,达到了个体间实现信息交互、优秀个体指导搜索,使得整个种群朝着优秀解方向移动的目的。得到良好的排序结果。
附图说明
图1是本发明实施提供的基于云计算存储和深度学习的遥感图像目标检测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
本发明提供一种基于云计算存储和深度学习的遥感图像目标检测方法包括以下步骤:
S101,读取遥感图像,并进行伪彩色合成;对合成后的图像进行归一化;
S102,通过云计算批处理存储采集的遥感图像,将遥感图像存储到HDFS中,利用历史数据对归一化后的图像构建训练数据集,利用MapReduce训练卷积神经网络,得到最优的卷积神经网络参数,进行深度学习的训练;
S103,将实时遥感图像解码为帧图像之后将其作为Storm的输入源,将每一帧图像传入Storm中进行处理。
S104,对归一化后的图像利用均值漂移算法进行图像分割;
S105,对分割后的图像利用步骤二得到的训练集,使用K最近邻算法进行识别,得到输入遥感图像的识别结果。
所述合成的图像进行归一化处理,按照如下公式进行:
式中,x*和p*分别为图像归一化前后的像素值,xmin和xmax分别是输入图像像素的最小值和最大值。
所述深度学习的方法包括:
1)设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层有C1,C2,…,CN个指标集,其中Ci中有元素
2)以目标与决策层决策指标ps为准则,其中,s=1,2,…,m,以Cj中元素 ejk(k=1,2,…,nj)为次准则,将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较,即在准则ps下构造判断矩阵:
并由特征根法得权重向量wi1 (jk),wi2 (jk),…,wini (jk);
3)对于k=1,2..,ni重复上述步骤,得到式(1)所示矩阵Wij;
其中,Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量;若Cj中元素不受Ci中元素影响,则Wij=0;
4)对于i=1,2,...,N;j=1,2,...,N重复2),获得决策准则ps下的超矩阵W:
5)在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,其元素wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量,则
其中每一行的数值,即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1;将局部权重按元素顺序排列即得到局部权重向量。
本发明提供S105中利用K最近邻法对分割后的图像中的各个分割子区域进行识别,按照如下步骤进行:
(1)分别计算分割后的图像中一个分割子区域与训练集中每一个训练样本的欧式距离;
(2)将步骤(1)计算得到的欧氏距离以从小到大的顺序排列,取出其中前 10个欧式距离最小的训练样本,将这些训练样本中大多数所属的类别,作为该分割子区域的所属类别;
(3)分别对分割后的图像中每一个分割子区域的类别进行识别,完成对分割后的图像中各个分割子区域的识别。
进一步,所述将步骤(1)计算得到的欧氏距离以从小到大的顺序排列中,通过基于云计算存储和深度学习的遥感图像目标检测系统内置的排序模块进行迭代求解后对欧氏距离以从小到大的顺序排列;具体包括:
1)群体规模的确定以及初始化:
设待训练样本具有N个样本,其组成N维搜索空间,种群记为 X=(x1,x2,x3,…xN),第i个粒子位置标记为:Xi=(xi 1,xi 2,xi 3,...,xi d,...xi N) (i=1,2,3,...N);
2)设置最大迭代次数:
设置初始迭代值t为0,最大迭代次数T为100,根据适应度函数公式计算粒子在t时刻的Fiti(t)值,定义解决该问题为最小排序规则,根据新的万有引力搜索计算公式计算过程中求解最小值问题Worst(t)和Best(t)的取值,其中:
Best(t)是t时刻种群最好的适应度值,Worst(t)是t时刻种群最差的适应度值,Fitj(t)是t时刻个体i的适应度值,Mi(t)是粒子惯性速度;
3)更新粒子速度和位置
vi d(t+1)=Rand×vi d(t)+ai d(t)
xi d(t+1)=xi d(t)+vi d(t+1)
其中,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度,Rand代表取值范围为[0,1]的随机数,vi d(t)为粒子i在t时刻在第d维空间的速度,ai d(t)为粒子i在t时刻在第d维空间的加速度;
xi d(t+1)为粒子i在t+1时刻在第d维空间的位置,xi d(t)为粒子i在t时刻在第 d维空间的位置,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度;
4)判断是否达到到迭代结束条件,并输出最优排序序列:
当达到预先设定的最大迭代次数,就停止循环,并输出此时每个粒子的位置值xi d,同时将每个粒子的xi d输出值按从小到大进行排序,则得出的该排序序列即为最优排列序列。
所述适应度函数公式为:
其中,Fit(t)为适应度函数,f(Xi)表示样本i的距离;Qi(k,k+1)表示完成第k个样本到第k+1个样本的排序过程中距离值;
该Qi(k,k+1)=d·Di(k,k+1)+k·Ti(k,k+1)+l·Li(k,k+1);Di(k,k+1)为排序方向的改变次数,Ti(k,k+1)为排序中距离值更换次数,Li(k,k+1)为图像类型的改变次数,k∈[1,N-1];d 是排序方向的重新定向时在距离值中的权重系数,k是距离值更换次数的权重系数,l是图像类型在改变距离值的权重系数,且满足d+k+l=1。
S103中,具体包括:
一)、将输入的图像变换成灰度图像;通过下面的表达式进行灰度变换;
Y=-0.299R+0.587G+0.114B(5);
Y:像素值,R:红色成分,G:绿色成分,B:蓝色成分。
二)、对灰度图像进行图像平滑处理,接着进行梯度计算;梯度计算用于计算在特定的像素和相邻像素之间的亮度值的程度差;
三)、将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界由闭合曲线构成;
四)对于亮度最低的图层以及亮度最大的图层,先进行直方图均衡化处理,再去除噪点;
五)对于其它的图层,先去除噪点,再进行直方图均衡化处理;
六)、将处理过后的若干个所述图层合并为一幅增强图像;
所述梯度计算中的具体计算方法:平滑化的剪裁图像的特定像素的亮度值表示为f(a,b)时,使用下面所示的表达式(6)计算所有像素的梯度矢量;其中,特定像素的坐标为(a,b);
梯度矢量表示在特定像素和相邻像素之间亮度值的程度差的物理量;基于公式(7)中所示的梯度矢量的x成分的值和公式(8)中所示的梯度矢量的y 成分的值,通过公式(9)中所示的表达式计算梯度矢量的方向θ;
通过图像数据的离散化计算标准图像处理中的梯度计算,并且使用公式 (10)和公式(11)中所示的表达式中的微分计算相邻像素之间的梯度;
三)中,将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界都是由闭合曲线构成具体包括:假设图像I的每个像素的亮度值i=I(x,y),将图像I以一组阈值i1,i2,i3分为I0图层、I1图层、I2图层和I3图层;
对于所述I0图层,其中每个像素的亮度值i满足:0≤i<i1;
对于所述I1图层,其中每个像素的亮度值i满足:i1≤i<i2;
对于所述I2图层,其中每个像素的亮度值i满足:i2≤i<i3;
对于所述I3图层,其中每个像素的亮度值i满足:i3≤i≤255;
显然I=I0+I1+I2+I3相当于4层胶片叠加,每一层图像的边界都是由闭合曲线构成;对于每一层图像单独做噪声去除,其过程显然是非线性的;或将图像分为三层或者五层等其它层数,最大亮度值为其它数值或为2的10次方;
在六)中,将处理过后的若干个所述图层合并为一幅增强图像具体包括:把所述的I0图层、I1图层、I2图层、I3图层按照公式I=I0×j0+I1×j1+I2×j2+I3 ×j3合并为一幅增强图像,j0、j1、j2、j3为非线性系数或线性系数;其中,j =a×s+b,s=crγ,a、b为系数且当j为j0、j1、j2、j3时各不相同,s为指数校准函数,c、r和γ都为正常数;在s=crγ中,当c取1,γ取不同值Γ时,得到一簇变换曲线,c=1时,不同γ值的变换曲线;
当γ<1时,幂次变换将窄带输入暗值映射到宽带输出值,将宽带输入亮值映射到窄带输出值;
当γ>1时,幂次变换将宽带输入暗值映射到窄带输出值,将窄带输入亮值映射到宽带输出值;
当γ=1时,为正比线性变换;
对于夜晚有灯光不均匀照明的图片,阴暗部分有大量细节,明亮部分易过曝;采用分四层,对于阴暗部分层的γ值小于1,用于提高暗处视觉效果;同时,对于明亮部分层,使用的校准值γ值大于1,使得明亮部分内部的对比度增强;
步骤四,对归一化后的图像利用均值漂移算法进行图像分割。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于云计算存储和深度学习的遥感图像目标检测方法,其特征在于,所述基于云计算存储和深度学习的遥感图像目标检测方法包括以下步骤:
步骤一,读取遥感图像,并进行伪彩色合成;对合成后的图像进行归一化;
步骤二,通过云计算批处理存储采集的遥感图像,将遥感图像存储到HDFS中,利用历史数据对归一化后的图像构建训练数据集,利用MapReduce训练卷积神经网络,得到最优的卷积神经网络参数,进行深度学习的训练;
所述深度学习的方法包括:
1)设目标与决策层中有决策指标p1,p2,…,pm,目标与决策层下的网络架构层有C1,C2,…,CN个指标集,其中Ci中有元素
2)以目标与决策层决策指标ps为准则,其中,s=1,2,…,m,以Cj中元素ejk(k=1,2,…,nj)为次准则,将指标集Ci中指标按其对ejk的影响力大小进行间接优势度比较,即在准则ps下构造判断矩阵:
并由特征根法得权重向量
3)对于k=1,2..,ni重复上述步骤,得到式(1)所示矩阵Wij;
其中,Wij的列向量为Ci中的元素对Cj中元素的影响程度排序向量;若Cj中元素不受Ci中元素影响,则Wij=0;
4)对于i=1,2,...,N;j=1,2,...,N重复2),获得决策准则ps下的超矩阵W:
5)在所述超矩阵W中,元素Wij反映元素i对元素j的一步优势度;还计算W2,其元素wij 2表示元素i对元素j的二步优势度,W2仍然列为归一化矩阵,以此类推,计算W3,W4,…,当W∞存在时,W∞的第j列就是准则ps下网络架构层中各元素对于j的极限相对权重向量,则
其中每一行的数值,即为相应元素的局部权重向量;当某一行全部为0时,则相应的局部权重为1;将局部权重按元素顺序排列即得到局部权重向量;
步骤三,将实时遥感图像解码为帧图像之后将其作为Storm的输入源,将每一帧图像传入Storm中进行处理;具体包括:
一)、将输入的图像变换成灰度图像;通过下面的表达式进行灰度变换;
Y=-0.299R+0.587G+0.114B(5);
Y:像素值,R:红色成分,G:绿色成分,B:蓝色成分。
二)、对灰度图像进行图像平滑处理,接着进行梯度计算;梯度计算用于计算在特定的像素和相邻像素之间的亮度值的程度差;
三)、将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界由闭合曲线构成;
四)对于亮度最低的图层以及亮度最大的图层,先进行直方图均衡化处理,再去除噪点;
五)对于其它的图层,先去除噪点,再进行直方图均衡化处理;
六)、将处理过后的若干个所述图层合并为一幅增强图像;
所述梯度计算中的具体计算方法:平滑化的剪裁图像的特定像素的亮度值表示为f(a,b)时,使用下面所示的表达式(6)计算所有像素的梯度矢量;其中,特定像素的坐标为(a,b);
梯度矢量表示在特定像素和相邻像素之间亮度值的程度差的物理量;基于公式(7)中所示的梯度矢量的x成分的值和公式(8)中所示的梯度矢量的y成分的值,通过公式(9)中所示的表达式计算梯度矢量的方向θ;
通过图像数据的离散化计算标准图像处理中的梯度计算,并且使用公式(10)和公式(11)中所示的表达式中的微分计算相邻像素之间的梯度;
三)中,将图像的像素根据亮度值分成若干个图层,每一图层中的图像的边界都是由闭合曲线构成具体包括:假设图像I的每个像素的亮度值i=I(x,y),将图像I以一组阈值i1,i2,i3分为I0图层、I1图层、I2图层和I3图层;
对于所述I0图层,其中每个像素的亮度值i满足:0≤i<i1;
对于所述I1图层,其中每个像素的亮度值i满足:i1≤i<i2;
对于所述I2图层,其中每个像素的亮度值i满足:i2≤i<i3;
对于所述I3图层,其中每个像素的亮度值i满足:i3≤i≤255;
显然I=I0+I1+I2+I3相当于4层胶片叠加,每一层图像的边界都是由闭合曲线构成;对于每一层图像单独做噪声去除,其过程显然是非线性的;或将图像分为三层或者五层等其它层数,最大亮度值为其它数值或为2的10次方;
在六)中,将处理过后的若干个所述图层合并为一幅增强图像具体包括:把所述的I0图层、I1图层、I2图层、I3图层按照公式I=I0×j0+I1×j1+I2×j2+I3×j3合并为一幅增强图像,j0、j1、j2、j3为非线性系数或线性系数;其中,j=a×s+b,s=crγ,a、b为系数且当j为j0、j1、j2、j3时各不相同,s为指数校准函数,c、r和γ都为正常数;在s=crγ中,当c取1,γ取不同值Γ时,得到一簇变换曲线,c=1时,不同γ值的变换曲线;
当γ<1时,幂次变换将窄带输入暗值映射到宽带输出值,将宽带输入亮值映射到窄带输出值;
当γ>1时,幂次变换将宽带输入暗值映射到窄带输出值,将窄带输入亮值映射到宽带输出值;
当γ=1时,为正比线性变换;
对于夜晚有灯光不均匀照明的图片,阴暗部分有大量细节,明亮部分易过曝;采用分四层,对于阴暗部分层的γ值小于1,用于提高暗处视觉效果;同时,对于明亮部分层,使用的校准值γ值大于1,使得明亮部分内部的对比度增强;
步骤四,对归一化后的图像利用均值漂移算法进行图像分割;
步骤五,对分割后的图像利用步骤二得到的训练集,使用K最近邻算法进行识别,得到输入遥感图像的识别结果。
2.如权利要求1所述的基于云计算存储和深度学习的遥感图像目标检测方法,其特征在于,所述合成的图像进行归一化处理,按照如下公式进行:
式中,x*和p*分别为图像归一化前后的像素值,xmin和xmax分别是输入图像像素的最小值和最大值。
3.如权利要求1所述的基于云计算存储和深度学习的遥感图像目标检测方法,其特征在于,所述利用K最近邻法对分割后的图像中的各个分割子区域进行识别,按照如下步骤进行:
(1)分别计算分割后的图像中一个分割子区域与训练集中每一个训练样本的欧式距离;
(2)将步骤(1)计算得到的欧氏距离以从小到大的顺序排列,取出其中前10个欧式距离最小的训练样本,将这些训练样本中大多数所属的类别,作为该分割子区域的所属类别;
(3)分别对分割后的图像中每一个分割子区域的类别进行识别,完成对分割后的图像中各个分割子区域的识别。
4.如权利要求3所述的基于云计算存储和深度学习的遥感图像目标检测方法,其特征在于,
所述将步骤(1)计算得到的欧氏距离以从小到大的顺序排列中,通过基于云计算存储和深度学习的遥感图像目标检测系统内置的排序模块进行迭代求解后对欧氏距离以从小到大的顺序排列;具体包括:
1)群体规模的确定以及初始化:
设待训练样本具有N个样本,其组成N维搜索空间,种群记为X=(x1,x2,x3,…xN),第i个粒子位置标记为:Xi=(xi 1,xi 2,xi 3,…,xi d,…xi N)(i=1,2,3,…N);
2)设置最大迭代次数:
设置初始迭代值t为0,最大迭代次数T为100,根据适应度函数公式计算粒子在t时刻的Fiti(t)值,定义解决该问题为最小排序规则,根据新的万有引力搜索计算公式计算过程中求解最小值问题Worst(t)和Best(t)的取值,其中:
Best(t)是t时刻种群最好的适应度值,Worst(t)是t时刻种群最差的适应度值,Fitj(t)是t时刻个体i的适应度值,Mi(t)是粒子惯性质量;
3)更新粒子速度和位置
vi d(t+1)=Rand×vi d(t)+ai d(t)
xi d(t+1)=xi d(t)+vi d(t+1)
其中,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度,Rand代表取值范围为[0,1]的随机数,vi d(t)为粒子i在t时刻在第d维空间的速度,ai d(t)为粒子i在t时刻在第d维空间的加速度;
xi d(t+1)为粒子i在t+1时刻在第d维空间的位置,xi d(t)为粒子i在t时刻在第d维空间的位置,vi d(t+1)为粒子i在t+1时刻在第d维空间的速度;
4)判断是否达到到迭代结束条件,并输出最优排序序列:
当达到预先设定的最大迭代次数,就停止循环,并输出此时每个粒子的位置值xi d,同时将每个粒子的xi d输出值按从小到大进行排序,则得出的该排序序列即为最优排列序列。
5.如权利要求4所述的基于云计算存储和深度学习的遥感图像目标检测方法,其特征在于,所述适应度函数公式为:
其中,Fit(t)为适应度函数,f(Xi)表示样本i的距离;Qi(k,k+1)表示完成第k个样本到第k+1个样本的排序过程中距离值;
该Qi(k,k+1)=d·Di(k,k+1)+k·Ti(k,k+1)+l·Li(k,k+1);Di(k,k+1)为排序方向的改变次数,Ti(k,k+1)为排序中距离值更换次数,Li(k,k+1)为图像类型的改变次数,k∈[1,N-1];d是排序方向的重新定向时在距离值中的权重系数,k是距离值更换次数的权重系数,l是图像类型在改变距离值的权重系数,且满足d+k+l=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710894526.2A CN107766798A (zh) | 2017-09-28 | 2017-09-28 | 一种基于云计算存储和深度学习的遥感图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710894526.2A CN107766798A (zh) | 2017-09-28 | 2017-09-28 | 一种基于云计算存储和深度学习的遥感图像目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766798A true CN107766798A (zh) | 2018-03-06 |
Family
ID=61267712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710894526.2A Pending CN107766798A (zh) | 2017-09-28 | 2017-09-28 | 一种基于云计算存储和深度学习的遥感图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766798A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108735010A (zh) * | 2018-04-29 | 2018-11-02 | 湖南城市学院 | 一种用于英语教学的智能型英语教学系统 |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN111010605A (zh) * | 2019-11-26 | 2020-04-14 | 杭州东信北邮信息技术有限公司 | 一种视频画中画窗口的显示方法 |
CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
CN113554615A (zh) * | 2021-07-21 | 2021-10-26 | 网易(杭州)网络有限公司 | 一种图像精细化处理方法、装置、电子设备及存储介质 |
WO2022099754A1 (zh) * | 2020-11-11 | 2022-05-19 | 苏州知云创宇信息科技有限公司 | 一种基于云计算服务的图像数据处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
CN103646178A (zh) * | 2013-12-18 | 2014-03-19 | 中国石油大学(华东) | 一种基于改进引力搜索算法的多目标优化方法 |
CN104036300A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 基于均值漂移分割的遥感图像目标识别方法 |
CN104318542A (zh) * | 2014-11-20 | 2015-01-28 | 上海华力创通半导体有限公司 | 图像增强处理算法 |
CN104992147A (zh) * | 2015-06-09 | 2015-10-21 | 中国石油大学(华东) | 一种基于快慢结合云计算环境的深度学习的车牌识别方法 |
CN106874941A (zh) * | 2017-01-19 | 2017-06-20 | 四川大学 | 一种分布式数据识别方法及系统 |
-
2017
- 2017-09-28 CN CN201710894526.2A patent/CN107766798A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473619A (zh) * | 2013-09-26 | 2013-12-25 | 西安电子科技大学 | 一种基于网络架构的分析方法及其应用 |
CN103646178A (zh) * | 2013-12-18 | 2014-03-19 | 中国石油大学(华东) | 一种基于改进引力搜索算法的多目标优化方法 |
CN104036300A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 基于均值漂移分割的遥感图像目标识别方法 |
CN104318542A (zh) * | 2014-11-20 | 2015-01-28 | 上海华力创通半导体有限公司 | 图像增强处理算法 |
CN104992147A (zh) * | 2015-06-09 | 2015-10-21 | 中国石油大学(华东) | 一种基于快慢结合云计算环境的深度学习的车牌识别方法 |
CN106874941A (zh) * | 2017-01-19 | 2017-06-20 | 四川大学 | 一种分布式数据识别方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108735010A (zh) * | 2018-04-29 | 2018-11-02 | 湖南城市学院 | 一种用于英语教学的智能型英语教学系统 |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN110147778A (zh) * | 2019-05-27 | 2019-08-20 | 江西理工大学 | 稀土矿开采识别方法、装置、设备及存储介质 |
CN111010605A (zh) * | 2019-11-26 | 2020-04-14 | 杭州东信北邮信息技术有限公司 | 一种视频画中画窗口的显示方法 |
CN111010605B (zh) * | 2019-11-26 | 2021-08-17 | 杭州东信北邮信息技术有限公司 | 一种视频画中画窗口的显示方法 |
WO2022099754A1 (zh) * | 2020-11-11 | 2022-05-19 | 苏州知云创宇信息科技有限公司 | 一种基于云计算服务的图像数据处理方法及系统 |
CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
CN113554615A (zh) * | 2021-07-21 | 2021-10-26 | 网易(杭州)网络有限公司 | 一种图像精细化处理方法、装置、电子设备及存储介质 |
CN113554615B (zh) * | 2021-07-21 | 2023-08-22 | 网易(杭州)网络有限公司 | 一种图像精细化处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766798A (zh) | 一种基于云计算存储和深度学习的遥感图像目标检测方法 | |
CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
WO2018052586A1 (en) | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks | |
CA3098286A1 (en) | Method for distinguishing a real three-dimensional object from a two-dimensional spoof of the real object | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、系统及设备 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN110490913A (zh) | 基于角点与单线段编组的特征描述算子进行影像匹配方法 | |
CN110287798B (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
CN113205026A (zh) | 一种基于Faster RCNN深度学习网络改进的车型识别方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
Feng et al. | NPALoss: Neighboring pixel affinity loss for semantic segmentation in high-resolution aerial imagery | |
Wu et al. | STR transformer: a cross-domain transformer for scene text recognition | |
Kuppusamy et al. | Enriching the multi-object detection using convolutional neural network in macro-image | |
Liu et al. | Color image edge detection method based on the improved whale optimization algorithm | |
CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
CN112509017A (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
CN116363461A (zh) | 多视图儿童肿瘤病理图像分类的深度网络增量学习方法 | |
CN114549969A (zh) | 一种基于图像信息融合的显著性检测方法和系统 | |
CN113705731A (zh) | 一种基于孪生网络的端到端图像模板匹配方法 | |
CN114445875A (zh) | 基于深度学习的身份识别与人脸比对系统及训练方法 | |
CN109871835B (zh) | 一种基于互斥正则化技术的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |
|
RJ01 | Rejection of invention patent application after publication |