CN116503733B - 遥感图像目标检测方法、设备及存储介质 - Google Patents
遥感图像目标检测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116503733B CN116503733B CN202310460255.5A CN202310460255A CN116503733B CN 116503733 B CN116503733 B CN 116503733B CN 202310460255 A CN202310460255 A CN 202310460255A CN 116503733 B CN116503733 B CN 116503733B
- Authority
- CN
- China
- Prior art keywords
- target
- remote sensing
- image
- sensing image
- targets
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000000007 visual effect Effects 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及一种遥感图像目标检测方法、设备及存储介质,遥感图像目标检测方法包括以下步骤:获取遥感图像及其对应的目标类别标签;获取遥感图像中目标的关键特征;构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测;提取粗检测后的目标特征算子,构建目标特征显著图,进行遥感图像中目标的高精度检测;利用目标在遥感图像中的分布规律,完成目标的识别和定位。本发明,能够适用于背景环境复杂的遥感图形,有利于降低虚警,减小其他类型虚假目标对目标定位的影响,不仅可以实现遥感图像中目标的检测,还可以通过目标特征及目标的排布方式进行目标的识别,提升检测结果的准确性。
Description
技术领域
本发明涉及遥感图像目标检测与识别技术领域,尤其涉及一种遥感图像目标检测方法、设备及存储介质。
背景技术
目标检测是计算机视觉中四大关键任务之一,其不仅在资源勘测、环境监测、城市规划等民用领域有重要作用,而且在目标信息获取、目标捕捉、等其他领域也扮演着重要角色。随着深度学习的蓬勃发展和卷积神经网络的提出,基于深度学习的目标检测方法已全面超越传统手工提取特征的方法,引领了目标检测领域的发展。
在对遥感图像中典型目标进行检测时,由于目标的背景环境较为复杂,传统的检测算法会将一些呈现为相似形状的目标检测为目标,增加了虚警。同时大量其他类型虚假目标的存在会影响目标准确定位,导致关注区域定位面积扩大,影响最终检测结果的准确性。
发明内容
为解决上述现有技术中存在的技术问题,本发明的目的在于提供一种的遥感图像目标检测方法、设备及存储介质,实现遥感图像中目标的检测,同时通过目标特征及目标的排布方式进行目标的识别,提升检测结果的准确性。
为实现上述发明目的,本发明提供一种遥感图像目标检测方法,包括以下步骤:
步骤S1、获取遥感图像及其对应的目标类别标签;
步骤S2、获取遥感图像中目标的关键特征;
步骤S3、构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测;
步骤S4、提取粗检测后的目标特征算子,构建目标特征显著图,进行遥感图像中目标的高精度检测;
步骤S5、利用目标在遥感图像中的分布规律,完成目标的识别和定位。
根据本发明的一个方面,在执行所述步骤S2前,对遥感图像进行预处理,所述预处理至少包括:对获取的遥感图像及其对应的目标类别标签进行剪裁和翻转;
所述遥感图像为光学遥感图像。
根据本发明的一个方面,在所述步骤S2中,具体包括:
步骤S21、提取预处理后的遥感图像中的目标特征;
步骤S22、对所述目标特征进行过滤,得到目标的关键特征。
根据本发明的一个方面,在所述步骤S22中,具体包括:
构建一个基于遥感图像的高斯图像金字塔,即:
I={I0,I1,...In}
其中,n是图像金字塔的级数。采用显著模型提取每一级图像中的显著区域,并对应到显著映射,得到H1,H2,…,Hn-1,公式如下:
Sm=H0*H1*...*Hn
其中,*表示在进行乘法运算前,先将不同尺度所产生的显著映射矩阵H1,H2,…,Hn-1大小调整为与H0尺寸相等,Sm是多尺度HC显著映射。
根据本发明的一个方面,在所述步骤S4中,具体包括:
步骤S41、视觉特征提取:对输入的图像采用高斯金字塔生成关于颜色、纹理和梯度特征的9级金字塔图,
其中,将原始图像指定为基图像,具体包括计算一组高亮度金字塔和四组颜色高斯金字塔;
步骤S42、计算多特征图:通过获取的目标视觉特征,通计算特征集;
步骤S43、生成目标特征显著图:采用多特征图的融合方法,将所有的特征图归一化为以下成颜色显著图、纹理显著图和梯度显著图,再进行一次归一化,生成最终显著图。
根据本发明的一个方面,在执行所述步骤S5前,构建基于颜色恒常的颜色矫正模型,去除目标在图像中的阴影。
根据本发明的一个方面,利用颜色恒常的颜色矫正模型去除图像中的阴影,具体包括:
采用明可夫斯基范式求出场景光源的颜色,公式为:
式中,e是当前场景中的光源颜色;f表示图像的颜色分量值;k是比例系数;p为指数参数,其取值范围为[1,∞);
在基于图像阴影区域与非阴影区域的场景部分都能够满足明可夫斯基范式的颜色恒常算法假设,同时假设场景光照具有一致性的前提下,将阴影区域的光照变换到非阴影区域的光照,从而实现阴影的去除。
根据本发明的一个方面,在所述步骤S5中,具体包括:
步骤S51、根据不同类型目标之间的距离关系,构建目标之间关联关系知识图谱,作为目标检测识别依据之一;
步骤S52、计算目标的自身外接圆尺寸,以及相邻目标之间的距离,目标之间最小距离d与目标自身外接圆尺寸间的关系为:
d≥r
其中,r为目标自身外接圆半径;
步骤S53、在完成上述检测步骤后,其检测结果位于所给定的目标聚类区域内时,图像中有大量满足空间分布规律的疑似目标,当获得全部疑似目标后,根据疑似目标是否属于该范围,对疑似目标进行识别和定位。
根据本发明的一个方面,提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行如上述技术方案中任一项所述的一种遥感图像目标检测方法。
根据本发明的一个方面,提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,实现如上述技术方案中任一项所述一种遥感图像目标检测方法。
本发明与现有技术相比,具有如下有益效果:
本发明提出了一种遥感图像目标检测方法、设备及存储介质,能够适用于背景环境复杂的遥感图形,有利于降低虚警,减小其他类型虚假目标对目标定位的影响,不仅可以实现遥感图像中目标的检测,还可以通过目标特征及目标的排布方式进行目标的识别,提升检测结果的准确性。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性表示根据本发明一个实施例中提供的遥感图像目标检测方法流程图;
图2示意性表示本发明实施例提供的一种基于视觉显著模型的遥感图像目标检测方法的实现流程图;
图3示意性表示本发明实施例提供的遥感图像视觉显著模型的生成方法流程图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合,附图应作为完整的说明书的一部分。在附图中,实施例的形状或是厚度可扩大,并以简化或是方便标示。再者,附图中各结构的部分将以分别描述进行说明,值得注意的是,图中未示出或未通过文字进行说明的元件,为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述,有关方向和方位的任何参考,均仅是为了便于描述,而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合,这些特征可能独立存在或者组合存在,本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
如图1和图2所示,本发明的一种遥感图像目标检测方法,包括以下步骤:
步骤S1、获取遥感图像及其对应的目标类别标签;
步骤S2、获取遥感图像中目标的关键特征;
步骤S3、构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测;
步骤S4、提取粗检测后的目标特征算子,构建目标特征显著图,进行遥感图像中目标的高精度检测;
步骤S5、利用目标在遥感图像中的分布规律,完成目标的识别和定位。
在该实施例中,首先获取遥感图像及其对应的目标类别标签,然后基于视觉显著模型的遥感图像中目标粗略检测,再基于典型特征算子的目标高精度检测,最后基于目标位置分布的遥感图像目标识别及定位,能够适用于背景环境复杂的遥感图形,有利于降低虚警,减小其他类型虚假目标对目标定位的影响,不仅可以实现遥感图像中目标的检测,还可以通过目标特征及目标的排布方式进行目标的识别,提升检测结果的准确性。
其中,目标在遥感图像中的分布规律可以基于深度优先搜索策略及先验知识得到。
在本发明的一个实施例中,优选地,在执行所述步骤S2前,对遥感图像进行预处理,所述预处理至少包括:对获取的遥感图像及其对应的目标类别标签进行剪裁和翻转;
所述遥感图像为光学遥感图像。
在该实施例中,通过对遥感图像进行剪裁、翻转等操作,有利于增强模型算法的鲁棒性、普适性和提高泛化能力。
如图3所示,在本发明的一个实施例中,优选地,在所述步骤S2中,具体包括:
步骤S21、提取预处理后的遥感图像中的目标特征;
步骤S22、对所述目标特征进行过滤,得到目标的关键特征。
在本发明的一个实施例中,优选地,在所述步骤S22中,具体包括:
构建一个基于遥感图像的高斯图像金字塔,即:
I={I0,I1,...In}
其中,n是图像金字塔的级数。采用显著模型提取每一级图像中的显著区域,并对应到显著映射,得到H1,H2,…,Hn-1,公式如下:
Sm=H0*H1*...*Hn;
其中,*表示在进行乘法运算前,先将不同尺度所产生的显著映射矩阵H1,H2,…,Hn-1大小调整为与H0尺寸相等,Sm是多尺度HC显著映射。
在该实施例中,HC显著映射是将所有其它图像像素中的颜色分离,以产生全分辨率的特征显著映射,从而分配已知像素的显著值,以便达到图像中目标粗略检测的目的。
在本发明的一个实施例中,优选地,在所述步骤S3中,构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测。
具体地,作为改进的HC显著映射,首次对区域中的输入图像进行分割时,合并空间关系产生基于区域对比(Region Contrast,RC)的映射,然后对其分配显著值。通过与图像其他区域的对比度和空间距离进行估计,使用整体对比评价计算区域的显著值。其中一些目标在图像中表现为相互连接或形变。数学形态学不仅将目标形状简化,并在凸显目标的同时进一步抑制了背景区域。所以可用顶帽变换和底帽变换相结合的方法进行多尺度HC显著映射。其中,从原始图像中减去形态开启后的图像称为顶帽变换(用t表示),而形态闭合后的图像减原始图像则为底帽变换(用b表示),选取适当的结构元素进行灰度开运算可使图像中仅剩下对背景的估计;也可将小于结构元素的噪声去除,从原始图像中减去对背景的估计就可将目标提取出来。
具体的,顶帽变换和底帽变换的具体数学描述公式为:
其中,A为原始图像,b为结构元素。其中,在灰度图像形态学分析中,结构元素发挥了重要的作用。二维空间或其子空间上的集合构成了结构元素,结构元素可在图像上进行平移,且比图像尺寸小,同时具有一定的大小和如圆、点、有向线段、正方形等形状的特点。在一个实施例中,使用圆形作为结构元素,尺寸是3×3。
顶帽变换可以提取更高阶的灰度区域作为目标区域。底帽变换不同于从原始图像到闭图像,该变换可提取更低阶的灰度区域作为背景区域。将原始图像与顶帽图像相加,然后减去底帽图像,再对图像进行腐蚀运算,得到最终的输出图像。具体公式如下:
Ip=Sm+It(Sm,b)-Ib(Sm,b)
I=Ero(de,Ip),
其中,Sm表示多尺度HC显著映射;It表示顶帽变换,Ib表示底帽变换;Ip为中间量;Ero表示腐蚀运算;b表示结构元素;I为最终输出图像。
在本发明的一个实施例中,优选地,在所述步骤S4中,具体包括:
步骤S41、视觉特征提取:对输入的图像采用高斯金字塔生成关于颜色、纹理和梯度特征的9级金字塔图。
其中,将原始图像指定为基图像,具体包括计算一组高亮度金字塔和四组颜色高斯金字塔。
具体地,Itti视觉模型中早期特征选择的是颜色、纹理和梯度三个特征。对输入的图像采用高斯金字塔生成关于这三个特征的9级金字塔图,其中将原始图像指定为基图像,计算方法如下:
一组特征金字塔:用r,g,b三个颜色通道获取图像的亮度I,I定义为I=(r+g+b)/3,I用来产生一个高斯金字塔I(σ),σ∈[0,8],表示尺度;第i(i∈[1,8])级高斯金字塔由第i-1级高斯金字塔降采样得到。
四组颜色高斯金字塔:用r,g,b三个颜色通道采样I进行归一化的目的是从亮度中分离出色调,产生四个宽调谐的颜色通道,从这四个新产生的颜色通道中可以获取四个颜色高斯金字塔R,G,B,Y,它们的定义如下:
R=r-(g+b)/2
G=g-(r+b)/2
B=b-(r+g)/2
Y=(r+g)/2-(r-g)/2
采用类似方法可以获得基于颜色的4组金字塔:R(σ),G(σ),B(σ)和Y(σ),在一个实施例中,σ∈[0,8],θ∈{0°,45°,90°,135°}。
步骤S42、计算多特征图:通过获取的目标视觉特征,通计算特征集。
其中,计算纹理特征图具体包括:计算图像的灰度共生矩阵(GLCM)和局部二项式模式(LBP)特征,通过像素值加和的方式,生成图像的纹理特征图;计算梯度特征图具体包括:计算图像的方向梯度直方图(Histogram of Oriented Gradient,HOG),作为图像的梯度特征图。
步骤S43、生成目标特征显著图:采用多特征图的融合方法,将所有的特征图归一化为以下成颜色显著图、纹理显著图和梯度显著图,再进行一次归一化,生成最终显著图。
显著图的目的是为了标记出图像中的显著区域,采用多特征图的融合方法,在一个实施例中,将所有的特征图在σ=4的情况下归一化为以下成3个特征显著图L、C和O。其中,L、C和O分别代表颜色显著图、纹理显著图和梯度显著图。最后对归一化后的图L、C和O再进行一次归一化,生成最终显著图S。
在本发明的一个实施例中,优选地,在执行所述步骤S5前,构建基于颜色恒常的颜色矫正模型,去除目标在图像中的阴影。
在本发明的一个实施例中,优选地,利用颜色恒常的颜色矫正模型去除图像中的阴影,具体包括:
采用明可夫斯基范式求出场景光源的颜色,公式为:
式中,e是当前场景中的光源颜色;f表示图像的颜色分量值;k是比例系数;p为指数参数,其取值范围为[1,∞);
在基于图像阴影区域与非阴影区域的场景部分都能够满足明可夫斯基范式的颜色恒常算法假设,同时假设场景光照具有一致性的前提下,将阴影区域的光照变换到非阴影区域的光照,从而实现阴影的去除。
在本发明的一个实施例中,优选地,在所述步骤S5中,具体包括:
步骤S51、根据不同类型目标之间的距离关系,构建目标之间关联关系知识图谱,作为目标检测识别依据之一;
步骤S52、计算目标的自身外接圆尺寸,以及相邻目标之间的距离,目标之间最小距离d与目标自身外接圆尺寸间的关系为:
d≥r,
其中,r为目标自身外接圆半径;
步骤S53、在完成上述检测步骤后,其检测结果位于所给定的目标聚类区域内时,图像中有大量满足空间分布规律的疑似目标,当获得全部疑似目标后,根据疑似目标是否属于该范围,对疑似目标进行识别和定位。
在本发明的一个实施例中,优选地,如图2所示,遥感图像目标检测方法包括图像获取阶段、遥感图像目标检测识别阶段以及结果输出阶段,在图像获取阶段需要对遥感图像进行预处理;遥感图像目标检测识别阶段的步骤包括:首先获取遥感图像及其对应的目标类别标签,然后基于视觉显著模型的遥感图像中目标粗略检测,再基于典型特征算子的目标高精度检测,最后基于目标位置分布的遥感图像目标识别及定位;结果输出阶段即为目标检测识别结果输出。
根据本发明的一个方面,提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行如上述技术方案中任一项的一种遥感图像目标检测方法。
根据本发明的一个方面,提供了一种计算机可读存储介质,用于存储计算机指令,计算机指令被处理器执行时,实现如上述技术方案中任一项一种遥感图像目标检测方法。
计算机可读存储介质可以包括能够存储或传输信息的任何介质。计算机可读存储介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明的一种遥感图像目标检测方法、设备及存储介质,遥感图像目标检测方法包括:步骤S1、获取遥感图像及其对应的目标类别标签;步骤S2、获取遥感图像中目标的关键特征;步骤S3、构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测;步骤S4、提取粗检测后的目标特征算子,构建目标特征显著图,进行遥感图像中目标的高精度检测;步骤S5、利用目标在遥感图像中的分布规律,完成目标的识别和定位;首先建立改进的视觉显著模型,将目标从复杂背景中粗分离。然后检测疑似目标。去除阴影,得到目标的初步检测结果。最后基于深度优先搜索策略及先验知识,确定目标及定位,能够适用于背景环境复杂的遥感图形,有利于降低虚警,减小其他类型虚假目标对目标定位的影响,不仅可以实现遥感图像中目标的检测,还可以通过目标特征及目标的排布方式进行目标的识别,提升检测结果的准确性。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,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、方法、物品或者终端设备不仅包括那些要素,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、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (8)
1.一种遥感图像目标检测方法,其特征在于,包括以下步骤:
步骤S1、获取遥感图像及其对应的目标类别标签;
步骤S2、获取遥感图像中目标的关键特征;
步骤S3、构建基于多尺度直方图对比的改进视觉显著模型,对遥感图像中的目标进行粗略检测;
步骤S4、提取粗检测后的目标特征算子,构建目标特征显著图,进行遥感图像中目标的高精度检测,具体包括:
步骤S41、视觉特征提取:对输入的图像采用高斯金字塔生成关于颜色、纹理和梯度特征的 9 级金字塔图,
其中,将原始图像指定为基图像,具体包括计算一组高亮度金字塔和四组颜色高斯金字塔;
步骤S42、计算多特征图:通过获取的目标视觉特征,通计算特征集;
步骤S43、生成目标特征显著图:采用多特征图的融合方法,将所有的特征图归一化为以下成颜色显著图、纹理显著图和梯度显著图,再进行一次归一化,生成最终显著图;
步骤S5、利用目标在遥感图像中的分布规律,完成目标的识别和定位,具体包括:
步骤S51、根据不同类型目标之间的距离关系,构建目标之间关联关系知识图谱,作为目标检测识别依据之一;
步骤S52、计算目标的自身外接圆尺寸,以及相邻目标之间的距离,目标之间最小距离d与目标自身外接圆尺寸间的关系为:
其中,r 为目标自身外接圆半径;
步骤S53、在完成上述检测步骤后,其检测结果位于所给定的目标聚类区域内时,图像中有大量满足空间分布规律的疑似目标,当获得全部疑似目标后,判断疑似目标是否满足空间分布规律,如满足,则认为疑似目标为所需识别的目标,对疑似目标进行识别和定位。
2.根据权利要求1所述的遥感图像目标检测方法,其特征在于,在执行所述步骤S2前,对遥感图像进行预处理,所述预处理至少包括:对获取的遥感图像及其对应的目标类别标签进行剪裁和翻转;
所述遥感图像为光学遥感图像。
3.根据权利要求1所述的遥感图像目标检测方法,其特征在于,在所述步骤S2中,具体包括:
步骤S21、提取预处理后的遥感图像中的目标特征;
步骤S22、对所述目标特征进行过滤,得到目标的关键特征。
4.根据权利要求3所述的遥感图像目标检测方法,其特征在于,在所述步骤S22中,具体包括:
构建一个基于遥感图像的高斯图像金字塔,即:
其中,n 是图像金字塔的级数;采用显著模型提取每一级图像中的显著区域,并对应到显著映射,得到H 1 ,H 2 ,…,H n-1 ,公式如下:
其中,*表示在进行乘法运算前,先将不同尺度所产生的显著映射矩阵H 1 , H 2 , …, H n-1 大小调整为与H 0 尺寸相等,Sm 是多尺度HC显著映射。
5.根据权利要求1所述的遥感图像目标检测方法,其特征在于,在执行所述步骤S5前,构建基于颜色恒常的颜色矫正模型,去除目标在图像中的阴影。
6.根据权利要求5所述的遥感图像目标检测方法,其特征在于,利用颜色恒常的颜色矫正模型去除图像中的阴影,具体包括:
采用明可夫斯基范式求出场景光源的颜色,公式为:
式中,e 是当前场景中的光源颜色;f 表示图像的颜色分量值;k 是比例系数;p 为指数参数,其取值范围为[1, ∞);
在基于图像阴影区域与非阴影区域的场景部分都能够满足明可夫斯基范式的颜色恒常算法假设,同时假设场景光照具有一致性的前提下,将阴影区域的光照变换到非阴影区域的光照,从而实现阴影的去除。
7.一种电子设备,其特征在于,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行如权利要求1至6中任一项所述的遥感图像目标检测方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1至6中任一项所述的遥感图像目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460255.5A CN116503733B (zh) | 2023-04-25 | 2023-04-25 | 遥感图像目标检测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310460255.5A CN116503733B (zh) | 2023-04-25 | 2023-04-25 | 遥感图像目标检测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503733A CN116503733A (zh) | 2023-07-28 |
CN116503733B true CN116503733B (zh) | 2024-02-06 |
Family
ID=87325999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310460255.5A Active CN116503733B (zh) | 2023-04-25 | 2023-04-25 | 遥感图像目标检测方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503733B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
CN107767400A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN110268420A (zh) * | 2019-05-09 | 2019-09-20 | 京东方科技集团股份有限公司 | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 |
CN111428624A (zh) * | 2020-03-20 | 2020-07-17 | 上海航天测控通信研究所 | 一种光学遥感图像在轨舰船目标检测方法 |
CN114998748A (zh) * | 2022-07-28 | 2022-09-02 | 北京卫星信息工程研究所 | 遥感图像目标精细识别方法、电子设备及存储介质 |
CN115631426A (zh) * | 2022-10-12 | 2023-01-20 | 中国科学院长春光学精密机械与物理研究所 | 一种遥感图像中基于关键点定位的目标检测方法 |
-
2023
- 2023-04-25 CN CN202310460255.5A patent/CN116503733B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247059A (zh) * | 2013-05-27 | 2013-08-14 | 北京师范大学 | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 |
CN104408733A (zh) * | 2014-12-11 | 2015-03-11 | 武汉大学 | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 |
CN107767400A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
CN110268420A (zh) * | 2019-05-09 | 2019-09-20 | 京东方科技集团股份有限公司 | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 |
CN111428624A (zh) * | 2020-03-20 | 2020-07-17 | 上海航天测控通信研究所 | 一种光学遥感图像在轨舰船目标检测方法 |
CN114998748A (zh) * | 2022-07-28 | 2022-09-02 | 北京卫星信息工程研究所 | 遥感图像目标精细识别方法、电子设备及存储介质 |
CN115631426A (zh) * | 2022-10-12 | 2023-01-20 | 中国科学院长春光学精密机械与物理研究所 | 一种遥感图像中基于关键点定位的目标检测方法 |
Non-Patent Citations (4)
Title |
---|
《A DYNAMIC END-TO-END FUSION FILTER FOR LOCAL CLIMATE ZONE CLASSIFICATION USING SAR AND MULTI-SPECTRUM REMOTE SENSING DATA》;Pengming Feng等;IEEE;第4231-4234 * |
《基于FPGA的光学遥感图像舰船目标检测》;王凡;《硕士电子期刊》;第12-18页 * |
《基于无人机高光谱遥感的城市中小河流水质等级判别研究》;李澜;《博士电子期刊》;第86-87页 * |
《微装配空间全局视觉信息获取方法的研究》;刘艳余;《硕士电子期刊》;第22-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503733A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN111611643B (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
Gao et al. | Building extraction from RGB VHR images using shifted shadow algorithm | |
CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
CN106558072A (zh) | 一种基于改进sift特征在遥感图像上配准的方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
Stankov et al. | Building detection in very high spatial resolution multispectral images using the hit-or-miss transform | |
CN110826418B (zh) | 脸部特征提取方法及装置 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN116503733B (zh) | 遥感图像目标检测方法、设备及存储介质 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN111242050A (zh) | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
CN112907626A (zh) | 基于卫星超时相数据多源信息的运动目标提取方法 | |
CN117372432A (zh) | 基于图像分割的电子烟表面缺陷检测方法及系统 | |
Kokila et al. | Hybrid Behrens-Fisher-and gray contrast–based feature point selection for building detection from satellite images | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
CN111104857A (zh) | 一种基于步态能量图的身份识别方法及系统 | |
CN115019306A (zh) | 一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统 | |
CN116385477A (zh) | 一种基于图像分割的杆塔图像配准方法 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 |
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 |