CN116863352B - 一种超大幅面遥感影像异常区域检测方法 - Google Patents

一种超大幅面遥感影像异常区域检测方法 Download PDF

Info

Publication number
CN116863352B
CN116863352B CN202311134726.XA CN202311134726A CN116863352B CN 116863352 B CN116863352 B CN 116863352B CN 202311134726 A CN202311134726 A CN 202311134726A CN 116863352 B CN116863352 B CN 116863352B
Authority
CN
China
Prior art keywords
abnormal
window
core
remote sensing
ultra
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
CN202311134726.XA
Other languages
English (en)
Other versions
CN116863352A (zh
Inventor
李苏发
李锟
王志刚
廖剑
张红
魏霞
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.)
Jiangxi Woodpecker Bee Technology Co ltd
Original Assignee
Jiangxi Woodpecker Bee Technology 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 Jiangxi Woodpecker Bee Technology Co ltd filed Critical Jiangxi Woodpecker Bee Technology Co ltd
Priority to CN202311134726.XA priority Critical patent/CN116863352B/zh
Publication of CN116863352A publication Critical patent/CN116863352A/zh
Application granted granted Critical
Publication of CN116863352B publication Critical patent/CN116863352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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

本发明提供了一种超大幅面遥感影像异常区域检测方法，涉及图像检测技术领域；该方法包括以下步骤：S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练；S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类；选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取；S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合；本发明的有益效果是：实现了实景三维图像中，形状不规则异常区域的精细化检测。

Description

一种超大幅面遥感影像异常区域检测方法
技术领域
本发明涉及图像检测技术领域，更具体的说，本发明涉及一种超大幅面遥感影像异常区域检测方法。
背景技术
遥感是通过卫星上的传感器对地球进行特定电磁波谱段的成像，是以航空摄影技术为基础发展起来的一门技术。通过遥感探测，能够在短时间内，对地球上大范围的地区进行多层次、多视角的观测，是获取环境信息和地球资源的重要手段。
实景三维中超大幅面地形级遥感影像的异常区域尺度变化大，使用目标检测方法识别整个异常区域难度较大。另外，当异常区域形状不规则，且尺度过大时，目标检测获得的外接矩形框中除了涵盖异常区域，还涵盖大面积非异常区域；因此需要对超大幅面遥感影像异常区域进行精细化的检测。
发明内容
为了克服现有技术的不足，本发明提供一种超大幅面遥感影像异常区域检测方法。
本发明解决其技术问题所采用的技术方案是：一种超大幅面遥感影像异常区域检测方法，其改进之处在于，该方法包括以下步骤：
S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练，在训练过程中使用分割的窗口作为训练数据，并对每个窗口进行分类；
S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测；
选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域；
S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合，获得遥感影像的异常区域。
进一步的，步骤S10中，包括以下步骤：
S101、训练数据的采集和标注，进行超大幅面遥感影像的采集，并对分割的窗口进行标注,在标注中，将异常区域占窗口面积超过门限的作为异常窗口样本，其他窗口作为正常窗口样本;
S102、模型训练，使用大规模标注的分割窗口作为训练数据，对神经网络ResNet-18进行训练后，获得二分类器，该二分类器用于将分割窗口分类为异常窗口或非异常窗口；
S103、异常区域相似度门限计算，在基于相似度扩张中，通过神经网络ResNet-18的浅层特征Conv2_x进行异常区域的相似性计算和中层特征Conv5_x进行异常区域的相似性计算。
进一步的，步骤S101中，所述门限t1=0.5。
进一步的，步骤S103中，通过浅层特征Conv2_x进行异常区域的相似度计算，包括以下步骤：
S1031、使用训练好的ResNet-18，提取训练集每个窗口样本的特征向量；
S1032、计算每一对异常窗口之间的特征欧式距离，并计算每一对异常窗口和正常窗口之间的特征欧式距离；
S1033、使用直方图对所获得的特征欧式距离进行统计，获得门限threshold_1，当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1，则认为异常区域的核心将需要判断的窗口判为异常窗口。
进一步的，所述特征向量的大小为64*56*56维。
进一步的，步骤S20中，对超大幅面遥感影像进行分割包括：
将超大幅面遥感影像分割为个窗口，形成窗口矩阵Matrix，矩阵大小则为M×N。
进一步的，步骤S20中，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测，包括：
使用训练好的卷积神经网络对个窗口进行分类，获得每个窗口的分类结果d和分类得分s；该分类结果d采用卷积神经网络的最后一层全连接层FC6的输出作为结果，使用的是ResNet-18的高层特征。
进一步的，步骤S20中，选择异常区域的核心，包括：
选择异常区域的分类得分s超过门限t2的分割窗口作为异常区域的核心；同时若一个窗口p的邻接窗口Np中，超过一半以上的窗口为异常窗口，则该窗口同样视为异常窗口核心；
构建基于异常区域的核心的集合C。
进一步的，步骤S20中，使用卷积神经网络对分割的窗口进行浅层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域，包括以下步骤：
S100、轮流在集合C中选取一个异常核心c，为异常核心c创建一个队列Q，将该异常核心c加入队列Q的最前端；此后从队列Q中不放回地取出异常核心c；
S200、异常核心c的所有邻域窗口中，如果邻域窗口a不为异常核心，且邻域窗口a的Conv2_x特征和异常核心c的Conv2_x特征的欧式距离小于门限threshold_1，则说明异常核心c将邻域窗口a判为异常窗口，将邻域窗口a加入队列Q，以不断进行异常扩张；
S300、不断地从队列Q中不放回地取出第一个窗口，采取与异常核心c相同的操作，对其每一个邻域窗口进行Conv2_x特征相似度计算，将判为异常的邻域窗口不断加入队列Q；在对队列Q的不放回取出中，直到队列Q为空，则完成了异常核心c的异常区域扩张；
S400、在完成集合C中所有异常核心的异常区域扩张后，需要为每个非异常核心的窗口进行判断。
进一步的，所述步骤S400包括以下步骤：
S4001、如一个窗口a受到n个异常核心c1、c2、c3……、cn的影响，这n个异常核心的得分为s1、s2、s3……sn，得分权重的计算如下：
；
S4002、距离权重计算中，首先计算窗口a和各异常核心在窗口矩阵Matrix中的曼哈顿距离，作为在图像中的距离：
；
其中，index_x(•)和index_y(•)表示窗口矩阵Matrix的行索引和列索引；ci表示第i个异常核心；
S4003、计算权重距离：
；
窗口a和各异常核心的距离计算采用浅层特征Conv2_x的欧式距离：
；
其中，feat2表示提取窗口的Conv2_x特征，dist(•)表示欧式距离计算；
S4004、窗口a受到n个异常核心的综合距离为：
；
当综合距离distance小于门限threshold_1时，窗口a被特征Conv2_x判断为异常窗口。
本发明的有益效果是：本发明提供的一种超大幅面遥感影像异常区域检测方法，该方法实现了实景三维图像中，形状不规则异常区域的精细化检测；充分使用了神经网络的高层特征、中层特征和底层特征，使得异常区域的检测更加准确。
附图说明
图1为本发明的一种超大幅面遥感影像异常区域检测方法的流程示意图。
图2为距离统计分布图的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明提供了一种超大幅面遥感影像异常区域检测方法，通过该方法，实现了实景三维影像中，形状不规则异常区域的精细化检测。具体的，在本实施例中，该超大幅面遥感影像异常区域检测方法包括以下的步骤：
S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练，在训练过程中使用分割的窗口作为训练数据，并对每个窗口进行分类；
本实施例中，步骤S10中包括以下步骤：
S101、训练数据的采集和标注，进行超大幅面遥感影像的采集，并对分割的窗口进行标注；
S102、模型训练，使用大规模标注的分割窗口作为训练数据，对神经网络ResNet-18进行训练后，获得二分类器，该二分类器用于将分割窗口分类为异常窗口或非异常窗口；
S103、异常区域相似度门限计算，在基于相似度扩张中，通过神经网络ResNet-18的浅层特征Conv2_x进行异常区域的相似性计算和中层特征Conv5_x进行异常区域的相似性计算，将异常区域占窗口面积超过门限的作为异常窗口，其他窗口作为正常窗口。
所述步骤S103中，门限t1=0.5。需要说明的是，对于对异常区域召回率要求高的遥感应用场景，可降低门限t1的取值。
进一步的，步骤S103中，通过浅层特征Conv2_x进行异常区域的相似度计算，包括以下步骤：
S1031、使用训练好的ResNet-18，提取训练集每个窗口样本的特征向量；所述特征向量的大小为64*56*56维；
S1032、计算每一对异常窗口之间的特征欧式距离，并计算每一对异常窗口和正常窗口之间的特征欧式距离；
S1033、使用直方图对所获得的特征欧式距离进行统计，获得门限threshold_1，当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1，则认为异常区域的核心将需要判断的窗口判为异常窗口。如图2所示，为距离直方图统计的示意图，两个双峰间的x取值则为门限threshold_1。
同样的，基于中层特征Conv5_x，按上述的方法能够获取相似度门限threshold_2。
S20、超大幅面遥感影像异常区域的检测；本实施例中，步骤S20包括步骤S201-S203：
S201、对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测；
本实施例中，对超大幅面遥感影像进行分割包括：
将超大幅面遥感影像分割为个窗口，形成窗口矩阵Matrix，矩阵大小则为M×N。
进一步的，步骤S201中，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测，包括：
使用训练好的卷积神经网络对个窗口进行分类，获得每个窗口的分类结果d和分类得分s；该分类结果d采用卷积神经网络的最后一层全连接层FC6的输出作为结果，使用的是ResNet-18的高层特征。
S202、选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域；
其中，选中异常区域的核心，包括：
选择异常区域的分类得分s超过门限t2的分割窗口作为异常区域的核心；同时若一个窗口p的邻接窗口Np中，超过一半以上的窗口为异常窗口，则该窗口同样视为异常窗口核心；此后，构建基于异常区域的核心的集合C。
步骤S202中，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域，包括：提取每一个窗口p的Conv2_x层的浅层特征feat2(p)和Conv5_x层的中层特征feat5(p)，进行异常区域的检测；其中，Conv2_x层的浅层特征feat2(p)大小为64*56*56，Conv5_x层的中层特征feat5(p)的大小为256*14*14；使用欧式距离dist(•)计算两个特征的相似度，通过异常核心的扩张实现异常区域的检测。
在本实施例中，对于步骤S202的技术方案，提供了一具体实施例，该实施例以基于浅层特征的异常区域扩张为例进行说明，其内容如下：
S100、轮流在集合C中选取一个异常核心c，为异常核心c创建一个队列Q，将该异常核心c加入队列Q的最前端；此后从队列Q中不放回地取出异常核心c；
S200、异常核心c的所有邻域窗口中，如果邻域窗口a不为异常核心，且邻域窗口a的Conv2_x特征和异常核心c的Conv2_x特征的欧式距离小于门限threshold_1，则说明异常核心c将邻域窗口a判为异常窗口，将邻域窗口a加入队列Q，以不断进行异常扩张；
S300、不断地从队列Q中不放回地取出第一个窗口，采取与异常核心c相同的操作，对其每一个邻域窗口进行Conv2_x特征相似度计算，将判为异常的邻域窗口不断加入队列Q；在对队列Q的不放回取出中，直到队列Q为空，则完成了异常核心c的异常区域扩张；
S400、在完成集合C中所有异常核心的异常区域扩张后，需要为每个非异常核心的窗口进行判断。
在本实施例中，步骤S400中为每个非异常核心的窗口进行判断，其原因是因为一个非异常核心窗口会受到多个异常核心的影响，对一个窗口的判断，要考虑多个核心的加权：一个异常核心的得分越高，对窗口的影响越大；异常核心和窗口在图像上的距离越远，影响越小，因此加权计算应使用异常核心的得分、以及窗口和异常核心在图像中的距离。
基于此，本发明针对步骤S400提供了一个具体实施例，其所述步骤S400包括以下步骤：
S4001、如一个窗口a受到n个异常核心c1、c2、c3……、cn的影响，这n个异常核心的得分为s1、s2、s3……sn，得分权重的计算如下：
；
S4002、距离权重计算中，首先计算窗口a和各异常核心在窗口矩阵Matrix中的曼哈顿距离，作为在图像中的距离：
；
其中，index_x(•)和index_y(•)表示窗口矩阵Matrix的行索引和列索引；ci表示第i个异常核心；
S4003、计算权重距离：
；
窗口a和各异常核心的距离计算采用浅层特征Conv2_x的欧式距离：
；
其中，feat2表示提取窗口的Conv2_x特征，dist(•)表示欧式距离计算；
S4004、窗口a受到n个异常核心的综合距离为：
；
当综合距离distance小于门限threshold_1时，窗口a被特征Conv2_x判断为异常窗口。
另外，基于中层特征的异常区域扩张的内容与基于浅层特征的异常区域扩张的步骤相同，本实施例中则不再详细说明。异常核心的选择和异常区域的扩张的计算中，使用卷积神经网络提取中层特征Conv5_x，其为256*14*14维。
S30、高层特征、浅层特征和中层特征的融合。
本实施例中，步骤S30包括以下内容：对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合，获得遥感影像的异常区域。至此，对每一个窗口，通过ResNet-18的高层特征的分类以及浅层特征和中层特征的区域扩展，各完成了一次窗口的异常分类，通过简单的投票方式，作为最终的窗口分类。投票方法：当一个窗口由浅层、中层或高层中的至少两个特征判为异常窗口，则该窗口为异常窗口；将每个窗口映射回原超大幅面遥感影像，获得初步的遥感影像的异常区域。
在上述的实施例中，步骤S202中，通过提取每一个窗口p的Conv2_x层的浅层特征feat2(p)和Conv5_x层的中层特征feat5(p)，进行异常区域的检测，能够提高异常区域检测的准确性。并且，在该步骤中，因为一个窗口可能受到多个异常核心的影响，因此对一个窗口的计算，要考虑多个异常核心的加权，权重包括核心的得分，以及窗口和异常核心在图像中的距离。
基于此，本发明提供的一种超大幅面遥感影像异常区域检测方法，该方法实现了实景三维图像中，形状不规则异常区域的精细化检测；充分使用了神经网络的高层特征、中层特征和底层特征，使得异常区域的检测更加准确。并且，使用分类器模型完成遥感影像异常区域检测，相比于使用目标检测器模型，数据标注更加简单，训练中的模型参数优化也更加简单，模型也无需考虑异常区域的多尺度问题。提高了窗口之间的相似性和连通性。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种超大幅面遥感影像异常区域检测方法，其特征在于，该方法包括以下步骤：
S10、卷积神经网络的训练，将超大幅面遥感影像进行分割，对卷积神经网络进行训练，在训练过程中使用分割的窗口作为训练数据，并对每个窗口进行分类；
S20、超大幅面遥感影像异常区域的检测，对超大幅面遥感影像进行分割后，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测；
选择异常区域的核心，使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域；
步骤S10中，包括以下步骤：
S101、训练数据的采集和标注，进行超大幅面遥感影像的采集，并对分割的窗口进行标注,在标注中，将异常区域占窗口面积超过门限的作为异常窗口样本，其他窗口作为正常窗口样本；
S102、模型训练，使用大规模标注的分割窗口作为训练数据，对神经网络ResNet-18进行训练后，获得二分类器，该二分类器用于将分割窗口分类为异常窗口或非异常窗口；
S103、异常区域相似度门限计算，在基于相似度扩张中，通过神经网络ResNet-18的浅层特征Conv2_x进行异常区域的相似性计算和中层特征Conv5_x进行异常区域的相似性计算；
步骤S103中，通过浅层特征Conv2_x进行异常区域的相似度计算，包括以下步骤：
S1031、使用训练好的ResNet-18，提取训练集每个窗口样本的特征向量；
S1032、计算每一对异常窗口之间的特征欧式距离，并计算每一对异常窗口和正常窗口之间的特征欧式距离；
S1033、使用直方图对所获得的特征欧式距离进行统计，获得门限threshold_1，当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1，则认为异常区域的核心将需要判断的窗口判为异常窗口；
基于中层特征Conv5_x，按步骤S1031-S1033的方法能够获取相似度门限threshold_2；
S30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合，获得遥感影像的异常区域。
2.根据权利要求1所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S101中，所述门限t1=0.5。
3.根据权利要求1所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，所述特征向量的大小为64*56*56维。
4.根据权利要求1所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，对超大幅面遥感影像进行分割包括：
将超大幅面遥感影像分割为个窗口，形成窗口矩阵Matrix，矩阵大小则为M×N。
5.根据权利要求4所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，使用训练后的卷积神经网络对每个分割的窗口进行异常分类，实现基于高层特征的异常区域的检测，包括：
使用训练好的卷积神经网络对个窗口进行分类，获得每个窗口的分类结果d和分类得分s；该分类结果d采用卷积神经网络的最后一层全连接层FC6的输出作为结果，使用的是ResNet-18的高层特征。
6.根据权利要求5所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，选择异常区域的核心，包括：
选择异常区域的分类得分s超过门限t2的分割窗口作为异常区域的核心；同时若一个窗口p的邻接窗口Np中，超过一半以上的窗口为异常窗口，则该窗口同样视为异常窗口核心；
构建基于异常区域的核心的集合C。
7.根据权利要求6所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，步骤S20中，使用卷积神经网络对分割的窗口进行浅层特征的提取，以异常区域的核心为起点，基于相似度扩张计算异常区域，包括以下步骤：
S100、轮流在集合C中选取一个异常核心c，为异常核心c创建一个队列Q，将该异常核心c加入队列Q的最前端；此后从队列Q中不放回地取出异常核心c；
S200、异常核心c的所有邻域窗口中，如果邻域窗口a不为异常核心，且邻域窗口a的Conv2_x特征和异常核心c的Conv2_x特征的欧式距离小于门限threshold_1，则说明异常核心c将邻域窗口a判为异常窗口，将邻域窗口a加入队列Q，以不断进行异常扩张；
S300、不断地从队列Q中不放回地取出第一个窗口，采取与异常核心c相同的操作，对其每一个邻域窗口进行Conv2_x特征相似度计算，将判为异常的邻域窗口不断加入队列Q；在对队列Q的不放回取出中，直到队列Q为空，则完成了异常核心c的异常区域扩张；
S400、在完成集合C中所有异常核心的异常区域扩张后，需要为每个非异常核心的窗口进行判断。
8.根据权利要求7所述的一种超大幅面遥感影像异常区域检测方法，其特征在于，所述步骤S400包括以下步骤：
S4001、如一个窗口a受到n个异常核心c1、c2、c3……、cn的影响，这n个异常核心的得分为s1、s2、s3……sn，得分权重的计算如下：
；
S4002、距离权重计算中，首先计算窗口a和各异常核心在窗口矩阵Matrix中的曼哈顿距离，作为在图像中的距离：
；
其中，index_x(•)和index_y(•)表示窗口矩阵Matrix的行索引和列索引；ci表示第i个异常核心；
S4003、计算权重距离：
；
窗口a和各异常核心的距离计算采用浅层特征Conv2_x的欧式距离：
；
其中，feat2表示提取窗口的Conv2_x特征，dist(•)表示欧式距离计算；
S4004、窗口a受到n个异常核心的综合距离为：
；
当综合距离distance小于门限threshold_1时，窗口a被特征Conv2_x判断为异常窗口。
CN202311134726.XA 2023-09-05 2023-09-05 一种超大幅面遥感影像异常区域检测方法 Active CN116863352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311134726.XA CN116863352B (zh) 2023-09-05 2023-09-05 一种超大幅面遥感影像异常区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311134726.XA CN116863352B (zh) 2023-09-05 2023-09-05 一种超大幅面遥感影像异常区域检测方法

Publications (2)

Publication Number Publication Date
CN116863352A CN116863352A (zh) 2023-10-10
CN116863352B true CN116863352B (zh) 2024-01-02

Family

ID=88219521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311134726.XA Active CN116863352B (zh) 2023-09-05 2023-09-05 一种超大幅面遥感影像异常区域检测方法

Country Status (1)

Country Link
CN (1) CN116863352B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306931B1 (en) * 2009-08-06 2012-11-06 Data Fusion & Neural Networks, LLC Detecting, classifying, and tracking abnormal data in a data stream
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN107358176A (zh) * 2017-06-26 2017-11-17 武汉大学 基于高分遥感影像区域信息和卷积神经网络的分类方法
CN109801293A (zh) * 2019-01-08 2019-05-24 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
CN110458201A (zh) * 2019-07-17 2019-11-15 北京科技大学 一种遥感影像面向对象分类方法及分类装置
CN112149758A (zh) * 2020-10-24 2020-12-29 中国人民解放军国防科技大学 一种基于欧式距离和深度学习的高光谱开放集分类方法
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN116229457A (zh) * 2023-02-13 2023-06-06 浙江大学 基于卷积神经网络的多模态显微图像细胞分割方法
CN116258978A (zh) * 2023-05-16 2023-06-13 江西啄木蜂科技有限公司 一种自然保护区遥感影像弱标注的目标检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306931B1 (en) * 2009-08-06 2012-11-06 Data Fusion & Neural Networks, LLC Detecting, classifying, and tracking abnormal data in a data stream
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN107358176A (zh) * 2017-06-26 2017-11-17 武汉大学 基于高分遥感影像区域信息和卷积神经网络的分类方法
CN109801293A (zh) * 2019-01-08 2019-05-24 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
WO2020143323A1 (zh) * 2019-01-08 2020-07-16 平安科技（深圳）有限公司 遥感影像分割方法、装置及存储介质、服务器
CN110458201A (zh) * 2019-07-17 2019-11-15 北京科技大学 一种遥感影像面向对象分类方法及分类装置
CN112149547A (zh) * 2020-09-17 2020-12-29 南京信息工程大学 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN112149758A (zh) * 2020-10-24 2020-12-29 中国人民解放军国防科技大学 一种基于欧式距离和深度学习的高光谱开放集分类方法
CN116229457A (zh) * 2023-02-13 2023-06-06 浙江大学 基于卷积神经网络的多模态显微图像细胞分割方法
CN116258978A (zh) * 2023-05-16 2023-06-13 江西啄木蜂科技有限公司 一种自然保护区遥感影像弱标注的目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic Detection of COVID-19 Using Chest X-Ray Images and Modified ResNet18-Based Convolution Neural Networks;Ruaa A. Al-Falluji等;《Computers, Materials & Continua》;全文 *
联合卷积神经网络与集成学习的遥感影像场景分类;余东行等;《遥感学报》(第06期);全文 *
融合语义特征的色纺织物图像检索研究;谷迁;《中国优秀硕士学位论文全文数据库工程科技I辑》;B024-328 *

Also Published As

Publication number Publication date
CN116863352A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN112418117B (zh) 一种基于无人机图像的小目标检测方法
Wei et al. Road structure refined CNN for road extraction in aerial image
CN107944450B (zh) 一种车牌识别方法及装置
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN108304835A (zh) 文字检测方法和装置
US11816149B2 (en) Electronic device and control method thereof
CN107368807B (zh) 一种基于视觉词袋模型的监控视频车型分类方法
CN107665351B (zh) 基于难样本挖掘的机场检测方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN113033520B (zh) 一种基于深度学习的树木线虫病害木识别方法及系统
CN112883839B (zh) 基于自适应样本集构造与深度学习的遥感影像解译方法
CN109886161B (zh) 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法
CN110287879B (zh) 一种基于注意力机制的视频行为识别方法
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN102385592A (zh) 图像概念的检测方法和装置
CN109213886B (zh) 基于图像分割和模糊模式识别的图像检索方法及系统
CN112580480A (zh) 一种高光谱遥感影像分类方法及装置
CN111815582B (zh) 改进背景先验和前景先验的二维码区域检测方法
CN114298187B (zh) 一种融合改进注意力机制的目标检测方法
Alsanad et al. Real-time fuel truck detection algorithm based on deep convolutional neural network
CN113032613B (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN114510594A (zh) 一种基于自注意力机制的传统纹样子图检索方法
CN110659585B (zh) 一种基于交互属性监督的行人检测方法
CN110348311B (zh) 一种基于深度学习的道路交叉口识别系统及方法

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