CN116403114A - 一种基于深度学习的遥感影像目标识别方法及系统 - Google Patents

一种基于深度学习的遥感影像目标识别方法及系统 Download PDF

Info

Publication number
CN116403114A
CN116403114A CN202310420985.2A CN202310420985A CN116403114A CN 116403114 A CN116403114 A CN 116403114A CN 202310420985 A CN202310420985 A CN 202310420985A CN 116403114 A CN116403114 A CN 116403114A
Authority
CN
China
Prior art keywords
image
scattering
sar
remote sensing
target
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
Application number
CN202310420985.2A
Other languages
English (en)
Inventor
李政
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.)
Zhongke Kaitsev Hainan Aerospace Information Research Institute Co ltd
Original Assignee
Zhongke Kaitsev Hainan Aerospace Information Research Institute 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 Zhongke Kaitsev Hainan Aerospace Information Research Institute Co ltd filed Critical Zhongke Kaitsev Hainan Aerospace Information Research Institute Co ltd
Priority to CN202310420985.2A priority Critical patent/CN116403114A/zh
Publication of CN116403114A publication Critical patent/CN116403114A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习的遥感影像目标识别方法，涉及遥感影像目标识别技术领域，包括如下步骤：基于常见物体图像库，引入注意力机制定位SAR图像中的物体对象，依据物体对象几何中心的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像；通过Deeplab v3+算法计算高清图像的整体散射特征，得到散射特征数据，基于散射特征数据对过渡图像切片并进行时间序列长度提取，得到散射特征向量；采用EM算法对散射特征向量进行迭代优化，得到若干特征映射矩阵，利用特征映射矩阵训练YOLOv5网络，最后将SAR图像输入训练好的YOLOv5网络中，获取高分辨率的SAR图像；基于目标图片数据库，对高分辨率的SAR图像中的目标对象的位置进行识别。

Description

一种基于深度学习的遥感影像目标识别方法及系统
技术领域
本发明涉及遥感影像目标识别技术领域，具体涉及一种基于深度学习的遥感影像目标识别方法及系统。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)是以主动发射波束的方式进行成像的，它不受光照、天气等的影响，能够在各种环境下全天时全天候地工作，能够提供全面的、实时的信息，以便相关工作者及时针对图像信息做出判断，而由于SAR图像对成像的方位角极其敏感，同一目标在不同方位角下的SAR图像存在一定差异，参与多视角SAR图像之间的关联性不够稳定，生成的融合度低、集成效果差，
现已授权的发明专利，公开号为CN105373809B，专利名称为基于非负最小二乘稀疏表示的SAR目标识别方法，其基于SAR图像的频谱特征作为识别特征，通过将测试样本投影到训练集上，在稀疏投影的过程中添加了非负约束，避免了因稀疏表示中的稀疏系数有正有负导致稀疏表示的数学描述不符合实际而对雷达目标识别造成干扰，同时使得稀疏解能更有效的反映目标在高维空间中的低维结构，通过稀疏重构过程来确定测试样本的类别，实现对雷达目标的识别，从而提高识别率，同时避免了对SAR图像目标进行方位角估计以及散焦或者信噪比等因素对目标识别造成的干扰，具有很好的噪声鲁棒性，能够有效提升雷达目标识别的准确性；
但是在上述投影到训练集的方法中，在投影过程中采用的稀疏重构过程，主要是通过对图像进行完全重构式编码，在编码过程中会引入不必要的信息，且会使得同一SAR图像上低分辨率的部分与高分辨率的部分之间关联性不够稳定、融合度低、集成效果差，影响最终的目标识别结果。
发明内容
为了克服上述缺陷，本发明提供了一种基于深度学习的遥感影像目标识别方法及系统，本发明充分利用了SAR图像中低分辨率、高分辨率之间的过渡图像的存在，通过过渡图像辅助高清图像散射特征计算散射特征向量的方式，求解过程更柔和，使得获取的散射特征向量包含了图像中不同分辨率图像之间的相关性，有利于提升高分辨率遥感影像中道路的材质识别精度和检测效率。
一方面，提供一种基于深度学习的遥感影像目标识别方法，包括如下步骤：
基于常见物体图像库，引入注意力机制定位SAR图像中的物体对象，依据物体对象几何中心的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像；
通过Deeplab v3+算法计算高清图像的整体散射特征，得到散射特征数据，基于散射特征数据对过渡图像切片并进行时间序列长度提取，得到散射特征向量；
采用EM算法对散射特征向量进行迭代优化，得到若干特征映射矩阵，利用特征映射矩阵训练YOLOv5网络，最后将SAR图像输入训练好的YOLOv5网络中，获取高分辨率的SAR图像；
基于目标图片数据库，对高分辨率的SAR图像中的目标对象的位置进行识别。
作为优选地，当依据相邻物体对象之间的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像时，具体包括以下步骤：
当SAR图像中的物体对象被定位完全后，通过对剩余未包含有物体对象的不规则图像进行邻近环境计算，得出邻近环境结果，所述邻近环境结果为不规则图像与过渡图像、模糊图像的邻近比率；
若不规则图像的邻近环境结果中过渡图像的邻近比率超过70％，若是,则将该不规则图像定义为过渡图像；若否，则将该不规则图像定义为模糊图像。
作为优选地，几何中心分辨率不超过1m的物体对象为高清图像，几何中心分辨率不超过5m的物体对象为过渡图像，几何中心分辨率大于5m的物体对象为模糊图像。
作为优选地，采用如下公式计算SAR图像整体幅度均值：
Figure BDA0004186839440000031
其中，P为幅度均值，q为中心灰度，k为边缘灰度，e为欧式距离，n为像素总量，l为离地距离；
其中，采用如下公式计算欧式距离：
Figure BDA0004186839440000032
其中，pi为高清图像中第i列像素块的散射系数，
Figure BDA0004186839440000033
为高清图像中第i列像素块中第j个像素块的散射系数。
作为优选地，所述散射特征包括表面和体散射、双回波、组合散射、穿透散射、介电属性散射。
作为优选地，所述根据散射特征向量计算高清图像的光谱-纹理特征集合时，通过识别网络模型进行计算，所述识别网络模型的构建过程具体包括以下步骤：
依据自编码器结构构建并训练第一识别模型，所述第一识别模型用于将输入量映射到特征空间中得到编码数据，在将编码数据映射回特征空间，使特征空间的编码数据最大程度靠近所述输入数据；
构建第二识别模型，所述第二识别模型包括完成训练的第一识别模型和灰度共生矩阵；
构建第三识别模型，所述第三识别模型包括第二识别模型和纹理模型，所述纹理模型包括有若干种类的光谱指数。
第二方面，提供一种基于深度学习的遥感影像目标识别系统，包括以下内容：
图像库：包括常见物体数据库、目标图片数据库，所述常见物体数据库用于存储常见物体对象的图像信息，所述目标图片数据库用于存储目标对象的图像信息；
物体对象定位模块：用于根据常见物体图像库对SAR图像进行物体对象定位操作；
图像分切模块：用于将定位后的SAR图像分切为高清图像、过渡图像、模糊图像；
散射特征计算模块：用于依据分切后的高清图像和模糊图像计算散射特征向量；
映射矩阵生成模块：用于根据散射特征向量构建识别网络模型，并依据分切后的高清图像计算特征映射矩阵；
YOLOv5网络训练模块：用于根据特征映射矩阵训练YOLOv5网络，获取高分辨率SAR图像；
目标位置识别模块：用于根据目标图片数据库，确定高分辨率SAR图像中目标对象的位置。
作为优选地，
模糊环境算法建立模块：用于建立模糊环境算法，所述模糊环境算法用于对SAR图像进行充分分切，得出不规则图像以及不规则图像的邻近环境结果；
邻近结果比对模块：用于根据邻近环境结果判断不规则图像的分切结果。
第三方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于深度学习的遥感影像目标识别方法。
第四方面，一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度学习的遥感影像目标识别方法。
本发明的有益效果体现在：
本发明充分利用了SAR图像中低分辨率、高分辨率之间的过渡图像的存在，通过过渡图像辅助高清图像散射特征计算散射特征向量的方式，求解过程更柔和，使得获取的散射特征向量包含了图像中不同分辨率图像之间的相关性，有利于提升高分辨率遥感影像中道路的材质识别精度和检测效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明提供的一种基于深度学习的遥感影像目标识别方法的流程图；
图2为本发明提供的一种基于深度学习的遥感影像目标识别方法中Deeplab v3+算法的流程图；
图3a为本发明提供的一种基于深度学习的遥感影像目标识别方法中实施例中描述的地面地距成像结果图；
图3b为本发明提供的一种基于深度学习的遥感影像目标识别方法中实施例中描述的地面斜距成像结果图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在实施例1中，如图1、图2所示，一种基于深度学习的遥感影像目标识别方法，包括如下步骤：
基于常见物体图像库，引入注意力机制定位SAR图像中的物体对象，依据物体对象几何中心的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像；
通过Deeplab v3+算法计算高清图像的整体散射特征，得到散射特征数据，基于散射特征数据对过渡图像切片并进行时间序列长度提取，得到散射特征向量；
采用EM算法对散射特征向量进行迭代优化，得到若干特征映射矩阵，利用特征映射矩阵训练YOLOv5网络，最后将SAR图像输入训练好的YOLOv5网络中，获取高分辨率的SAR图像；
基于目标图片数据库，对高分辨率的SAR图像中的目标对象的位置进行识别。
在本方案中，充分利用了SAR图像中低分辨率、高分辨率之间的过渡图像的存在，通过过渡图像辅助高清图像散射特征计算散射特征向量的方式，求解过程更柔和，使得获取的散射特征向量包含了图像中不同分辨率图像之间的相关性，有利于提升高分辨率遥感影像中道路的材质识别精度和检测效率。
更为具体的，当依据相邻物体对象之间的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像时，具体包括以下步骤：
当SAR图像中的物体对象被定位完全后，通过对剩余未包含有物体对象的不规则图像进行邻近环境计算，得出邻近环境结果，所述邻近环境结果为不规则图像与过渡图像、模糊图像的邻近比率；
若不规则图像的邻近环境结果中过渡图像的邻近比率超过70％，若是,则将该不规则图像定义为过渡图像；若否，则将该不规则图像定义为模糊图像。
此处不规则图像边缘与过渡图像的邻近比率的计算方式为，先求出不规则图像的总周长，再计算不规则图像边缘与过渡图像边缘的第一重合长度，得出第一重合长度与总周长的比值；
此处不规则图像边缘与模糊图像的邻近比率的计算方式为，先求出不规则图像的总周长，再计算不规则图像边缘与模糊图像边缘的第二重合长度，得出第二重合长度与总周长的比值。
更为具体的，几何中心分辨率不超过1m的物体对象为高清图像，几何中心分辨率不超过5m的物体对象为过渡图像，几何中心分辨率大于5m的物体对象为模糊图像。
由于物体对象可能存在图像边缘或部分内容的分辨率不同的情况，但是物体对象能够被定位，则表明物体图像的显著特征较易被识别，同时一般物体对象的整体性较强，已被识别的物体图像边缘或部分内容模糊不影响物体图像整体的识别，并且考虑到数据处理效率的问题，此处直接采用物体对象图像数据的几何中心分辨率代指物体对象整体分辨率，降低数据处理的繁琐程度；
现如今星载光学SAR图像的分辨率已经能够到达0.5m-0.3m，而一般SAR图像的采集效果最优的情况下，仍较星载光学SAR的分辨率低一些，所以此处将高清图像的分辨率设为1m最佳，而较差的SAR成像设备均能够达到5m的分辨率，此处将5m分辨率作为过渡图像与模糊图像的分水岭，以便于后续使高清图像和模糊图像进行融合时能够更加柔和。
更为具体的，采用如下公式计算SAR图像整体幅度均值：
Figure BDA0004186839440000081
其中，P为幅度均值，q为中心灰度，k为边缘灰度，e为欧式距离，n为像素总量，l为离地距离；
其中，采用如下公式计算欧式距离：
Figure BDA0004186839440000082
其中，pi为高清图像中第i列像素块的散射系数，
Figure BDA0004186839440000083
为高清图像中第i列像素块中第j个像素块的散射系数。
更为具体的，所述散射特征包括表面和体散射、双回波、组合散射、穿透散射、介电属性散射。
由于SAR是主动式侧视雷达系统，且成像几何属于斜距成像类型，同尺寸地面图像的斜距成像与地距成像的示意图存在较大差异，以同一块地面为例，如图3a所示，为该地面的地距成像结果，如图3b所示，为该地面的斜距成像结果，因此SAR图像与光学图像在成像机理、几何特征、辐射特征等方面都有较大的区别，同样的物体采用体散射、双回波、组合散射、穿透散射或介电属性散射中任意一种散射方式进行成像时，均与其他散射方式成像的结果不同，所以在散射特征上需要进行区分，其中，散射特征数据主要包括雷达传感器的工作波长、入射角、极化方式等。
更为具体的，所述根据散射特征向量计算高清图像的光谱-纹理特征集合时，通过识别网络模型进行计算，所述识别网络模型的构建过程具体包括以下步骤：
依据自编码器结构构建并训练第一识别模型，所述第一识别模型用于将输入量映射到特征空间中得到编码数据，在将编码数据映射回特征空间，使特征空间的编码数据最大程度靠近所述输入数据；
构建第二识别模型，所述第二识别模型包括完成训练的第一识别模型和灰度共生矩阵；
构建第三识别模型，所述第三识别模型包括第二识别模型和纹理模型，所述纹理模型包括有若干种类的光谱指数。
其中，第一识别模型采用含8层隐藏层的编码模块和8层隐藏层的解码模块的自动编码器串联结构形成的深度自编码器(Deep Autoencoder，DAE)，进行数据深层特征的提取以及数据的降维。
在实施例2中，一种基于深度学习的遥感影像目标识别系统，包括以下内容：
图像库：包括常见物体数据库、目标图片数据库，所述常见物体数据库用于存储常见物体对象的图像信息，所述目标图片数据库用于存储目标对象的图像信息；
物体对象定位模块：用于根据常见物体图像库对SAR图像进行物体对象定位操作；
图像分切模块：用于将定位后的SAR图像分切为高清图像、过渡图像、模糊图像；
散射特征计算模块：用于依据分切后的高清图像和模糊图像计算散射特征向量；
映射矩阵生成模块：用于根据散射特征向量构建识别网络模型，并依据分切后的高清图像计算特征映射矩阵；
YOLOv5网络训练模块：用于根据特征映射矩阵训练YOLOv5网络，获取高分辨率SAR图像；
目标位置识别模块：用于根据目标图片数据库，确定高分辨率SAR图像中目标对象的位置。
更为具体的，
模糊环境算法建立模块：用于建立模糊环境算法，所述模糊环境算法用于对SAR图像进行充分分切，得出不规则图像以及不规则图像的邻近环境结果；
邻近结果比对模块：用于根据邻近环境结果判断不规则图像的分切结果。
可以理解的是，本发明提供的一种基于深度学习的遥感影像目标识别系统与前述各实施例提供的一种基于深度学习的遥感影像目标识别方法相对应，一种基于深度学习的遥感影像目标识别系统的相关技术特征可参考一种基于深度学习的遥感影像目标识别方法的相关技术特征，在此不再赘述。
在实施例3中，一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于深度学习的遥感影像目标识别方法。
具体地，上述处理器可以包括中央处理器，或者特定集成电路，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器可包括硬盘驱动器、软盘驱动器、固态驱动器、闪存、光盘、磁光盘、磁带或通用串行总线驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性存储器。在特定实施例中，存储器包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programable Read-Only Memory，简称为PROM)、可擦除PROM、电可擦除PROM、电可改写ROM或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器、扩展数据输出动态随机存取存储器、同步动态随机存取内存等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种基于深度学习的遥感影像目标识别方法。
在实施例4中，一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于深度学习的遥感影像目标识别方法。
所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器、磁性存储器、磁盘、光盘等。所述可读存储介质在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述可读存储介质在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡、安全数字卡、闪存卡等。可读存储介质还可以既包括电子设备的内部存储单元也包括外部存储设备。可读存储介质不仅可以用于存储安装于电子设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于深度学习的遥感影像目标识别方法，其特征在于，包括如下步骤：
基于常见物体图像库，引入注意力机制定位SAR图像中的物体对象，依据物体对象几何中心的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像；
通过Deeplab v3+算法计算高清图像的整体散射特征，得到散射特征数据，基于散射特征数据对过渡图像切片并进行时间序列长度提取，得到散射特征向量；
采用EM算法对散射特征向量进行迭代优化，得到若干特征映射矩阵，利用特征映射矩阵训练YOLOv5网络，最后将SAR图像输入训练好的YOLOv5网络中，获取高分辨率的SAR图像；
基于目标图片数据库，对高分辨率的SAR图像中的目标对象的位置进行识别。
2.根据权利要求1所述的基于深度学习的遥感影像目标识别方法，其特征在于，当依据相邻物体对象之间的分辨率数值将SAR图像充分分切为高清图像、过渡图像、模糊图像时，具体包括以下步骤：
当SAR图像中的物体对象被定位完全后，通过对剩余未包含有物体对象的不规则图像进行邻近环境计算，得出邻近环境结果，所述邻近环境结果为不规则图像与过渡图像、模糊图像的邻近比率；
若不规则图像的邻近环境结果中过渡图像的邻近比率超过70％，若是,则将该不规则图像定义为过渡图像；若否，则将该不规则图像定义为模糊图像。
3.根据权利要求2所述的基于深度学习的遥感影像目标识别方法，其特征在于，几何中心分辨率不超过1m的物体对象为高清图像，几何中心分辨率不超过5m的物体对象为过渡图像，几何中心分辨率大于5m的物体对象为模糊图像。
4.根据权利要求3所述的基于深度学习的遥感影像目标识别方法，其特征在于，采用如下公式计算SAR图像整体幅度均值：
Figure FDA0004186839420000021
其中，P为幅度均值，q为中心灰度，k为边缘灰度，e为欧式距离，n为像素总量，l为离地距离；
其中，采用如下公式计算欧式距离：
Figure FDA0004186839420000022
其中，pi为高清图像中第i列像素块的散射系数，
Figure FDA0004186839420000023
为高清图像中第i列像素块中第j个像素块的散射系数。
5.根据权利要求4所述的基于深度学习的遥感影像目标识别方法，其特征在于，所述散射特征包括表面和体散射、双回波、组合散射、穿透散射、介电属性散射。
6.根据权利要求5所述的基于深度学习的遥感影像目标识别方法，其特征在于，所述根据散射特征向量计算高清图像的光谱-纹理特征集合时，通过识别网络模型进行计算，所述识别网络模型的构建过程具体包括以下步骤：
依据自编码器结构构建并训练第一识别模型，所述第一识别模型用于将输入量映射到特征空间中得到编码数据，在将编码数据映射回特征空间，使特征空间的编码数据最大程度靠近所述输入数据；
构建第二识别模型，所述第二识别模型包括完成训练的第一识别模型和灰度共生矩阵；
构建第三识别模型，所述第三识别模型包括第二识别模型和纹理模型，所述纹理模型包括有若干种类的光谱指数。
7.一种基于深度学习的遥感影像目标识别系统，其特征在于，包括以下内容：
图像库：包括常见物体数据库、目标图片数据库，所述常见物体数据库用于存储常见物体对象的图像信息，所述目标图片数据库用于存储目标对象的图像信息；
物体对象定位模块：用于根据常见物体图像库对SAR图像进行物体对象定位操作；
图像分切模块：用于将定位后的SAR图像分切为高清图像、过渡图像、模糊图像；
散射特征计算模块：用于依据分切后的高清图像和模糊图像计算散射特征向量；
映射矩阵生成模块：用于根据散射特征向量构建识别网络模型，并依据分切后的高清图像计算特征映射矩阵；
YOLOv5网络训练模块：用于根据特征映射矩阵训练YOLOv5网络，获取高分辨率SAR图像；
目标位置识别模块：用于根据目标图片数据库，确定高分辨率SAR图像中目标对象的位置。
8.根据权利要求7所述的基于深度学习的遥感影像目标识别系统，其特征在于，
模糊环境算法建立模块：用于建立模糊环境算法，所述模糊环境算法用于对SAR图像进行充分分切，得出不规则图像以及不规则图像的邻近环境结果；
邻近结果比对模块：用于根据邻近环境结果判断不规则图像的分切结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于深度学习的遥感影像目标识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的遥感影像目标识别方法。
CN202310420985.2A 2023-04-18 2023-04-18 一种基于深度学习的遥感影像目标识别方法及系统 Pending CN116403114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310420985.2A CN116403114A (zh) 2023-04-18 2023-04-18 一种基于深度学习的遥感影像目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310420985.2A CN116403114A (zh) 2023-04-18 2023-04-18 一种基于深度学习的遥感影像目标识别方法及系统

Publications (1)

Publication Number Publication Date
CN116403114A true CN116403114A (zh) 2023-07-07

Family

ID=87015851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310420985.2A Pending CN116403114A (zh) 2023-04-18 2023-04-18 一种基于深度学习的遥感影像目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN116403114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152620A (zh) * 2023-10-30 2023-12-01 江西立盾光电科技有限公司 一种跟随植物状态变化的植物生长控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152620A (zh) * 2023-10-30 2023-12-01 江西立盾光电科技有限公司 一种跟随植物状态变化的植物生长控制方法及系统
CN117152620B (zh) * 2023-10-30 2024-02-13 江西立盾光电科技有限公司 一种跟随植物状态变化的植物生长控制方法及系统

Similar Documents

Publication Publication Date Title
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
US20180075319A1 (en) 3d building extraction apparatus, method and system
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
CN109712071B (zh) 基于航迹约束的无人机图像拼接与定位方法
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
CN112101309A (zh) 基于深度学习分割网络的地物目标识别方法和装置
US12020490B2 (en) Method and device for estimating position of networked vehicle based on independent non-uniform increment sampling
CN115019187B (zh) 针对sar图像船舶目标的检测方法、装置、设备及介质
CN116403114A (zh) 一种基于深度学习的遥感影像目标识别方法及系统
CN115205855A (zh) 融合多尺度语义信息的车辆目标识别方法、装置及设备
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
CN117934518B (zh) 用于海洋国土空间详细规划的遥感图像分割方法及系统
CN114782355A (zh) 基于改进vgg16网络的胃癌数字病理切片检测方法
CN112164087B (zh) 基于边缘约束和分割边界搜索的超像素分割方法及装置
CN114155285A (zh) 基于灰度直方图的图像配准方法
CN116778176B (zh) 基于频域注意力的sar图像舰船尾迹检测方法
CN116863349A (zh) 基于三角网密集匹配的遥感影像变化区域确定方法及装置
CN115019107B (zh) 基于风格迁移的声呐仿真图像生成方法、系统及介质
CN116129320A (zh) 基于视频sar的目标检测方法、系统及设备
CN114648520A (zh) 轨道缺陷的检测方法、系统、电子设备和存储介质
CN113298759A (zh) 水域检测方法、装置、电子设备及存储介质
CN108564603B (zh) 基于改进的高斯混合模型的sar图像变化检测方法
CN111239740A (zh) 一种去除射线噪声的方法及设备
CN114842021B (zh) 基于区域结构信息与边缘几何惩罚的sar图像分割方法
CN118097475B (zh) 一种低慢小目标检测方法、电子设备及计算机程序产品

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