CN117689892B - 遥感影像焦面的判别方法 - Google Patents
遥感影像焦面的判别方法 Download PDFInfo
- Publication number
- CN117689892B CN117689892B CN202410150754.9A CN202410150754A CN117689892B CN 117689892 B CN117689892 B CN 117689892B CN 202410150754 A CN202410150754 A CN 202410150754A CN 117689892 B CN117689892 B CN 117689892B
- Authority
- CN
- China
- Prior art keywords
- focal plane
- feature map
- plane position
- module
- characteristic diagram
- 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 34
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 58
- 230000004913 activation Effects 0.000 claims description 39
- 238000011176 pooling Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 30
- 230000003213 activating effect Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像技术领域,尤其涉及一种遥感影像焦面的判别方法。包括:S1:将待分割遥感影像进行分割,获得n个分割图像;S2:将n个分割图像依次输入至焦面位置判别模型进行训练,获得与n个分割图像一一对应的融合特征图;S3:将n个分割图像所对应的融合特征图依次进行处理,获得每个分割图像所对应的焦面位置类型;S4:对n个分割图像所对应的焦面位置类型进行统计分类,获得待分割遥感影像的焦面位置。本发明在减少人力成本和时间成本的前提下,利用焦面位置判别模型实现对遥感图像的焦面位置的判别,提高了对遥感图像的焦面位置的判别准确度。
Description
技术领域
本发明涉及遥感图像技术领域,尤其涉及一种遥感影像焦面的判别方法。
背景技术
在现有技术中,遥感影像焦面位置的确定涉及到光学成像原理和遥感系统的工作机制。受光学成像原理、相机参数、拍摄距离、场景复杂性、自动对焦技术和数据后处理等诸多因素的影响,遥感影像焦面位置的确定极为复杂,尤其是推扫式遥感成像和摆扫式遥感成像的调焦,由于调焦输入影像的成像条件受多个技术和参数的综合考虑,因此,难以通过自动化的手段实现精确调焦。基于上述问题,现有的确定遥感影像焦面的位置包括视觉检查法、图像质量评估法、频域分析法、结构信息理论法和机器学习方法等。视觉检查法依赖于操作员的主观判断,不同的操作员可能会有不同的观点和判断标准,导致判断结果具有不一致性,且视觉检查法需要大量的人力资源和时间成本;图像质量评估法对图像质量和特征的判断结果会受到图像本身质量和特点的影响,对于低质量、低对比度或噪声较多的图像焦面的位置判断极为困难,且选择合适的图像质量评估指标和阈值需要具备一定的专业知识和经验;频域分析法对焦面位置判定的结果会受参数选择的影响,如傅里叶变换中的窗函数选择、频谱能量的阈值等;结构信息理论方法在处理复杂场景、光照变化较大或存在遮挡的图像时效果较差。
发明内容
本发明为解决现有的对于遥感影像焦面的判别方法受成像景物、成像条件变换和人工经验的限制,导致遥感影像的焦面判别具有误差较大的缺点,提供一种遥感影像焦面的判别方法,在减少人力成本和时间成本的前提下,利用焦面位置判别模型实现对遥感图像的焦面位置的判别,提高了对遥感图像的焦面位置的判别准确度。
本发明提出的遥感影像焦面的判别方法,具体包括如下步骤:
S1:将待分割遥感影像进行分割,获得n个分割图像;
S2:将n个分割图像依次输入至焦面位置判别模型进行训练,获得与n个分割图像一一对应的融合特征图;
S3:将n个分割图像所对应的融合特征图依次进行处理,获得每个分割图像所对应的焦面位置类型;
S4:对n个分割图像所对应的焦面位置类型进行统计分类,获得待分割遥感影像的焦面位置。
优选地,焦面位置判别模型由五个级联的阶段模块构成,其中,
第一阶段模块包括7*7卷积层,n个分割图像依次经7*7卷积层进行两次的卷积操作及相应的RELU激活后,输出特征图;
第二阶段模块包括第一残差模块、两个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和两个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第三阶段模块包括第一残差模块、三个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和三个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第四阶段模块包括第一残差模块、五个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和五个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第五阶段模块包括第一残差模块和两个第二残差模块,特征图经级联的第一残差模块和两个第二残差模块进行残差操作后,获得特征图/>。
优选地,将特征图通过3*3卷积层进行两次卷积操作,获得特征图/>,将特征图/>通过3*3卷积层进行一次卷积操作,获得特征图/>,通过下式将特征图/>、特征图和特征图/>进行特征融合,获得特征融合图F:
(1);
其中,为特征图/>,/>为特征图/>,/>为特征图/>,/>为特征图/>对应的权重,/>为特征图/>对应的权重,/>为特征图/>对应的权重。
优选地,在步骤S3中,将n个分割图像所对应的特征融合图F依次通过全局平均池化层进行池化处理后,经全连接层输出每个分割图像所对应的焦面位置类型。
优选地,第一残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,其中,两个1*1卷积层和3*3卷积层位于第一支路,1*1卷积层位于第二支路,输入至第一残差模块的特征图A分别输入至位于两个支路上的1*1卷积层,其中,特征图A经第一支路的1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,特征图/>经3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,特征图/>经1*1卷积层进行卷积操作后获得特征图/>,将特征图/>输入至第二支路上的SiLu激活函数,同时特征图A经第二支路的1*1卷积层进行卷积操作后,获得特征图/>,将特征图/>与特征图/>相加后进行SiLu激活操作,输出特征图/>;
第二残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,输入至第二残差模块的特征图B经1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,特征图/>经3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,特征图/>经1*1卷积层进行卷积操作后获得特征图/>,将特征图/>输入至SiLu激活函数,同时将特征图B输入至SiLu激活函数,将特征图B与特征图/>相加后进行SiLu激活操作,输出特征图/>。
优选地,IQAM注意力模块包括通道注意力子模块、空间注意力子模块和灰度注意力子模块,将特征图C输入至通道注意力子模块进行空间维度的压缩操作,获得特征图,将特征图/>输入至空间注意力子模块进行通道维度的压缩操作,获得特征图/>,将特征图/>输入至灰度注意力子模块进行水平和垂直方向的梯度变化的计算,获得特征图/>。
优选地,灰度注意力子模块包括水平方向梯度算子、垂直方向梯度算子和7*7卷积层,输入至灰度注意力子模块的特征图D分别通过水平方向梯度算子和垂直方向梯度算子进行水平方向和垂直方向的梯度变化的计算,对应获得特征图和特征图/>,将特征图和特征图/>进行concat操作,获得特征图/>,特征图/>经7*7卷积层进行卷积及相应的sigmoid激活操作,获得特征图/>。
优选地,焦面位置类型包括0焦面位置、0.25焦面位置、0.5焦面位置、0.75焦面位置、1焦面位置、-0.25焦面位置、-0.5焦面位置、-0.75焦面位置和-1焦面位置。
优选地,利用Focal loss损失函数对焦面位置判别模型进行优化,Focal loss损失函数为:
(2);
其中,FL为损失函数,为焦面位置判别模型所预测的当前分割图像所属焦面位置类型的概率,/>为权重因子,/>为调制因子
优选地,步骤S4具体包括如下操作:
S41:通过下式计算每个焦面位置类型的分割图像在n个分割图像的占比值K:
K=Y/n(3);
其中,Y为当前焦面位置类型所对应的分割图像的总数,n为分割图像的总数;
S42:根据占比最大值所对应的焦面位置类型,获得待分割遥感影像的焦面位置。
优选地,SiLu激活函数的计算公式为:
(4);
(5);
(6);
其中,f(x)为函数,/>(x)为转换函数。
与现有技术相比,本发明能够取得如下有益效果:
本发明提供的遥感影像焦面的判别方法,可以自动学习和提取特征,不需要手动设计和选择特征,通过对焦面位置判别模型进行大规模数据的训练,能够更好地捕捉数据中的隐藏模式和抽象特征,可学习到复杂的模式和关联,在减少人力成本和时间成本的前提下,提高了对遥感图像的焦面位置的判别准确度。
附图说明
图1是根据本发明实施例提供的遥感影像焦面的判别方法的流程示意图;
图2是根据本发明实施例提供的焦面位置判别模型的网络结构图;
图3是根据本发明实施例提供的第一残差模块的网络结构图;
图4是根据本发明实施例提供的第二残差模块的网络结构图;
图5是根据本发明实施例提供的IQAM注意力模块的网络结构图;
图6是根据本发明实施例提供的通道注意力子模块的网络结构图;
图7是根据本发明实施例提供的空间注意力子模块的网络结构图;
图8是根据本发明实施例提供的灰度注意力子模块的网络结构图。
具体实施方式
在下文中,将参考附图描述本发明的实施例。在下面的描述中,相同的模块使用相同的附图标记表示。在相同的附图标记的情况下,它们的名称和功能也相同。因此,将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
本发明提出的焦面位置判别模型是在残差网络ResNet50的基础上进行改进,实现遥感影像的焦面位置的高精度判断。针对Relu激活函数在接近零时为折线的特点,本发明采用SiLu激活函数来保留更多的图像信息;针对残差网络ResNet50在提取特征时存在丢失输入特征映射情况所造成的信息丢失的问题,去除掉最大池化层,同时通过添加IQAM(Image Quality Attention Module)注意力模块,进一步提高特征提取能力,对ResNet50结构中输出的尺寸为28x28、14x14、7x7的3个卷积块进行特征融合,使得焦面位置判别模型能够基于低分辨率纹理信息和高分辨率语义信息进行遥感图像的焦面位置的判断,针对ResNet50网络在训练过程中存在网络过拟合以及泛化能力差的问题,采用Focal loss损失函数增加了困难样本的权重,同时使用标签平滑方法,提高难分样本的准确度并缓解网络损失值的震荡幅度。
图1示出了根据本发明实施例提供的遥感影像焦面的判别方法的流程。
如图1-图2所示,本发明实施例提出的遥感影像焦面的判别方法,可用于对推扫式遥感相机和摆扫式成像遥感相机所生成的遥感影像的焦面进行判别,亦可用于凝视式遥感影像的焦面判别,具体包括如下步骤:
S1:将待分割遥感影像进行分割,获得n个分割图像。
S2:将n个分割图像依次输入至焦面位置判别模型进行训练,获得与n个分割图像一一对应的融合特征图。
S3:将n个分割图像所对应的融合特征图依次进行处理,获得每个分割图像所对应的焦面位置类型。
在步骤S3中,将n个分割图像所对应的特征融合图F依次通过全局平均池化层进行池化处理后,经全连接层输出每个分割图像所对应的焦面位置类型。
S4:对n个分割图像所对应的焦面位置类型进行统计分类,获得待分割遥感影像的焦面位置。
步骤S4具体包括如下操作:
S41:通过下式计算每个焦面位置类型的分割图像在n个分割图像的占比值K:
K=Y/n(1);
其中,Y为当前焦面位置类型所对应的分割图像的总数,n为分割图像的总数;
S42:根据占比最大值所对应的焦面位置类型,获得待分割遥感影像的焦面位置。
焦面位置类型包括0焦面位置、0.25焦面位置、0.5焦面位置、0.75焦面位置、1焦面位置、-0.25焦面位置、-0.5焦面位置、-0.75焦面位置和-1焦面位置。0焦面位置代表光学系统中光线汇聚的最佳位置,使得图像位置上具有最大的清晰度和聚焦效果,随着焦面位置的值增大,图像依次模糊,而焦面位置的值越小说明越接近焦面最佳位置。
图2示出了根据本发明实施例提供的焦面位置判别模型的网络结构。
如图2所示,焦面位置判别模型由五个级联的阶段模块构成,其中,
第一阶段模块包括7*7卷积层,n个分割图像依次经7*7卷积层进行两次的卷积操作及相应的RELU激活后,输出特征图;
第二阶段模块包括第一残差模块、两个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和两个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第三阶段模块包括第一残差模块、三个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和三个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第四阶段模块包括第一残差模块、五个第二残差模块和IQAM注意力模块,特征图经级联的第一残差模块和五个第二残差模块进行残差操作后,经IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第五阶段模块包括第一残差模块和两个第二残差模块,特征图经级联的第一残差模块和两个第二残差模块进行残差操作后,获得特征图/>。
将特征图通过3*3卷积层进行两次卷积操作,获得特征图/>,将特征图/>通过3*3卷积层进行一次卷积操作,获得特征图/>,通过下式将特征图/>、特征图/>和特征图/>进行特征融合,获得特征融合图F:
(2);
其中,为特征图/>,/>为特征图/>,/>为特征图/>,/>为特征图/>对应的权重,/>为特征图/>对应的权重,/>为特征图/>对应的权重。
图3示出了根据本发明实施例提供的第一残差模块的网络结构。
如图3所示,第一残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,其中,两个1*1卷积层和3*3卷积层位于第一支路,1*1卷积层位于第二支路,输入至第一残差模块的特征图A分别输入至位于两个支路上的1*1卷积层,其中,特征图A经第一支路的1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,特征图/>经3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,特征图/>经1*1卷积层进行卷积操作后获得特征图/>,将特征图/>输入至第二支路上的SiLu激活函数,同时特征图A经第二支路的1*1卷积层进行卷积操作后,获得特征图/>,将特征图/>与特征图/>相加后进行SiLu激活操作,输出特征图/>。
SiLu激活函数的计算公式为:
(3);
(4);
(5);
其中,f(x)为函数,/>(x)为转换函数。
图4示出了根据本发明实施例提供的第二残差模块的网络结构。
如图4所示,第二残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,输入至第二残差模块的特征图B经1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,特征图/>经3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,特征图/>经1*1卷积层进行卷积操作后获得特征图/>,将特征图/>输入至SiLu激活函数,同时将特征图B输入至SiLu激活函数,将特征图B与特征图/>相加后进行SiLu激活操作,输出特征图/>。
图5示出了根据本发明实施例提供的IQAM注意力模块的网络结构。
如图5所示,IQAM注意力模块包括通道注意力子模块、空间注意力子模块和灰度注意力子模块,将特征图C输入至通道注意力子模块进行空间维度的压缩操作,获得特征图,将特征图/>输入至空间注意力子模块进行通道维度的压缩操作,获得特征图/>,将特征图/>输入至灰度注意力子模块进行水平和垂直方向的梯度变化的计算,获得包含具有灰级梯度信息的特征图/>。
图6示出了根据本发明实施例提供的通道注意力子模块的网络结构。
如图6所示,输入至通道注意力子模块的特征图H分别通过平均池化层和最大池化层进行池化处理后输入至神经网络(包括第一个MLP网络和第二个MLP网络)进行处理,对应获得特征图和特征图/>,将特征图/>和特征图/>相加后进行Sigmoid激活操作,获得输出特征图/>。
通道注意力子模块的计算公式为:
(6);
其中,为通道注意力函数,/>为sigmoid激活操作,AvgPool为平均池化层,Maxpool为最大池化层,/>为输入特征图在第c个通道上经过平均池化操作后的结果,为输入特征图在第c个通道上经过最大池化操作后的结果,MLP为多层感知机网络,为第一个MLP网络的权重矩阵,用于处理平均池化结果或最大池化结果,/>为第二个MLP网络的权重矩阵,用于处理第一个MLP网络的输出。
图7示出了根据本发明实施例提供的空间注意力子模块的网络结构。
如图7所示,输入至空间注意力子模块的特征图I依次经最大池化层和平均池化层进行池化处理后,经7*7卷积层进行卷积及相应的sigmoid激活,获得输出特征图。
空间注意力子模块的计算公式为:
(7);
其中,为7*7卷积层的卷积操作,/>为空间注意力函数,/>为在所有通道上经过平均池化操作后的结果,/>为在所有通道上经过平均池化操作后的结果。
图8示出了根据本发明实施例提供的灰度注意力子模块的网络结构。
如图8所示,灰度注意力子模块包括水平方向梯度算子、垂直方向梯度算子和7*7卷积层,输入至灰度注意力子模块的特征图D分别通过水平方向梯度算子和垂直方向梯度算子进行水平方向和垂直方向的梯度变化的计算,对应获得特征图和特征图/>,将特征图/>和特征图/>进行concat操作,获得特征图/>,特征图/>经7*7卷积层进行卷积及相应的sigmoid激活操作,获得特征图/>。
灰度注意力子模块的计算公式为:
(8);
其中,为灰度注意力函数,/>为水平方向梯度函数,/>为垂直方向梯度函数。
利用Focal loss损失函数对焦面位置判别模型进行优化,Focal loss损失函数为:
(9);
其中,FL为损失函数,为焦面位置判别模型所预测的当前分割图像所属焦面位置类型的概率,/>为权重因子,/>为调制因子。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种遥感影像焦面的判别方法,其特征在于,具体包括如下步骤:
S1:将待分割遥感影像进行分割,获得n个分割图像;
S2:将n个分割图像依次输入至焦面位置判别模型进行训练,获得与n个分割图像一一对应的融合特征图;
S3:将n个分割图像所对应的融合特征图依次进行处理,获得每个分割图像所对应的焦面位置类型;
S4:对n个分割图像所对应的焦面位置类型进行统计分类,获得所述待分割遥感影像的焦面位置。
2.根据权利要求1所述的遥感影像焦面的判别方法,其特征在于,所述焦面位置判别模型由五个级联的阶段模块构成,其中,
第一阶段模块包括7*7卷积层,n个分割图像依次经所述7*7卷积层进行两次的卷积操作及相应的RELU激活后,输出特征图;
第二阶段模块包括第一残差模块、两个第二残差模块和IQAM注意力模块,所述特征图经级联的所述第一残差模块和两个第二残差模块进行残差操作后,经所述IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第三阶段模块包括第一残差模块、三个第二残差模块和IQAM注意力模块,所述特征图经级联的所述第一残差模块和三个第二残差模块进行残差操作后,经所述IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第四阶段模块包括第一残差模块、五个第二残差模块和IQAM注意力模块,所述特征图经级联的所述第一残差模块和五个第二残差模块进行残差操作后,经所述IQAM注意力模块进行灰度变化注意力操作,获得特征图/>;
第五阶段模块包括第一残差模块和两个第二残差模块,所述特征图经级联的所述第一残差模块和两个第二残差模块进行残差操作后,获得特征图/>。
3.根据权利要求2所述的遥感影像焦面的判别方法,其特征在于,将所述特征图通过3*3卷积层进行两次卷积操作,获得特征图/>,将所述特征图/>通过所述3*3卷积层进行一次卷积操作,获得特征图/>,通过下式将所述特征图/>、所述特征图/>和所述特征图/>进行特征融合,获得所述融合特征图F:
(1);
其中,为所述特征图/>,/>为所述特征图/>,/>为所述特征图/>,/>为所述特征图/>对应的权重,/>为所述特征图/>对应的权重,/>为所述特征图/>对应的权重。
4.根据权利要求3所述的遥感影像焦面的判别方法,其特征在于,在所述步骤S3中,将n个分割图像所对应的融合特征图F依次通过平均池化层进行池化处理后,经全连接层输出每个分割图像所对应的焦面位置类型。
5.根据权利要求2所述的遥感影像焦面的判别方法,其特征在于,所述第一残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,其中,两个1*1卷积层和所述3*3卷积层位于第一支路,所述1*1卷积层位于第二支路,输入至所述第一残差模块的特征图A分别输入至位于两个支路上的所述1*1卷积层,其中,所述特征图A经所述第一支路的所述1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,所述特征图/>经所述3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,所述特征图/>经所述1*1卷积层进行卷积操作后获得特征图/>,将所述特征图/>输入至第二支路上的SiLu激活函数,同时所述特征图A经所述第二支路的所述1*1卷积层进行卷积操作后,获得特征图/>,将所述特征图/>与所述特征图/>相加后进行SiLu激活操作,输出特征图/>;
所述第二残差模块包括1*1卷积层、3*3卷积层和SiLu激活函数,输入至所述第二残差模块的特征图B经所述1*1卷积层进行卷积及相应的SiLu激活操作后,获得特征图,所述特征图/>经所述3*3卷积层进行卷积及相应的SiLu激活操作,获得特征图/>,所述特征图经所述1*1卷积层进行卷积操作后获得特征图/>,将所述特征图/>输入至SiLu激活函数,同时将所述特征图B输入至所述SiLu激活函数,将所述特征图B与所述特征图/>相加后进行SiLu激活操作,输出特征图/>。
6.根据权利要求2所述的遥感影像焦面的判别方法,其特征在于,所述IQAM注意力模块包括通道注意力子模块、空间注意力子模块和灰度注意力子模块,将特征图C输入至所述通道注意力子模块进行空间维度的压缩操作,获得特征图,将所述特征图/>输入至所述空间注意力子模块进行通道维度的压缩操作,获得特征图/>,将所述特征图/>输入至所述灰度注意力子模块进行水平和垂直方向的梯度变化的计算,获得特征图/>。
7.根据权利要求6所述的遥感影像焦面的判别方法,其特征在于,所述灰度注意力子模块包括水平方向梯度算子、垂直方向梯度算子和7*7卷积层,输入至所述灰度注意力子模块的特征图D分别通过所述水平方向梯度算子和所述垂直方向梯度算子进行水平方向和垂直方向的梯度变化的计算,对应获得特征图和特征图/>,将所述特征图/>和所述特征图进行concat操作,获得特征图/>,所述特征图/>经所述7*7卷积层进行卷积及相应的sigmoid激活操作,获得特征图/>。
8.根据权利要求1所述的遥感影像焦面的判别方法,其特征在于,所述焦面位置类型包括0焦面位置、0.25焦面位置、0.5焦面位置、0.75焦面位置、1焦面位置、-0.25焦面位置、-0.5焦面位置、-0.75焦面位置和-1焦面位置。
9.根据权利要求1所述的遥感影像焦面的判别方法,其特征在于,利用Focal loss损失函数对所述焦面位置判别模型进行优化,所述Focal loss损失函数为:
(2);
其中,FL为损失函数,为所述焦面位置判别模型所预测的当前分割图像所属焦面位置类型的概率,/>为权重因子,/>为调制因子。
10.根据权利要求8所述的遥感影像焦面的判别方法,其特征在于,所述步骤S4具体包括如下操作:
S41:通过下式计算每个焦面位置类型的分割图像在n个分割图像的占比值K:
K=Y/n(3);
其中,Y为当前焦面位置类型所对应的分割图像的总数,n为所述分割图像的总数;
S42:根据占比最大值所对应的焦面位置类型,获得所述待分割遥感影像的焦面位置。
11.根据权利要求5所述的遥感影像焦面的判别方法,其特征在于,所述SiLu激活函数的计算公式为:
(4);
(5);
(6);
其中,f(x)为函数,/>(x)为转换函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410150754.9A CN117689892B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像焦面的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410150754.9A CN117689892B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像焦面的判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689892A CN117689892A (zh) | 2024-03-12 |
CN117689892B true CN117689892B (zh) | 2024-04-09 |
Family
ID=90128588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410150754.9A Active CN117689892B (zh) | 2024-02-02 | 2024-02-02 | 遥感影像焦面的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689892B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107888836A (zh) * | 2017-12-05 | 2018-04-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于辅助焦面的推扫式遥感相机调焦方法 |
CN110727178A (zh) * | 2019-10-18 | 2020-01-24 | 南京诚芯集成电路技术研究院有限公司 | 一种基于机器学习确定光刻系统焦面位置的方法 |
CN111007661A (zh) * | 2019-12-02 | 2020-04-14 | 湖南国科智瞳科技有限公司 | 一种基于深度学习的显微图像自动聚焦方法及装置 |
CN111083365A (zh) * | 2019-12-24 | 2020-04-28 | 陈根生 | 一种最佳焦平面位置快速检测方法及装置 |
CN115421297A (zh) * | 2022-09-30 | 2022-12-02 | 中国科学院长春光学精密机械与物理研究所 | 光学系统最佳焦面位置的确定方法 |
CN117036721A (zh) * | 2022-11-02 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 空间站显微镜的调焦方法、装置、设备、介质和程序产品 |
CN117079106A (zh) * | 2023-08-17 | 2023-11-17 | 西安理工大学 | 基于光场重聚焦特征学习的多聚焦图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116075762A (zh) * | 2020-08-07 | 2023-05-05 | 纳米电子成像有限公司 | 用于自动聚焦显微镜系统的深度学习模型 |
-
2024
- 2024-02-02 CN CN202410150754.9A patent/CN117689892B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107888836A (zh) * | 2017-12-05 | 2018-04-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于辅助焦面的推扫式遥感相机调焦方法 |
CN110727178A (zh) * | 2019-10-18 | 2020-01-24 | 南京诚芯集成电路技术研究院有限公司 | 一种基于机器学习确定光刻系统焦面位置的方法 |
CN111007661A (zh) * | 2019-12-02 | 2020-04-14 | 湖南国科智瞳科技有限公司 | 一种基于深度学习的显微图像自动聚焦方法及装置 |
CN111083365A (zh) * | 2019-12-24 | 2020-04-28 | 陈根生 | 一种最佳焦平面位置快速检测方法及装置 |
CN115421297A (zh) * | 2022-09-30 | 2022-12-02 | 中国科学院长春光学精密机械与物理研究所 | 光学系统最佳焦面位置的确定方法 |
CN117036721A (zh) * | 2022-11-02 | 2023-11-10 | 腾讯科技(深圳)有限公司 | 空间站显微镜的调焦方法、装置、设备、介质和程序产品 |
CN117079106A (zh) * | 2023-08-17 | 2023-11-17 | 西安理工大学 | 基于光场重聚焦特征学习的多聚焦图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117689892A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN108647655B (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN111127557B (zh) | 一种基于深度学习的视觉slam前端位姿估计方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN110210608B (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
CN108764372A (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
CN112183788A (zh) | 一种域自适应设备运检系统和方法 | |
CN111986240A (zh) | 基于可见光和热成像数据融合的落水人员检测方法及系统 | |
CN111402237B (zh) | 基于时空级联自编码器的视频图像异常检测方法及系统 | |
CN114943963A (zh) | 一种基于双分支融合网络的遥感图像云和云影分割方法 | |
CN115171165A (zh) | 全局特征与阶梯型局部特征融合的行人重识别方法及装置 | |
CN111126278A (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
CN112581462A (zh) | 工业产品的外观缺陷检测方法、装置及存储介质 | |
CN111931857B (zh) | 一种基于mscff的低照度目标检测方法 | |
CN113989261A (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
CN114821390A (zh) | 基于注意力和关系检测的孪生网络目标跟踪方法及系统 | |
CN112418087A (zh) | 一种基于神经网络的水下视频鱼类识别方法 | |
CN115410087A (zh) | 一种基于改进YOLOv4的输电线路异物检测方法 | |
CN117409299B (zh) | 一种基于多尺度池化Transformer的图像内部遮挡关系预测方法 | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN116681885B (zh) | 输变电设备红外图像目标识别方法及系统 | |
CN117689892B (zh) | 遥感影像焦面的判别方法 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN117456330A (zh) | 一种基于MSFAF-Net的低照度目标检测方法 |
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 |