CN113435487B - 一种面向深度学习的多尺度样本生成方法 - Google Patents
一种面向深度学习的多尺度样本生成方法 Download PDFInfo
- Publication number
- CN113435487B CN113435487B CN202110666661.8A CN202110666661A CN113435487B CN 113435487 B CN113435487 B CN 113435487B CN 202110666661 A CN202110666661 A CN 202110666661A CN 113435487 B CN113435487 B CN 113435487B
- Authority
- CN
- China
- Prior art keywords
- scale
- resolution
- sample
- wavelet
- deep learning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 16
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 4
- 238000011426 transformation method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向深度学习的多尺度样本生成方法,属于遥感图像处理领域。本发明首先利用常用比例尺构建样本尺度空间,根据样本的原始分辨率确定需要上采样和下采样的参数值,分别利用小波变换和高斯尺度变换将构建图像的多尺度样本。本发明方法极大地扩展了单一分辨率样本训练的深度学习模型适用的图像范围,利用高斯尺度变换方法在生成低分辨率图像的同时不改变图像的大小,简化了深度学习模型的结构,处理方法成熟,易于实现,计算复杂度较低。同时,本发明方法适用于光学、红外、SAR、高光谱等多种类型的影像,对深度学习模型具有广泛的适用性,可用于目标检测、地物分类、变化检测等多种场景。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种面向深度学习的多尺度样本生成方法。
背景技术
随着越来越多的高空间分辨率遥感数据不断出现,使得人们更加关注如何综合利用各类有用的信息提取技术,因此,如何从各类遥感数据更好地提取定量信息成为遥感科学的一个重要难题。比如,遥感图像目标检测识别及图像分类是遥感图像应用中的重要应用领域及难题,它是指通过对遥感图像的分析和研究,达到辨识目标以及确定目标的各种特性信息的目的。不管是在军事应用当中还是民用方面,基于遥感图像的目标检测识别和分类技术都发挥着十分重要的作用。
近年来,随着深度学习方法的研究与发展,以及该方法在自然场景图像解译、大数据分析等一系列应用中取得的成功,使得深度学习逐步引起遥感图像解译研究人员的重视,并开始将深度学习算法引入到遥感图像解译等应用中来。由于遥感图像,尤其是星载遥感图像的成像角度和距离相对固定,同类目标的尺度和外观与自然场景图像目标相比变化较小,因此如何提取和利用遥感图像目标的这些不变特征具有很高的研究价值。深度学习方法可通过学习一种深层非线性网络结构,实现复杂函数逼近和分布式的特征表示,同时深度学习中非监督特征学习方法展现了强大的从样本数据集中学习从低层到高层本质特征的能力。在遥感图像目标检测识别领域中,深度学习具有很大的应用前景。
深度学习是一种监督的处理方法,需要训练样本进行模型训练,训练样本对其效能的发挥有重要的影响。深度学习在遥感图像中进行应用的一个难点是遥感分辨率是多尺度的,模型仅对与样本分辨率接近的遥感影像具有较高的精度。因此如何提高深度学习对多分辨率遥感影像的适用性是亟待解决的关键问题。
发明内容
针对深度学习模型无法适用多种分辨率遥感图像的问题,本发明提供一种面向深度学习的多尺度样本生成方法。该方法在原始样本的基础上,通过算法构建多尺度样本,实现深度学习模型对多种分辨率图像的适应。
本发明采用的技术方案为:
一种面向深度学习的多尺度样本生成方法,包括以下步骤:
步骤1,计算不同规格的比例尺所对应的尺度分辨率si,1≤i≤K,K为比例尺的总数;
步骤3,对当前样本进行3层小波变换,得到小波域的图像,然后根据样本分辨率λ和尺度分辨率{si},1≤i<n确定插值系数,在小波域进行插值,并进行反向小波变换,得到n-1个高分辨率的目标样本;
步骤4,根据样本分辨率λ和尺度分辨率{si},n≤i≤K确定插值系数,在此基础上确定高斯尺度空间的尺度参数和高斯核函数,然后使用高斯核函数对当前样本进行空间变换,得到K+1-n个低分辨率的目标样本;
步骤5,将n-1个高分辨率目标样本、K+1-n个低分辨率目标样本以及原始的当前样本汇集为用于深度学习训练的多尺度样本集合。
进一步的,步骤1中的比例尺共有11个,分别为1:500、1:1000、1:2000、1:5000、1:10000、1:25000、1:50000、1:100000、1:250000、1:500000、1:1000000,相应地,得到的尺度分辨率分别为0.15米、0.3米、0.6米、1.5米、3米、7.5米、15米、30米、75米、150米、300米。
进一步的,步骤3的具体方式为:
步骤3a,对当前样本进行3层小波变换,小波函数采用Morlet,共获得10个小波分量,其中低频分量为1个,高频分量为9个;
步骤3c,将插值系数分别设为ti,在每个插值系数下,将10个小波分量采用双线性插值法进行插值,插值后,每个分量的行、列均变为插值前的ti倍;共获得n-1组小波分量;
进一步的,步骤4的具体方式为:
步骤4c,利用K+1-n个高斯滤波核函数分别对当前样本进行处理,生成K+1-n个低分辨率的目标样本。
本发明具有如下优点:
(1)本发明方法可针对常用的比例尺生成多尺度样本,极大地扩展了单一分辨率样本训练的深度学习模型适用的图像范围,利用高斯尺度变换方法在生成低分辨率图像的同时不改变图像的大小,简化了深度学习模型的结构。
(2)本发明方法采用经过优化的小波变换和高斯尺度函数进行样本生成,易于实现,计算复杂度较低。
(3)本发明方法从训练样本入手,适用于光学、红外、SAR、高光谱等多种类型的影像,对深度学习模型具有广泛的适用性,可用于目标检测、地物分类、变化检测等多种场景。
附图说明
图1为本发明方法的整体流程图。
图2为本方法的试验结果。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
一种面向深度学习的多尺度样本生成方法,该方法根据常用比例尺将构建样本尺度空间,根据样本的原始分辨率确定需要上采样和下采样的参数值,分别利用小波变换和高斯尺度变换将构建图像的多尺度样本。
如图1所示,该方法具体包括以下步骤:
步骤1,确定样本尺度空间范围。根据我国常用的11个规格的比例尺,1:500、1:1000、1:2000、1:5000、1:10000、1:25000、1:50000、1:100000、1:250000、1:500000、1:1000000,计算相应的图像空间分辨率s=[s1…s11]T分别为:0.15米、0.3米、0.6米、1.5米、3米、7.5米、15米、30米、75米、150米、300米;
步骤2,将当前样本的空间分辨率λ与步骤1中11个空间分辨率s进行大小对比,假定分辨率高于λ的尺度空间共有n-1个,记为{si},1≤i<n,分辨率低于λ的尺度空间共有12-n个,{si},n≤i≤11,当前样本空间分辨率λ为遥感水平方向分辨率λx和垂直方向分辨率λy综合确定,即
步骤3,利用小波变换方法生成高分辨率的目标样本。对样本进行3层小波变换,得到小波域的图像,在根据样本分辨率λ和尺度分辨率si确定插值系数,在小波域进行插值,然后选择合适的权重进行反向小波变换,得到更高分辨率的目标样本;
步骤4,利用高斯尺度空间变换方法生成低分辨率的目标样本。根据样本分辨率λ和尺度分辨率si确定插值系数,在此基础上确定高斯尺度空间的尺度参数和高斯核函数,然后高斯核函数对样本进行空间变换,得到低分辨率的目标样本。
步骤5,步骤3、步骤4共生成11个尺度的样本,加上原始样本,共计12个样本,作为深度学习训练的多尺度样本集合。
其中,步骤3所述的高分辨率样本生成方式如下:
步骤3a,对当前图像进行3层小波变换,小波函数采用Morlet,共获得10个小波分量,其中低频分量为1个,高频分量为9个(分属3层变换,每层3个);
步骤3c,步骤3a获取的10个小波分量采用双线性插值法进行插值,插值系数为ti,即插值后,每个分量的行、列均变为插值前的ti倍,获得n-1组小波分量;
其中,步骤4所述的低分辨率样本生成方式如下:
步骤4c,利用12-n个高斯滤波核函数对原始样本图像进行处理,生成对应的低分辨率图像。
深度学习是目前遥感图像目标检测、地物分类等应用的主流技术,深度学习效能的发挥与目标样本强烈相关。使用单一分辨率样本训练的模型一般仅适用于处理与样本分辨率接近的图像。本方法通过一种面向深度学习的多尺度样本生成方法,在原始样本的基础上,通过算法构建多尺度样本,实现深度学习模型对多种分辨率图像的适应。同时,本方法在生成多尺度低分辨率样本的同时,不改变样本的大小,简化深度学习模型的复杂度。
本方法的效果可通过以下试验进一步说明:
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz,64GB内存;操作系统为Windows764位专业版,软件环境为MATLAB 2017以及TensorFlow。
2.试验方法。
采用经过本方法处理的样本和使用原始样本对深度学习模型分别进行训练,然后利用训练后的模型对多种分辨率的图像进行目标检测试验,对结果进行分析。深度学习模型采用深度残差网络模型。目标样本是舰船目标,总数目1635个,来自与google earth、高分2号等传感器,分辨率范围在0.3米-2米之间。测试数据包括高分1号、高分2号、资源一号、Landsat等卫星,分辨率范围在0.8米-30米之间。
3.试验结果。
试验结果如图2所示。
试验结果表明,本方法处理的训练样本在高分辨率的时候(优于2米),比原始样本获得的检测精度高6个百分点。对于中低分辨率的影像(10米-20米、30米),本方法的样本获得的检测精度远远高于原始样本的检测精度。试验表明,通过本发明方法处理的样本能够使深度学习适用于多种分辨率的遥感图像。
总之,本发明在原始样本的基础上,通过算法构建多尺度样本,实现深度学习模型对多种分辨率图像的适应。本发明方法极大地扩展了单一分辨率样本训练的深度学习模型适用的图像范围,利用高斯尺度变换方法在生成低分辨率图像的同时不改变图像的大小,简化了深度学习模型的结构,处理方法成熟,易于实现,计算复杂度较低。同时,本发明方法适用于光学、红外、SAR、高光谱等多种类型的影像,对深度学习模型具有广泛的适用性,可用于目标检测、地物分类、变化检测等多种场景。
Claims (3)
1.一种面向深度学习的多尺度样本生成方法,其特征在于,包括以下步骤:
步骤1,计算不同规格的比例尺所对应的尺度分辨率si,1≤i≤K,K为比例尺的总数;
步骤3,对当前样本进行3层小波变换,得到小波域的图像,然后根据样本分辨率λ和尺度分辨率{si},1≤i<n确定插值系数,在小波域进行插值,并进行反向小波变换,得到n-1个高分辨率的目标样本;具体方式为:
步骤3a,对当前样本进行3层小波变换,小波函数采用Morlet,共获得10个小波分量,其中低频分量为1个,高频分量为9个;
步骤3c,将插值系数分别设为ti,在每个插值系数下,将10个小波分量采用双线性插值法进行插值,插值后,每个分量的行、列均变为插值前的ti倍;共获得n-1组小波分量;
步骤4,根据样本分辨率λ和尺度分辨率{si},n≤i≤K确定插值系数,在此基础上确定高斯尺度空间的尺度参数和高斯核函数,然后使用高斯核函数对当前样本进行空间变换,得到K+1-n个低分辨率的目标样本;
步骤5,将n-1个高分辨率目标样本、K+1-n个低分辨率目标样本以及原始的当前样本汇集为用于深度学习训练的多尺度样本集合。
2.根据权利要求1所述的一种面向深度学习的多尺度样本生成方法,其特征在于,步骤1中的比例尺共有11个,分别为1:500、1:1000、1:2000、1:5000、1:10000、1:25000、1:50000、1:100000、1:250000、1:500000、1:1000000,相应地,得到的尺度分辨率分别为0.15米、0.3米、0.6米、1.5米、3米、7.5米、15米、30米、75米、150米、300米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666661.8A CN113435487B (zh) | 2021-06-16 | 2021-06-16 | 一种面向深度学习的多尺度样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666661.8A CN113435487B (zh) | 2021-06-16 | 2021-06-16 | 一种面向深度学习的多尺度样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435487A CN113435487A (zh) | 2021-09-24 |
CN113435487B true CN113435487B (zh) | 2022-08-12 |
Family
ID=77756099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666661.8A Active CN113435487B (zh) | 2021-06-16 | 2021-06-16 | 一种面向深度学习的多尺度样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435487B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097499A (zh) * | 2019-03-14 | 2019-08-06 | 西安电子科技大学 | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 |
KR102108050B1 (ko) * | 2019-10-21 | 2020-05-07 | 가천대학교 산학협력단 | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060719A1 (en) * | 2016-08-29 | 2018-03-01 | International Business Machines Corporation | Scale-space label fusion using two-stage deep neural net |
CN112949549B (zh) * | 2021-03-19 | 2023-04-18 | 中山大学 | 一种基于超分辨率的多分辨率遥感影像的变化检测方法 |
-
2021
- 2021-06-16 CN CN202110666661.8A patent/CN113435487B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097499A (zh) * | 2019-03-14 | 2019-08-06 | 西安电子科技大学 | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 |
KR102108050B1 (ko) * | 2019-10-21 | 2020-05-07 | 가천대학교 산학협력단 | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN113435487A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211045B (zh) | 基于srgan网络的超分辨率人脸图像重建方法 | |
Lei et al. | Super-resolution for remote sensing images via local–global combined network | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
Chen et al. | CycleGAN-STF: Spatiotemporal fusion via CycleGAN-based image generation | |
CN109636742B (zh) | 基于对抗生成网络的sar图像和可见光图像的模式转换方法 | |
CN109683161B (zh) | 一种基于深度admm网络的逆合成孔径雷达成像的方法 | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
CN109490957B (zh) | 一种基于空间约束压缩感知的地震数据重建方法 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
Gou et al. | Remote sensing image super-resolution reconstruction based on nonlocal pairwise dictionaries and double regularization | |
Guo et al. | Multiscale semilocal interpolation with antialiasing | |
CN110111276B (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN113361367B (zh) | 基于深度学习的地下目标电磁反演方法及系统 | |
Liu et al. | Infrared small target detection based on resampling-guided image model | |
Huang et al. | Super-resolution reconstruction method of remote sensing image based on multi-feature fusion | |
CN116310851B (zh) | 遥感图像变化检测方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
CN113435487B (zh) | 一种面向深度学习的多尺度样本生成方法 | |
CN112184552A (zh) | 一种基于高频特征学习的子像素卷积图像超分辨方法 | |
CN102298768B (zh) | 基于稀疏样本的高分辨率图像重建方法 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN114998137A (zh) | 一种基于生成对抗网络的探地雷达图像杂波抑制方法 | |
CN115082337A (zh) | 一种基于双重全变分的高光谱混合噪声去除方法 | |
CN110135280B (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN114841924A (zh) | 一种用于异质遥感图像的无监督变化检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |