CN110287962B - 基于超对象信息的遥感图像目标提取方法、装置及介质 - Google Patents

基于超对象信息的遥感图像目标提取方法、装置及介质 Download PDF

Info

Publication number
CN110287962B
CN110287962B CN201910418494.8A CN201910418494A CN110287962B CN 110287962 B CN110287962 B CN 110287962B CN 201910418494 A CN201910418494 A CN 201910418494A CN 110287962 B CN110287962 B CN 110287962B
Authority
CN
China
Prior art keywords
neural network
layer
relative
remote sensing
unit
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.)
Active
Application number
CN201910418494.8A
Other languages
English (en)
Other versions
CN110287962A (zh
Inventor
王俊
高鹏
谢国彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910418494.8A priority Critical patent/CN110287962B/zh
Priority to PCT/CN2019/103702 priority patent/WO2020232905A1/zh
Publication of CN110287962A publication Critical patent/CN110287962A/zh
Application granted granted Critical
Publication of CN110287962B publication Critical patent/CN110287962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理技术领域，公开了一种基于超对象信息的遥感图像目标提取方法，包括：获取遥感图像；对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；提取分割基本单元的图像特征，形成第一特征向量，结合分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；将第一特征向量和第二特征向量融合形成融合特征向量；将融合特征向量输入经过训练的神经网络模型；通过所述神经网络模型输出与所述分割基本单元相对应的目标类别。本发明还公开了一种电子装置和存储介质。本发明融入了待提取目标的超对象特征信息，实现了待提取目标的图像语义特征和尺度信息的充分利用，提高了遥感图像目标提取的有效性和准确性。

Description

基于超对象信息的遥感图像目标提取方法、装置及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种遥感图像目标提取方法、装置及介质。
背景技术
遥感的目标是为了从图像上提取信息，获取知识，遥感图像目标识别一般针对人工地物进行，不仅依据其光谱特征，还很大程度上依据目标形状、空间语义关系等，数据源为高空间分辨率的航空影像和卫星影像。人工地物是空间地理信息库中的重要元素，人工地物主要包括建筑物、桥梁、道路和大型工程构筑物(如机场)等。随着遥感图像的分辨率不断提高，图像中的信息更加复杂，地物的纹理形状信息更加多样化，对于建筑物而言，建筑物的大小形状上各有区别，目前，对遥感图像中建筑物目标的提取，仅从单一尺度目标特征分析，只关注到当前目标自身的相关特征，需要较多的人工特征设计、选取和试错，从而导致对特征设计过分依赖，提取自动化程度降低，精度遇到瓶颈难以突破。并且，当前对建筑物目标的提取方法在单一尺度开展目标提取具有片面性，对遥感图像多个层次上的背景上下文知识利用不足，忽略了对目标判别更重要的上下文视觉线索，对视觉认知先验知识和图像上下文信息的有效利用不合理，导致提取精度和自动化程度较低。
发明内容
本发明提供一种遥感图像目标提取方法、装置及介质，以解决现有技术中仅从单一尺度目标特征分析导致提取精度和自动化程度较低的问题。
为了实现上述目的，本发明的一个方面是提供一种基于超对象信息的遥感图像目标提取方法，包括：获取遥感图像；对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；将所述第一特征向量和所述第二特征向量融合形成融合特征向量；将所述融合特征向量输入经过训练的神经网络模型；通过所述神经网络模型输出与所述分割基本单元相对应的目标类别。
优选地，提取所述分割基本单元的图像特征，形成第一特征向量的步骤包括：采用区域生长方法对所述分割基本单元进行分割，得到多个第一子图像；将多个第一子图像根据多光谱波段顺序进行自底向上地排列；按照自底向上的顺序分别对多个第一子图像提取图像特征，形成第一特征向量，其中，所述图像特征从原始的光谱-空间联合信息中提取。
优选地，结合所述分割基本单元中待提取目标的超对象特征信息，提取第二特征向量的步骤包括：通过设定不同的区域生长合并阈值对所述分割基本单元进行多层次分割合并，得到多个层次的第二子图像，根据设定的区域生长合并阈值的不同，将每个过分割级别上待提取目标与相应的超对象分别关联起来；将多个层次的第二子图像按照所述区域生长合并阈值从大到小的顺序进行自顶向下地排列；分别确定每个层次的第二子图像中与所述待提取目标对应的超对象特征信息；将多个层次的第二子图像中相同位置的超对象特征信息自顶向下地进行特征融合，融合至最底层的第二子图像上；根据最底层的第二子图像提取形成第二特征向量。
优选地，所述神经网络模型是堆叠式降噪自动编码器模型，包括输入层、多个隐藏层和输出层。
优选地，所述神经网络模型的训练步骤包括：选取训练样本，所述训练样本从将所述遥感图像进行分割后得到的多个分割基本单元中选取；获取所述训练样本的融合特征向量；将所述训练样本的融合特征向量输入所述神经网络模型，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数；根据所述初始参数对所述神经网络模型进行反向调优训练。
优选地，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数的步骤包括：将所述神经网络模型划分为多个自动编码器单元；对每个自动编码器单元分别进行预训练；通过预训练结果获取各个自动编码器单元的参数；对所述神经网络模型的输出层与上一层连接层之间的参数进行随机初始化；将预训练结果和随机初始化得到的参数作为所述神经网络模型的初始参数。
优选地，将所述神经网络模型划分为多个自动编码器单元包括：所述神经网络模型中的每个隐藏层与所述隐藏层的上一层构成一个自动编码器单元；
对每个自动编码器单元分别进行预训练包括：
对每个自动编码器单元添加一层连接层作为所述自动编码器单元的相对输出层，构建形成多个神经网络单元，每个神经网络单元均包括相对输入层、相对隐藏层和相对输出层；
对第一个神经网络单元进行预训练；
将经过预训练的第一个神经网络单元的相对隐藏层作为下一个神经网络单元的相对输入层，依次完成每个自动编码器单元的预训练。
优选地，对第一个神经网络单元进行预训练的步骤包括：
将所述训练样本的融合特征向量输入第一个神经网络单元的相对输入层；
对所述第一个神经网络单元的参数进行初始赋值，包括相对输入层与相对隐藏层之间、相对隐藏层与相对输出层之间的连接权重值和偏置；
分别通过下式(1)和(2)获取所述第一个神经网络单元中相对隐藏层和相对输出层的输出：
h(y)＝σ(W1y+b1) (1)
其中，W1为第一个神经网络单元中相对输入层与相对隐藏层之间的权重值，b1为第一个神经网络单元中相对输入层与相对隐藏层之间的偏置，为第一个神经网络单元中的相对隐藏层与相对输出层之间的权重值，b11为第一个神经网络单元中的相对隐藏层与相对输出层之间的偏置，/>为第一个神经网络单元中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出，y为被噪声污染后的输入特征向量，σ(·)为激励函数；
基于损失函数最小训练所述神经网络单元，所述损失函数如下式(3)所示：
其中，J为损失函数，X为未被噪声污染的原始输入特征向量，i为第一个神经网络单元的相对输出层中神经元的索引，n为第一个神经网络单元的相对输出层中神经元的数量，为第一个神经网络单元中相对输出层的输出，Xi为相对输出层中第i个神经元未被噪声污染的原始输入特征；
根据下式(4)～(9)更新所述神经网络单元的权重值和偏置，直至所述损失函数最小，
b′1＝b1+Δbn (6)
其中，J为损失函数，i为相对输出层中神经元的索引，j为相对隐藏层中神经元的索引，为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，/>为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，ΔWi,j为第一个神经网络单元中相对输出层的第i个神经元与相对隐藏层的第j个神经元之间的权重误差，b11为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，b′11为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，Δbm为第一个神经网络单元中相对输出层与相对隐藏层之间的偏置误差，b1为更新前第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，b′1为更新后第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，Δbn为第一个神经网络单元中相对隐藏层与相对输入层之间的偏置误差，ε为学习率，/>为第一个神经网络中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出。
为了实现上述目的，本发明的另一个方面是提供一种电子装置，该电子装置包括：处理器；存储器，所述存储器中包括遥感图像目标提取程序，所述遥感图像目标提取程序被所述处理器执行时实现如上所述的遥感图像目标提取方法的步骤。
为了实现上述目的，本发明的再一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中包括遥感图像目标提取程序，所述遥感图像目标提取程序被处理器执行时，实现如上所述的遥感图像目标提取方法的步骤。
相对于现有技术，本发明具有以下优点和有益效果：
本发明在对遥感图像进行目标提取时，融入了待提取目标的超对象特征信息，并结合神经网络模型的深度学习对特征进行逐层加工和深度映射，实现了待提取目标的图像语义特征和尺度信息的充分利用；在多个层次上抽象特定的未显式化从像素上表征的关于待提取目标的知识，跨越因为遥感观测成像导致的目标信息离散化的问题，提高了遥感图像目标提取的有效性和准确性。
附图说明
图1为本发明所述遥感图像目标提取方法的流程示意图；
图2为本发明中遥感图像特征提取示意图；
图3为本发明所述神经网络模型的一个实施例的结构示意图；
图4为本发明中第一个神经网络单元的结构示意图；
图5为本发明中第二个神经网络单元的结构示意图；
图6a为本发明中的一个原始遥感图像Ⅰ的示意图；
图6b为本发明中遥感图像Ⅰ的建筑物提取结果示意图；
图7a为本发明中的另一个原始遥感图像Ⅱ的示意图；
图7b为本发明中遥感图像Ⅱ的建筑物提取结果示意图；
图8为本发明中遥感图像目标提取程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，仅仅用以解释本发明，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
图1为本发明所述遥感图像目标提取方法的流程示意图，如图1所示，本发明所述遥感图像目标提取方法，包括以下步骤：
步骤S1、获取遥感图像；
步骤S2、对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；
步骤S3、提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；
步骤S4、将所述第一特征向量和所述第二特征向量融合形成融合特征向量；
步骤S5、将所述融合特征向量输入经过训练的神经网络模型；
步骤S6、通过所述神经网络模型输出与所述分割基本单元相对应的目标类别，通过分类的方法实现目标提取，区分待提取目标与其他类别。
本发明所述遥感图像目标提取方法，在目标提取时融入了待提取目标的超对象特征信息，并结合神经网络模型的深度学习，实现了对提取目标的图像语义特征和尺度信息的充分利用，在多个层次上抽象特定的未显式化从像素上表征的关于目标的知识，跨越因为遥感观测成像导致的目标信息离散化的问题，提高了遥感图像目标提取的有效性和准确性。
本发明可以用于提取遥感图像中的建筑物目标，也可以用于提取遥感图像中的其他类别的地物，如桥梁、道路等。
本发明中，采用区域生长方法对遥感图像进行多尺度多层次分割，根据分割结果获取的分割基本单元，可以简称为“基元”。根据图像分割的定义：“将场景内的图像切分为互不重合的子区域”。基元就是通过对遥感图像的分割，使同质像元组成大小不同的基元对象，每个基元对象都有光谱、形状、纹理、空间拓扑关系等属性特征，具有地学语义。通过属性特征可以区分不同的基元对象的类别，例如建筑物和其他类别的物体。本发明中，可以通过神经网络模型输出与分割基本单元相对应的目标类别，例如，待提取目标为建筑物时，则通过本发明的神经网络模型可以输出建筑物或者其他地物类别(包括道路、水体或森林等)，从而提取遥感图像中的建筑物。
图2为本发明中遥感图像特征提取示意图，如图2所示，优选地，提取所述分割基本单元的图像特征，形成第一特征向量的步骤包括：采用区域生长方法对所述分割基本单元进行分割，得到多个第一子图像；
将多个第一子图像根据多光谱波段顺序进行自底向上地排列；
按照自底向上的顺序分别对多个第一子图像提取图像特征，形成第一特征向量(也称为目标特征向量)，其中，图像特征从原始的光谱-空间联合信息中提取，提取的图像特征包括光谱、纹理和形状等光谱-空间的多元结构特征，不同的地物具有不同的光谱信息和空间信息。
现有对遥感图像的目标提取通常只关注当前目标自身的相关特征，在此基础上开展提取任务，这种自底向上的提取模式使用的信息来源被局限在目标自身，而忽略了目标所处的背景上下文知识，例如：车辆通常出现在道路上或者停车场内，此时，道路或者停车场就是车辆的超对象，或者叫做父对象，遥感图像中的道路或者停车场的特征信息即为超对象特征信息。从认知的角度来说，待提取目标的背景(即待提取目标在图像分割合并后的超对象)的特征是跟待提取目标的本征性质密切相关的，特定的目标通常有关联的特定超对象(例如，车辆通常出现在道路上，待提取目标为车辆时，关联的特定超对象为道路)，超对象信息可以作为目标提取和检测的信息源(也称为上下文信息)，在某些光谱特征混淆的场景下甚至会比目标本身的既有特征对模式判别更有帮助。本发明中，在提取的具有地学语义的多尺度同质性分割单元的光谱-空间多元结构特征中，融合超对象特征信息，实现对图像语义特征和尺度信息的充分利用。
本发明中，在形成第二特征向量(也称为超对象特征向量)的过程中，采用矢量叠加(Vector Stacking，VS)的特征融合方式(每个第二子图像的特征垂直叠加，每个分割基本单元上有其对应的多个层次分割的超对象特征信息)，将过分割级别上待提取目标与其超对象关联起来，自顶向下地把合并后的两层甚至多层的同位置超对象特征叠加赋给低层子图像，分类提取在最底层的子图像上开展，输出分割基本单元的类别(建筑物或其他地物类别)。
如图2所示，优选地，结合所述分割基本单元中待提取目标的超对象特征信息，提取第二特征向量的步骤包括：
通过设定不同的区域生长合并阈值对所述分割基本单元进行多层次分割合并，得到多个层次的第二子图像，根据设定的区域生长合并阈值的不同，将每个过分割级别上待提取目标与相应的超对象分别关联起来，关联之后，形成待提取目标在多个层次子图像的同一位置处的超对象特征信息；
将多个层次的第二子图像按照所述区域生长合并阈值从大到小的顺序进行自顶向下地排列；
分别确定每个层次的第二子图像中与所述待提取目标对应的超对象特征信息；
将多个层次的第二子图像中相同位置的超对象特征信息自顶向下地进行特征融合，融合至最底层的第二子图像上；
根据最底层的第二子图像提取第二特征向量。
本发明中，如图2所示，形成第一特征向量和第二特征向量时，对遥感图像进行多尺度多层次分割之后，在每一个尺度层次上，均是以当前尺度的子图像作为目标进行特征提取，并将第一子图像及其对应的第二子图像(结合超对象信息)的目标特征进行矢量叠加融合，之后将融合后的特征向量输入神经网络模型。
自动编码器模型包括单隐层的自动编码器模型和多隐层的自动编码器模型，通常所说的自动编码器(AutoEncoder，AE)指的是隐藏层为1层的编码器结构(即单隐层的自动编码器)，单隐层的自动编码器是一种尽可能复现输入信号的神经网络，包括一个用于输入原始特征向量的输入层，一个用于特征转换的隐藏层和一个跟输入层匹配、用于信息重构的输出层。AE的输出向量与输入向量同维，常按照输入向量的某种形式，通过隐藏层学习一个数据的表示或对原始数据进行有效编码。自动编码器的主要目标是让输入值和输出值相等，所以首先用输入层与隐藏层之间的连接权重(编码层的权重)对输入进行编码，经过激活函数后，再用隐藏层与输出层之间的连接权重(解码层的权重)进行解码，而编码层和解码层的权重通常取为互为转置矩阵，通过先编码和后解码的过程，使得输入值与输出值保持不变。
值得注意的是，这种自动编码器是一种不利用类标签的非线性特征提取方法，就方法本身而言，这种特征提取的目的在于保留和获得更好的信息表示，而不是执行分类任务，尽管有时这两个目标是相关的。
除了上述的单隐层的自动编码器模型结构，还有其他几种自动编码器的变形结构。当隐藏层数目大于1时，自动编码器就被视为深层结构，称其为堆叠式自动编码器(Stacked Denoising Auto-encoders，SDA)。在神经网络的可视层(即输入层)引入随机噪声，然后再进行编解码来恢复输入层的数据或特征，就得到了降噪自动编码器(DenoiseAutoEncoder，DAE)。仿照堆叠受限玻尔兹曼机(RBM)来构成深度置信网络(DBN)的方法，可以实现堆叠式自动编码器(Stacked AutoEncoder)。
堆叠自动编码器模型由多个自动编码器串联堆叠构成。堆叠多层自动编码器的目的是为了逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个复杂的输入数据转化成了一个系列简单的高阶的特征，然后再把这些高阶特征输入一个分类器或者聚类器中进行分类或聚类。
优选地，所述神经网络模型是堆叠式降噪自动编码器模型，包括输入层、多个隐藏层和输出层。本发明中，通过将融合特征向量输入所述神经网络模型中，实现将从原始输入到隐含特征空间进行自底向上的映射过程和从输出结果到原始输入进行自顶向下的隐含特征映射过程结合起来。
优选地，所述神经网络模型的训练步骤包括：
选取训练样本，所述训练样本从将所述遥感图像进行分割后得到的多个分割基本单元中选取，选取的每个分割基本单元分别作为一个训练样本；
获取所述训练样本的融合特征向量；
将所述训练样本的融合特征向量输入所述神经网络模型，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数(其中，参数包括各个连接层之间的连接权重和偏置)；
根据所述初始参数对所述神经网络模型进行反向调优训练。
其中，选择训练样本时重点考虑三方面的问题，第一，分割基本单元中相对于待提取目标的参考对象的大小，参考对象太大的话会将选到“混合目标”，因此，参考对象要选择合适的大小(例如，提取遥感图像中的门锁时，若选取门把手或门作为参考对象，则可以提取门锁，若选取安装门的墙壁作为参考对象，则参考对象太大，在提取门锁时会提取到包括墙壁、墙壁上的门窗等混合目标)。第二，尺度因子的选择，一般来说，训练区越大(选择较高尺度层次的分割基本单元)，分类精度越高，但同时也要考虑时间成本和经济成本，因此，本发明中选择在较小的尺度层次的分割基本单元中进行目标提取，同时加入合并后的超对象特征信息。第三，特征的选择，用于遥感图像分类提取的图像特征主要分为三大类：形状特征、纹理特征和光谱特征，本发明中，选择如下图像特征：多波段光谱灰度值和方差；面积、形状指数、长宽比、矩形度、圆度、密度；基于近红外波段的灰度共生矩阵的对比度、相关性和熵；以及归一化植被指数NDVI、归一化水体指数NDWI。本发明的一个实施例中，随机在全图范围目视解译了100个样本，在解译的100个样本中选择训练样本，给出样本的类别为：建筑物、道路、森林和水体等地物类别，从中选取一个作为提取目标，其他为非提取目标，例如，选取建筑物作为提取目标，则通过神经网络模型输出类别为建筑物和非建筑物，若选取道路作为提取目标，则通过神经网络模型输出类别为道路和非道路。
预训练的结果作为神经网络模型的初始权重，再通过BP反向传播算法进行参数微调。在预训练时，SDA可以看作很多层AE自编码器相连，采用Layer-wise的逐层贪婪算法进行无监督网络学习，在微调时SDA可以看作常规多层感知器进行有监督学习。
对于单隐层的自动编码器，通常利用BP反向传播算法的诸多变种之一来进行训练(例如，随机梯度下降法)。但是，如果仍将其应用于多隐层的堆叠式降噪自动编码器网络中，反向传播的训练方法就会产生一些问题：通过最初的几层后，误差会变得极小，训练也随之变得无效。本发明通过把每一层当作一个简单的自动解码器来进行预训练，然后再进行堆叠，大大地提高了训练效率和训练效果。
优选地，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数的步骤包括：
将所述神经网络模型划分为多个自动编码器单元；
对每个自动编码器单元分别进行预训练；
通过预训练结果获取各个自动编码器单元的参数；
对所述神经网络模型的输出层与上一层连接层之间的参数进行随机初始化；
将预训练结果和随机初始化得到的参数作为神经网络模型的初始参数。
优选地，将所述神经网络模型划分为多个自动编码器单元包括：所述神经网络模型中的每个隐藏层与所述隐藏层的上一层构成一个自动编码器单元；划分的自动编码器单元的数量与神经网络模型中隐藏层的数量相等，划分的每个自动编码器单元均包括两个连接层，划分的第一个自动编码器单元包括神经网络模型中的输入层和相邻的一个隐藏层，划分的其他自动编码器单元均包括神经网络模型中的两个隐藏层，并且第一个自动编码器单元的隐藏层作为第二个自动编码器单元的输入层，第二个自动编码器单元的隐藏层作为第三个自动编码器单元的输入层，依次类推，将神经网络模型划分为多个自动编码器单元。
对每个自动编码器单元分别进行预训练包括：
对每个自动编码器单元添加一层连接层作为所述自动编码器单元的相对输出层，构建形成多个神经网络单元，每个神经网络单元均包括相对输入层、相对隐藏层和相对输出层，对自动编码器单元的预训练通过对神经网络单元的预训练实现，形成堆叠式自动编码器时，去除各个神经网络单元的相对输出层进行堆叠；
对第一个神经网络单元进行预训练；
将经过预训练得到的第一个神经网络单元的相对隐藏层作为下一个神经网络单元的相对输入层，并添加一层连接层作为下一个神经网络单元的相对输出层，对下一个神经网络单元进行预训练，从而依次完成每个神经网络单元的预训练，即，依次完成每个自动编码器单元的预训练，得到每个自动编码器的参数(包括自动编码器中两个连接层之间的连接权重和偏置)。
本发明在加入基元超对象上下文信息的基础上，通过构建的采用去噪自编码器的半监督式神经网络模型，使用逐层初始化预训练依次训练多层网络结构，实现端对端的无监督特征学习和表达，而避开了现有机器学习方法中的需要投入大量研究的人工特征分析与选取步骤。
以构建的包括两个隐藏层的降噪自动编码器模型为例，进一步说明神经网络模型的训练过程。
图3为本发明所述神经网络模型的一个实施例的结构示意图，如图3所示，所述神经网络模型包括一个输入层、两个隐藏层和一个输出层，划分为两个自动编码器单元(分别为第一个DA单元和第二个DA单元)，第一个自动编码器单元包括神经网络模型的输入层和一个隐藏层，第二个自动编码器单元包括神经网络模型的两个隐藏层，在预训练时，两个自动编码器单元分别构成两个神经网络单元，对两个神经网络单元依次进行预训练，从而依次完成对两个自动编码器单元中参数的预训练。
图4为本发明中第一个神经网络单元的结构示意图，如图4所示，在第一个自动编码器单元上添加一层连接层作为第一个DA单元的相对输出层，构成第一个神经网络单元，对第一个神经网络单元进行训练，得到第一个DA单元的参数W1和b1。
优选地，对第一个自动编码器单元进行预训练的步骤包括：
将所述训练样本的融合特征向量输入第一个神经网络单元的相对输入层；
对所述第一个神经网络单元的参数进行初始赋值，包括相对输入层与相对隐藏层之间、相对隐藏层与相对输出层之间的连接权重值和偏置；
分别通过下式(1)和(2)获取所述第一个神经网络单元中相对隐藏层和相对输出层的输出：
h(y)＝σ(W1y+b1) (1)
其中，W1为第一个神经网络单元中相对输入层与相对隐藏层之间的权重值，b1为第一个神经网络单元中相对输入层与相对隐藏层之间的偏置，为第一个神经网络单元中的相对隐藏层与相对输出层之间的权重值，b11为第一个神经网络单元中的相对隐藏层与相对输出层之间的偏置，/>为第一个神经网络单元中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出，y为被噪声污染后的输入特征向量，σ(·)为激励函数，选择为sigmoid函数。
基于损失函数最小训练所述神经网络单元，所述损失函数如下式(3)所示：
其中，J为损失函数，X为未被噪声污染的原始输入特征向量，i为第一个神经网络单元的相对输出层中神经元的索引，n为第一个神经网络单元的相对输出层中神经元的数量，为第一个神经网络单元中相对输出层的输出，Xi为相对输出层中第i个神经元未被噪声污染的原始输入特征；
根据下式(4)～(9)更新所述神经网络单元的权重值和偏置，直至所述损失函数最小，
b′11＝b11+Δbm (5)
b′1＝b1+Δbn (6)
其中，J为损失函数，i为相对输出层中神经元的索引，j为相对隐藏层中神经元的索引，为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，/>为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，ΔWi,j为第一个神经网络单元中相对输出层的第i个神经元与相对隐藏层的第j个神经元之间的权重误差，b11为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，b′11为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，Δbm为第一个神经网络单元中相对输出层与相对隐藏层之间的偏置误差，b1为更新前第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，b′1为更新后第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，Δbn为第一个神经网络单元中相对隐藏层与相对输入层之间的偏置误差，ε为学习率，/>为第一个神经网络中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出。
对第一个神经网络单元预训练完毕后，去掉第一个神经网络单元的相对输出层及其相应的权重值和偏置b11，只保留相对输入层和相对隐藏层之间的权重值W1和偏置b1，作为第一个自动编码器单元的参数。
图5为本发明中第二个神经网络单元的结构示意图，如图5所示，在第二个自动编码器单元上添加一层连接层作为第二个DA单元的相对输出层，并将第一个神经网络单元的相对隐藏层作为第二个神经网络单元的相对输入层，构成第二个神经网络单元，对第二个神经网络单元进行训练，得到第一个DA单元的参数W2和b2。预训练第二个自动编码器单元时，分别通过下式(10)和(11)获取第二个神经网络单元的相对隐藏层和相对输出层的输出：
h(h(y))＝σ(W2h(y)+b2) (10)
其中，W2为第二个神经网络单元中相对输入层与相对隐藏层之间的权重值，b2为第二个神经网络单元中相对输入层与相对隐藏层之间的偏置，为第二个神经网络单元中的相对隐藏层与相对输出层之间的权重值，b22为第二个神经网络单元中的相对隐藏层与相对输出层之间的偏置，/>为第二个神经网络单元中相对输出层的输出，h(h(y))为第二个神经网络单元中相对隐藏层的输出，h(y)为第二个神经网络单元中相对输入层的输入，σ(·)为激励函数，选择为sigmoid函数。
基于损失函数最小训练所述神经网络单元，所述损失函数如下式(12)所示：
其中，J为损失函数，i为第二个神经网络单元的相对输出层中神经元的索引，n为第二个神经网络单元的相对输出层中神经元的数量，为第二个神经网络单元中相对输出层第i个神经元的输出，h(Xi)为第二个神经网络单元中相对输出层第i个神经元未被噪声污染的原始输入特征。
根据下式(13)～(18)更新所述神经网络单元的权重值和偏置，直至所述损失函数最小，
b′22＝b22+Δbm′ (14)
b′2＝b2+Δbn′ (15)
其中，J为损失函数，i为相对输出层中神经元的索引，j为相对隐藏层中神经元的索引，为更新前第二个神经网络单元中相对输出层与相对隐藏层之间的权重值，/>为更新后第二个神经网络单元中相对输出层与相对隐藏层之间的权重值，ΔWi,j为第二个神经网络单元中相对输出层的第i个神经元与相对隐藏层的第j个神经元之间的权重误差，b22为更新前第二个神经网络单元中相对输出层与相对隐藏层之间的偏置，b′22为更新后第二个神经网络单元中相对输出层与相对隐藏层之间的偏置，Δbm′为第二个神经网络单元中相对输出层与相对隐藏层之间的偏置误差，b2为更新前第二个神经网络单元中相对隐藏层与相对输入层之间的偏置，b′2为更新后第二个神经网络单元中相对隐藏层与相对输入层之间的偏置，Δbn′为第二个神经网络单元中相对隐藏层与相对输入层之间的偏置误差，ε为学习率，/>为第二个神经网络中相对输出层的输出，h(h(y))为第二个神经网络单元中相对隐藏层的输出，h(y)为第二个神经网络单元中相对输入层的输入。
第二个神经网络单元预训练完毕后，去掉与第二个神经网络单元相对应的相对输出层和相应的权重和偏置b22，只保留第二个神经网络单元中的相对输入层与相对隐藏层之间的权重W2和偏置b2，作为第二个自动编码器单元的参数，并在形成堆叠式自动编码器时，将其堆叠在第一个自动编码器单元上。
依次类推，完成多个神经网络单元的预训练，获取各个自动编码器单元的参数。
通过多个自动编码器单元形成堆叠式自动编码器模型时，在最后一个自动编码器单元的隐藏层之上添加一层输出层，对输出层的权重值W3和偏置b3进行随机初始化，进行解码恢复，得到神经网络模型以及模型参数。
多个自动编码器单元的预训练完毕后，最后要进行的是整体的反向调优训练。调优训练的损失函数也可以采用上述提到的损失函数，并利用梯度下降法自顶到底(对于包括两层隐藏层的神经网络模型，预训练时的反向误差传播只有两层，而反向调优训练时的误差反向传播为三层)进行权重和偏置值的更新。
本发明中，结合多个高分辨率遥感图像进行对比实验和分析，以验证本发明所述遥感图像目标提取方法的有效性和准确性，如图6a-图7b所示。
为了验证本方法的有效性和准确性，在同等环境下采用线性判别分析(LinearDiscriminant Analysis，LDA)、线性回归模型(Linear Regression，LR)、统计学习模型(Support Vector Machine，SVM)、集成学习模型(Random Forest，RF)、极限学习机方法(Extreme Learning Machine，ELM)、多层感知器(Multi-Layer Perceptron，MLP)与本发明的深度神经网络模型(Deep Neural Networks，DNN)进行对比，表1和表2为上述各个方法与本发明在原始遥感图像I和原始遥感图像II上的提取精度评价对比，结果显示本发明的深度神经网络方法具有最高的交叉验证精度。
表1遥感图像I实验精度评价结果
表2遥感图像II实验精度评价结果
本发明所述遥感图像目标提取方法应用于电子装置，所述电子装置可以是电视机、智能手机、平板电脑、计算机等终端设备。
所述电子装置包括：处理器；存储器，用于存储遥感图像目标提取程序，处理器执行所述遥感图像目标提取程序，实现以下的遥感图像目标提取方法的步骤：
获取遥感图像；
对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；
提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；
将所述第一特征向量和所述第二特征向量融合形成融合特征向量；
将所述融合特征向量输入经过训练的神经网络模型；
通过所述神经网络模型输出与所述分割基本单元相对应的目标类别，通过分类的方法实现目标提取，区分待提取目标与其他类别。
所述电子装置还包括网络接口和通信总线等。其中，网络接口可以包括标准的有线接口、无线接口，通信总线用于实现各个组件之间的连接通信。
存储器包括至少一种类型的可读存储介质，可以是闪存、硬盘、光盘等非易失性存储介质，也可以是插接式硬盘等，且并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中，存储器存储的软件程序包括遥感图像目标提取程序，并可以向处理器提供该遥感图像目标提取程序，以使得处理器可以执行该遥感图像目标提取程序，实现遥感图像目标提取方法的步骤。
处理器可以是中央处理器、微处理器或其他数据处理芯片等，可以运行存储器中的存储程序，例如，本发明中遥感图像目标提取程序。
所述电子装置还可以包括显示器，显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的工作界面。
所述电子装置还可以包括用户接口，用户接口可以包括输入单元(比如键盘)、语音输出装置(比如音响、耳机)等。
所述电子装置包括特征提取模块，提取第一特征向量和第二特征向量，所述特征提取模块包括：第一分割单元，采用区域生长方法对所述分割基本单元进行分割，得到多个第一子图像；第一排列单元，将多个第一子图像根据多光谱波段顺序进行自底向上地排列；第一特征向量形成单元，按照自底向上的顺序分别对多个第一子图像提取图像特征，形成第一特征向量，其中，图像特征从原始的光谱-空间联合信息中提取，提取的图像特征包括光谱、纹理和形状等光谱-空间的多元结构特征，不同的地物具有不同的光谱信息和空间信息。
本发明中，在形成第二特征向量(也称为超对象特征向量)的过程中，采用矢量叠加(Vector Stacking，VS)的特征融合方式(每个第二子图像的特征垂直叠加，每个分割基本单元上有其对应的多个层次分割的超对象特征信息)，将过分割级别上待提取目标与其超对象关联起来，自顶向下地把合并后的两层甚至多层的同位置超对象特征叠加赋给低层子图像，分类提取在最底层的子图像上开展，输出分割基本单元的类别(建筑物或其他地物类别)。
优选地，所述特征提取模块还包括：第二分割单元，通过设定不同的区域生长合并阈值对所述分割基本单元进行多层次分割合并，得到多个层次的第二子图像，根据设定的区域生长合并阈值的不同，将每个过分割级别上待提取目标与相应的超对象分别关联起来，关联之后，形成待提取目标在多个层次子图像的同一位置处的超对象特征信息；第二排列单元，将多个层次的第二子图像按照所述区域生长合并阈值从大到小的顺序进行自顶向下地排列；超对象确定单元，分别确定每个层次的第二子图像中与所述待提取目标对应的超对象特征信息；特征融合单元，将多个层次的第二子图像中相同位置的超对象特征信息自顶向下地进行特征融合，融合至最底层的第二子图像上；第二特征向量提取单元，根据最底层的第二子图像提取第二特征向量。
本发明中，形成第一特征向量和第二特征向量时，对遥感图像进行多尺度多层次分割之后，在每一个尺度层次上，均是以当前尺度的子图像作为目标进行特征提取，并将第一子图像及其对应的第二子图像(结合超对象信息)的目标特征进行矢量叠加融合，之后将融合后的特征向量输入神经网络模型。
优选地，所述神经网络模型是堆叠式降噪自动编码器模型，包括输入层、多个隐藏层和输出层。本发明中，通过将融合特征向量输入所述神经网络模型中，实现将从原始输入到隐含特征空间进行自底向上的映射过程和从输出结果到原始输入进行自顶向下的隐含特征映射过程结合起来。
优选地，所述电子装置包括训练模块，训练所述神经网络模型。所述训练模块包括：
选取单元，选取训练样本，所述训练样本从将所述遥感图像进行分割后得到的多个分割基本单元中选取，选取的每个分割基本单元分别作为一个训练样本，其中，选取单元选择训练样本时重点考虑三方面的问题，如上文中训练样本选择所述，再此不再赘述；
融合特征向量获取单元，获取所述训练样本的融合特征向量；
预训练单元，将所述训练样本的融合特征向量输入所述神经网络模型，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数(其中，参数包括各个连接层之间的连接权重和偏置)；
反向调优训练单元，根据所述初始参数对所述神经网络模型进行反向调优训练。
预训练的结果作为神经网络模型的初始权重，再通过BP反向传播算法进行参数微调。在预训练时，SDA可以看作很多层AE自编码器相连，采用Layer-wise的逐层贪婪算法进行无监督网络学习，在微调时SDA可以看作常规多层感知器进行有监督学习。
优选地，所述预训练单元包括：划分子单元，将所述神经网络模型划分为多个自动编码器单元；预训练子单元，对每个自动编码器单元分别进行预训练；DA单元参数获取单元，通过预训练结果获取各个自动编码器单元的参数；初始化单元，对所述神经网络模型的输出层与上一层连接层之间的参数进行随机初始化；初始参数获取单元，将预训练结果和随机初始化得到的参数作为神经网络模型的初始参数。
优选地，划分子单元通过下述方式划分神经网络模型：所述神经网络模型中的每个隐藏层与所述隐藏层的上一层构成一个自动编码器单元；划分的自动编码器单元的数量与神经网络模型中隐藏层的数量相等，划分的每个自动编码器单元均包括两个连接层，划分的第一个自动编码器单元包括神经网络模型中的输入层和相邻的一个隐藏层，划分的其他自动编码器单元均包括神经网络模型中的两个隐藏层，并且第一个自动编码器单元的隐藏层作为第二个自动编码器单元的输入层，第二个自动编码器单元的隐藏层作为第三个自动编码器单元的输入层，依次类推，将神经网络模型划分为多个自动编码器单元。
预训练子单元通过下述方式对每个自动编码器单元分别进行预训练：
对每个自动编码器单元添加一层连接层作为所述自动编码器单元的相对输出层，构建形成多个神经网络单元，每个神经网络单元均包括相对输入层、相对隐藏层和相对输出层，对自动编码器单元的预训练通过对神经网络单元的预训练实现，形成堆叠式自动编码器时，去除各个神经网络单元的相对输出层进行堆叠；
对第一个神经网络单元进行预训练；
将经过预训练得到的第一个神经网络单元的相对隐藏层作为下一个神经网络单元的相对输入层，并添加一层连接层作为下一个神经网络单元的相对输出层，对下一个神经网络单元进行预训练，从而依次完成每个神经网络单元的预训练，即，依次完成每个自动编码器单元的预训练，得到每个自动编码器的参数(包括自动编码器中两个连接层之间的连接权重和偏置)。
多个自动编码器单元的预训练完毕后，最后要进行的是整体的反向调优训练。调优训练的损失函数也可以采用上述提到的损失函数，并利用梯度下降法自顶到底(对于包括两层隐藏层的神经网络模型，预训练时的反向误差传播只有两层，而反向调优训练时的误差反向传播为三层)进行权重和偏置值的更新。
在其他实施例中，遥感图像目标提取程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器中，并由处理器执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。图8为本发明中遥感图像目标提取程序的模块示意图，如图8所示，所述遥感图像目标提取程序可以被分割为：获取模块1、分割模块2、特征提取模块3、特征融合模块4、输入模块5和输出模块6。上述模块所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
获取模块1，获取遥感图像；
分割模块2，对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；
特征提取模块3，提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；
特征融合模块4，将所述第一特征向量和所述第二特征向量融合形成融合特征向量；
输入模块5，将所述融合特征向量输入经过训练的神经网络模型；
输出模块6，通过所述神经网络模型输出与所述分割基本单元相对应的目标类别，通过分类的方法实现目标提取，区分待提取目标与其他类别。
本发明的一个实施例中，计算机可读存储介质可以是任何包含或存储程序或指令的有形介质，其中的程序可以被执行，通过存储的程序指令相关的硬件实现相应的功能。例如，计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此，可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括遥感图像目标提取程序，所述遥感图像目标提取程序被处理器执行时，实现如下的遥感图像目标提取方法：
获取遥感图像；
对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；
提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；
将所述第一特征向量和所述第二特征向量融合形成融合特征向量；
将所述融合特征向量输入经过训练的神经网络模型；
通过所述神经网络模型输出与所述分割基本单元相对应的目标类别，通过分类的方法实现目标提取，区分待提取目标与其他类别。
本发明之计算机可读存储介质的具体实施方式与上述遥感图像目标提取方法、电子装置的具体实施方式大致相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

Claims (8)

1.一种基于超对象信息的遥感图像目标提取方法，应用于电子装置，其特征在于，包括：
获取遥感图像；
对所述遥感图像进行分割，得到所述遥感图像的多个分割基本单元；
提取所述分割基本单元的图像特征，形成第一特征向量，结合所述分割基本单元中待提取目标的超对象特征信息，形成第二特征向量；
将所述第一特征向量和所述第二特征向量融合形成融合特征向量；
将所述融合特征向量输入经过训练的神经网络模型；
通过所述神经网络模型输出与所述分割基本单元相对应的目标类别；
其中，提取所述分割基本单元的图像特征，形成第一特征向量的步骤包括：
采用区域生长方法对所述分割基本单元进行分割，得到多个第一子图像；
将多个第一子图像根据多光谱波段顺序进行自底向上地排列；
按照自底向上的顺序分别对多个第一子图像提取图像特征，形成第一特征向量，其中，所述图像特征从原始的光谱-空间联合信息中提取；
结合所述分割基本单元中待提取目标的超对象特征信息，提取第二特征向量的步骤包括：
通过设定不同的区域生长合并阈值对所述分割基本单元进行多层次分割合并，得到多个层次的第二子图像，根据设定的区域生长合并阈值的不同，将每个过分割级别上待提取目标与相应的超对象分别关联起来；
将多个层次的第二子图像按照所述区域生长合并阈值从大到小的顺序进行自顶向下地排列；
分别确定每个层次的第二子图像中与所述待提取目标对应的超对象特征信息；
将多个层次的第二子图像中相同位置的超对象特征信息自顶向下地进行特征融合，融合至最底层的第二子图像上；
根据最底层的第二子图像提取形成第二特征向量。
2.根据权利要求1所述的基于超对象信息的遥感图像目标提取方法，其特征在于，所述神经网络模型是堆叠式降噪自动编码器模型，包括输入层、多个隐藏层和输出层。
3.根据权利要求2所述的基于超对象信息的遥感图像目标提取方法，其特征在于，所述神经网络模型的训练步骤包括：
选取训练样本，所述训练样本从将所述遥感图像进行分割后得到的多个分割基本单元中选取；
获取所述训练样本的融合特征向量；
将所述训练样本的融合特征向量输入所述神经网络模型，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数；
根据所述初始参数对所述神经网络模型进行反向调优训练。
4.根据权利要求3所述的基于超对象信息的遥感图像目标提取方法，其特征在于，对所述神经网络模型进行预训练，获取所述神经网络模型的初始参数的步骤包括：
将所述神经网络模型划分为多个自动编码器单元；
对每个自动编码器单元分别进行预训练；
通过预训练结果获取各个自动编码器单元的参数；
对所述神经网络模型的输出层与上一层连接层之间的参数进行随机初始化；
将预训练结果和随机初始化得到的参数作为所述神经网络模型的初始参数。
5.根据权利要求4所述的基于超对象信息的遥感图像目标提取方法，其特征在于，将所述神经网络模型划分为多个自动编码器单元包括：所述神经网络模型中的每个隐藏层与所述隐藏层的上一层构成一个自动编码器单元；
对每个自动编码器单元分别进行预训练包括：
对每个自动编码器单元添加一层连接层作为所述自动编码器单元的相对输出层，构建形成多个神经网络单元，每个神经网络单元均包括相对输入层、相对隐藏层和相对输出层；
对第一个神经网络单元进行预训练；
将经过预训练的第一个神经网络单元的相对隐藏层作为下一个神经网络单元的相对输入层，依次完成每个自动编码器单元的预训练。
6.根据权利要求5所述的基于超对象信息的遥感图像目标提取方法，其特征在于，对第一个神经网络单元进行预训练的步骤包括：
将所述训练样本的融合特征向量输入第一个神经网络单元的相对输入层；
对所述第一个神经网络单元的参数进行初始赋值，包括相对输入层与相对隐藏层之间、相对隐藏层与相对输出层之间的连接权重值和偏置；
分别通过下式(1)和(2)获取所述第一个神经网络单元中相对隐藏层和相对输出层的输出：
h(y)＝σ(W1y+b1) (1)
其中，W1为第一个神经网络单元中相对输入层与相对隐藏层之间的权重值，b1为第一个神经网络单元中相对输入层与相对隐藏层之间的偏置，为第一个神经网络单元中的相对隐藏层与相对输出层之间的权重值，b11为第一个神经网络单元中的相对隐藏层与相对输出层之间的偏置，/>为第一个神经网络单元中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出，y为被噪声污染后的输入特征向量，σ(·)为激励函数；
基于损失函数最小训练所述神经网络单元，所述损失函数如下式(3)所示：
其中，J为损失函数，X为未被噪声污染的原始输入特征向量，i为第一个神经网络单元的相对输出层中神经元的索引，n为第一个神经网络单元的相对输出层中神经元的数量，为第一个神经网络单元中相对输出层的输出，Xi为相对输出层中第i个神经元未被噪声污染的原始输入特征；
根据下式(4)～(9)更新所述神经网络单元的权重值和偏置，直至所述损失函数最小，
b′11＝b11+Δbm (5)
b′1＝b1+Δbn (6)
其中，J为损失函数，i为相对输出层中神经元的索引，j为相对隐藏层中神经元的索引，为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，/>为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的权重值，Wi,j为第一个神经网络单元中相对输出层的第i个神经元与相对隐藏层的第j个神经元之间的权重值，ΔWi,j为第一个神经网络单元中相对输出层的第i个神经元与相对隐藏层的第j个神经元之间的权重误差，b11为更新前第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，b′11为更新后第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，bm为第一个神经网络单元中相对输出层与相对隐藏层之间的偏置，Δbm为第一个神经网络单元中相对输出层与相对隐藏层之间的偏置误差，b1为更新前第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，b′1为更新后第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，bn为第一个神经网络单元中相对隐藏层与相对输入层之间的偏置，Δbn为第一个神经网络单元中相对隐藏层与相对输入层之间的偏置误差，ε为学习率，/>为第一个神经网络中相对输出层的输出，h(y)为第一个神经网络单元中相对隐藏层的输出。
7.一种电子装置，其特征在于，该电子装置包括：
处理器；
存储器，所述存储器中包括遥感图像目标提取程序，所述遥感图像目标提取程序被所述处理器执行时实现如权利要求1至6中任一项所述的遥感图像目标提取方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括遥感图像目标提取程序，所述遥感图像目标提取程序被处理器执行时，实现如权利要求1至6中任一项所述的遥感图像目标提取方法的步骤。
CN201910418494.8A 2019-05-20 2019-05-20 基于超对象信息的遥感图像目标提取方法、装置及介质 Active CN110287962B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910418494.8A CN110287962B (zh) 2019-05-20 2019-05-20 基于超对象信息的遥感图像目标提取方法、装置及介质
PCT/CN2019/103702 WO2020232905A1 (zh) 2019-05-20 2019-08-30 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910418494.8A CN110287962B (zh) 2019-05-20 2019-05-20 基于超对象信息的遥感图像目标提取方法、装置及介质

Publications (2)

Publication Number Publication Date
CN110287962A CN110287962A (zh) 2019-09-27
CN110287962B true CN110287962B (zh) 2023-10-27

Family

ID=68002243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910418494.8A Active CN110287962B (zh) 2019-05-20 2019-05-20 基于超对象信息的遥感图像目标提取方法、装置及介质

Country Status (2)

Country Link
CN (1) CN110287962B (zh)
WO (1) WO2020232905A1 (zh)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325126B (zh) * 2020-02-12 2023-11-03 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置
CN111444365B (zh) * 2020-03-27 2023-12-05 Oppo广东移动通信有限公司 图像分类方法、装置、电子设备及存储介质
CN111582101B (zh) * 2020-04-28 2021-10-01 中国科学院空天信息创新研究院 一种基于轻量化蒸馏网络的遥感图像目标检测方法及系统
CN111881727B (zh) * 2020-06-16 2024-02-06 深圳数联天下智能科技有限公司 一种基于热成像的活体甄别方法、装置、设备及存储介质
CN112258523B (zh) * 2020-10-20 2022-03-08 中国石油大学(华东) 一种中低分辨率遥感影像浒苔覆盖信息精细提取方法
CN112507937B (zh) * 2020-12-17 2023-02-10 华南理工大学 融合多源数据的卫星影像无监督分类方法和装置
CN112580723B (zh) * 2020-12-18 2023-09-22 北京百度网讯科技有限公司 多模型融合方法、装置、电子设备和存储介质
CN112560719B (zh) * 2020-12-21 2023-07-04 南京信息工程大学 基于多尺度卷积-多核池化的高分辨率影像水体提取方法
US20220198470A1 (en) * 2020-12-23 2022-06-23 Bottomline Technologies Ltd. Fraud Detection with a Stacked Auto Encoder with Embedding
CN112859011B (zh) * 2021-01-12 2022-06-07 武汉大学 一种单波长机载测深雷达波形信号提取方法
CN112861690B (zh) * 2021-02-01 2024-02-02 武汉汉达瑞科技有限公司 多方法融合的遥感影像变化检测方法及系统
CN112949538B (zh) * 2021-03-16 2023-08-04 杭州海康威视数字技术股份有限公司 一种目标关联方法、装置、电子设备及机器可读存储介质
CN112991301B (zh) * 2021-03-20 2024-04-30 苏州喆鑫信息科技有限公司 遥感影像建筑物实例掩膜提取方法及系统、介质、设备
CN113505627B (zh) * 2021-03-31 2024-07-23 北京苍灵科技有限公司 遥感数据处理方法、装置、电子设备和存储介质
CN113240075B (zh) * 2021-04-23 2023-08-22 西安电子科技大学 一种基于msvl的bp神经网络的构建和训练方法及系统
CN113255451B (zh) * 2021-04-25 2023-04-07 西北工业大学 遥感图像的变化检测方法、装置、电子设备及存储介质
CN113240505B (zh) * 2021-05-10 2024-05-24 深圳前海微众银行股份有限公司 图数据的处理方法、装置、设备、存储介质及程序产品
CN113327256A (zh) * 2021-05-28 2021-08-31 深圳前海微众银行股份有限公司 多光谱图像的分割方法、装置、电子设备及存储介质
CN113255894B (zh) * 2021-06-02 2022-12-06 华南农业大学 Bp神经网络模型的训练方法、病虫害检测方法及电子设备
CN113361719B (zh) * 2021-06-04 2024-08-06 深圳市晶帆光电科技有限公司 基于图像处理模型的增量学习方法和图像处理方法
CN113378992B (zh) * 2021-07-07 2023-11-21 山东建筑大学 一种基于位置识别的车辆定位方法及系统
CN113761790B (zh) * 2021-07-27 2024-04-23 河海大学 一种基于Stacking集成学习的果树叶片氮含量估算方法
CN113591983B (zh) * 2021-07-30 2024-03-19 金地（集团）股份有限公司 图像识别方法和装置
CN113688882A (zh) * 2021-08-03 2021-11-23 清华大学 一种记忆增强的连续学习神经网络模型的训练方法及装置
CN113610297A (zh) * 2021-08-06 2021-11-05 浙江工业大学之江学院 空气质量预测方法、装置、设备及存储介质
CN113792980B (zh) * 2021-08-18 2023-07-18 国网四川省电力公司 一种工程设计文件工作量评估方法及系统
CN113780117B (zh) * 2021-08-26 2024-02-23 中国海洋大学 一种快速识别并提取河口羽状流轮廓相关参数的方法
CN113920425A (zh) * 2021-09-03 2022-01-11 佛山中科云图智能科技有限公司 一种基于神经网络模型的目标违建点获取方法和获取系统
CN113850824B (zh) * 2021-09-27 2024-03-29 太原理工大学 一种基于多尺度特征融合的遥感图像路网提取方法
CN113920137B (zh) * 2021-10-14 2024-06-18 平安科技（深圳）有限公司 淋巴结转移预测方法、装置、设备及存储介质
CN114005043B (zh) * 2021-10-29 2024-04-05 武汉大学 基于域转换和伪标签的小样本城市遥感影像信息提取方法
CN114004812B (zh) * 2021-11-02 2024-08-20 湖北文理学院 采用引导滤波与神经网络模型的螺纹孔检测方法及系统
CN114266975B (zh) * 2021-12-23 2024-04-16 华南农业大学 无人机遥感图像的荔枝果实检测与计数方法
CN114663412B (zh) * 2022-04-01 2023-02-10 中国科学院地理科学与资源研究所 基于陆表水域生态红线的长连续遥感图像处理方法及装置
CN114663767A (zh) * 2022-04-03 2022-06-24 国交空间信息技术（北京）有限公司 一种遥感影像沙埋路段识别方法
WO2023212902A1 (en) * 2022-05-06 2023-11-09 Intel Corporation Multi-exit visual synthesis network based on dynamic patch computing
CN114926427B (zh) * 2022-05-13 2024-05-07 清华大学 一种异质遥感图像变化检测方法、装置及存储介质
CN115272242B (zh) * 2022-07-29 2024-02-27 西安电子科技大学 一种基于YOLOv5的光学遥感图像目标检测方法
CN115620157B (zh) * 2022-09-21 2024-07-09 清华大学 一种卫星图像的表征学习方法及装置
CN115240074B (zh) * 2022-09-22 2023-08-11 山东锋士信息技术有限公司 一种基于协方差表示的高光谱图像分类方法及设备
CN115937681B (zh) * 2022-12-05 2024-04-19 中铁第四勘察设计院集团有限公司 一种遥感影像样本数据清洗方法
CN116109966B (zh) * 2022-12-19 2023-06-27 中国科学院空天信息创新研究院 一种面向遥感场景的视频大模型构建方法
CN116304968B (zh) * 2023-01-06 2023-09-15 杭州山科智能科技股份有限公司 一种基于bp神经网络的超声水表流量数据融合方法和装置
CN115761529B (zh) * 2023-01-09 2023-05-30 阿里巴巴（中国）有限公司 图像处理方法和电子设备
CN116452972B (zh) * 2023-03-17 2024-06-21 兰州交通大学 一种基于Transformer端到端的遥感图像车辆目标检测方法
CN116188995B (zh) * 2023-04-13 2023-08-15 国家基础地理信息中心 一种遥感图像特征提取模型训练方法、检索方法及装置
CN116486086B (zh) * 2023-04-28 2023-10-03 安徽星太宇科技有限公司 一种基于热红外遥感影像的目标检测方法
CN117115641B (zh) * 2023-07-20 2024-03-22 中国科学院空天信息创新研究院 建筑物信息提取方法、装置、电子设备及存储介质
CN116756835B (zh) * 2023-08-15 2023-12-01 深圳市前海荣群铝业科技有限公司 模板组合设计方法、装置、设备及存储介质
CN117528233B (zh) * 2023-09-28 2024-05-17 哈尔滨航天恒星数据系统科技有限公司 变焦倍数识别及目标重识别数据集制作方法
CN117288441B (zh) * 2023-10-16 2024-08-02 中国气象科学研究院 一种Langley定标辅助方法及系统
CN117095299B (zh) * 2023-10-18 2024-01-26 浙江省测绘科学技术研究院 破碎化耕作区的粮食作物提取方法、系统、设备及介质
CN117557414B (zh) * 2023-11-30 2024-07-02 重庆欣荣土地房屋勘测技术研究所有限责任公司 基于遥感图像自动解译的耕地监管方法、装置、设备及存储介质
CN117623735B (zh) * 2023-12-01 2024-05-14 广东雅诚德实业有限公司 高强度抗污日用陶瓷的生产方法
CN117636174B (zh) * 2023-12-12 2024-08-06 中山大学 一种植被高度预测方法及系统
CN117671519A (zh) * 2023-12-14 2024-03-08 上海勘测设计研究院有限公司 大区域遥感影像地物提取方法及系统
CN117848289A (zh) * 2023-12-27 2024-04-09 泰瑞数创科技(北京)股份有限公司 一种无人机遥感影像获取和智能解译一体化装置
CN117853926B (zh) * 2024-01-17 2024-07-02 南京北斗创新应用科技研究院有限公司 一种基于人工神经网络分类的建筑物检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741835A (zh) * 2009-12-10 2012-10-17 诺基亚公司 用于图像处理的方法、装置或者系统
CN102855490A (zh) * 2012-07-23 2013-01-02 黑龙江工程学院 高分辨率遥感影像面向对象神经网络分类方法
CN106991382A (zh) * 2017-03-13 2017-07-28 南京信息工程大学 一种遥感场景分类方法
CN107516061A (zh) * 2016-06-17 2017-12-26 北京市商汤科技开发有限公司 一种影像分类方法和系统
CN108960345A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种遥感图像的融合方法、系统及相关组件
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10043097B2 (en) * 2015-03-10 2018-08-07 Fringefy Ltd. Image abstraction system
CN106446895A (zh) * 2016-10-28 2017-02-22 安徽四创电子股份有限公司 一种基于深度卷积神经网络的车牌识别方法
CN106934765A (zh) * 2017-03-14 2017-07-07 长沙全度影像科技有限公司 基于深度卷积神经网络与深度信息的全景图像融合方法
CN108573211A (zh) * 2018-03-05 2018-09-25 重庆邮电大学 一种基于局部特征与深度学习的人脸特征提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102741835A (zh) * 2009-12-10 2012-10-17 诺基亚公司 用于图像处理的方法、装置或者系统
CN102855490A (zh) * 2012-07-23 2013-01-02 黑龙江工程学院 高分辨率遥感影像面向对象神经网络分类方法
CN107516061A (zh) * 2016-06-17 2017-12-26 北京市商汤科技开发有限公司 一种影像分类方法和系统
CN106991382A (zh) * 2017-03-13 2017-07-28 南京信息工程大学 一种遥感场景分类方法
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN108960345A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种遥感图像的融合方法、系统及相关组件

Also Published As

Publication number Publication date
WO2020232905A1 (zh) 2020-11-26
CN110287962A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110287962B (zh) 基于超对象信息的遥感图像目标提取方法、装置及介质
Liznerski et al. Explainable deep one-class classification
Ghamisi et al. Hyperspectral and LiDAR data fusion using extinction profiles and deep convolutional neural network
Mnih Machine learning for aerial image labeling
CN110428428B (zh) 一种图像语义分割方法、电子设备和可读存储介质
Alvarez et al. Semantic road segmentation via multi-scale ensembles of learned features
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN110728295B (zh) 半监督式的地貌分类模型训练和地貌图构建方法
CN109685801B (zh) 结合纹理特征和深度神经网络信息的皮肤镜图像处理方法
Pan et al. A comparative land-cover classification feature study of learning algorithms: DBM, PCA, and RF using multispectral LiDAR data
CN106910202B (zh) 一种遥感图像地物的图像分割方法及系统
CN108932455B (zh) 遥感图像场景识别方法及装置
CN117157678A (zh) 用于基于图的全景分割的方法和系统
CN111161201A (zh) 基于细节增强通道注意力的红外与可见光图像融合方法
Guo et al. Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
Zhong et al. Adaptive MAP sub-pixel mapping model based on regularization curve for multiple shifted hyperspectral imagery
CN112861970A (zh) 一种基于特征融合的细粒度图像分类方法
CN105956610B (zh) 一种基于多层编码结构的遥感图像地形分类方法
CN114037640A (zh) 图像生成方法及装置
CN114332544A (zh) 一种基于图像块评分的细粒度图像分类方法和装置
Marmanis et al. Deep neural networks for above-ground detection in very high spatial resolution digital elevation models
Wang Remote sensing image semantic segmentation algorithm based on improved ENet network
CN117422917A (zh) 一种高光谱遥感图像分类方法及相关设备

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
GR01 Patent grant
GR01 Patent grant