CN117994240A - 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 - Google Patents

多尺度二级光学遥感图像条纹噪声智能检测方法及装置 Download PDF

Info

Publication number
CN117994240A
CN117994240A CN202410231106.6A CN202410231106A CN117994240A CN 117994240 A CN117994240 A CN 117994240A CN 202410231106 A CN202410231106 A CN 202410231106A CN 117994240 A CN117994240 A CN 117994240A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
extraction module
feature extraction
stripe
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
CN202410231106.6A
Other languages
English (en)
Inventor
林向阳
王红钢
曲小飞
周颖
戎家琦
李蕊
冯鑫
杨帆
陈儒
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.)
Beijing Institute of Remote Sensing Information
Original Assignee
Beijing Institute of Remote Sensing Information
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 Beijing Institute of Remote Sensing Information filed Critical Beijing Institute of Remote Sensing Information
Priority to CN202410231106.6A priority Critical patent/CN117994240A/zh
Publication of CN117994240A publication Critical patent/CN117994240A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了多尺度二级光学遥感图像条纹噪声智能检测方法及装置，该方法包括：构建二级光学遥感图像条纹噪声检测数据集；构建条纹检测神经网络模型；利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。本发明采用多尺度智能特征提取技术，极大地提升了条纹检测算法的准确性；在栅格化分块处理后采用网格化并行多线程处理，进一步提升了条纹检测算法的时效性；通过构建海量典型地物条纹检测数据集，训练条纹检测神经网络，提升了条纹检测的精度与可靠性。

Description

多尺度二级光学遥感图像条纹噪声智能检测方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及多尺度二级光学遥感图像条纹噪声智能检测方法及装置。
背景技术
随着航天遥感技术的日益发展，获取的遥感光学图像数据质量越来越高。然而，由于遥感卫星的特殊性质，遥感图像在传感器拍摄时会受到云雾遮挡、大气干扰、光照变化等，使得遥感图像中往往会出现各种各样的干扰，例如遥感图像中往往存在噪声、条纹等。这些干扰不仅影响了遥感图像的目视效果，也对遥感图像的定量分析产生巨大的影响。
光学遥感图像的条纹噪声作为一种经常出现的干扰，它们通常是由于传感器扫描线和传感器通道响应不均匀等因素引起的。光学遥感图像中的条纹噪声会导致图像亮度、颜色和纹理的不连续性，从而影响遥感图像的质量和可用性。因此，条纹噪声检测在光学遥感图像处理中具有重要意义，可以帮助提高遥感图像的质量，增强遥感图像的应用价值。
传统的光学遥感图像条纹检测方法主要针对一级图像产品条纹进行检测分析。主要包括基于小波变换和滤波器组等方法，但这些传统方法存在一些局限性，如对噪声敏感、条纹定位不准确等问题。与此同时，近年来随着深度学习技术的不断发展，基于深度学习数据驱动的条纹检测方法逐渐得到了一定的研究。现有基于深度学习的光学遥感图像检测方法主要是使用卷积神经网络对条纹噪声的特征进行自动化的特征提取，然后通过激活函数来学习光学遥感图像的非线性表示，从而实现条纹检测。上述基于深度学习的条纹噪声检测方法仍然是基于一级图像产品，更多是基于条纹在图像上的垂直分布特性。现有研究中，采用的神经网络以卷积神经网络为基础，检测时以水平密集扫描和垂直稀疏扫描的方式来实现快速精确的检测。该方法提出的水平密集扫描和垂直稀疏扫描可以有效处理一级遥感图像条纹检测问题，但不适用于二级遥感影像的条纹检测。因此，目前二级图像产品暂无较好的条纹噪声检测手段。
发明内容
本发明所要解决的技术问题在于，提供多尺度二级光学遥感图像条纹噪声智能检测方法及装置，对遥感图像二级产品进行栅格化分块，该策略极大降低了计算复杂度，减少宽幅图像产品的内存开销；然后，在典型图像上利用神经网络方法，进行智能条纹检测，提升图像条纹检测率；最后，通过统计条纹检测结果，为图像评估提供评价标准。本发明实现高时效性高精度光学图像条纹噪声智能检测，解决海量光学二级遥感产品条纹检测难，速度慢，精度低的问题。
为了解决上述技术问题，本发明实施例第一方面公开了多尺度二级光学遥感图像条纹噪声智能检测方法，所述方法包括：
S1，构建二级光学遥感图像条纹噪声检测数据集；
S2，构建条纹检测神经网络模型；
S3，利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；
S4，利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
作为一种可选的实施方式，本发明实施例第一方面中，所述构建二级光学遥感图像条纹噪声检测数据集的方法包括：
S11，获取二级光学遥感图像；
S12，对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合；
S13，对所述第一数据块集合进行多线程栅格化分块处理，得到第二数据块集合；
所述第二数据块集合包括L个大小为512像素×512像素的数据块，L为正整数；
S14，对所述第二数据块集合进行数据清理，得到第三数据块集合；
S15，对所述第三数据块集合中的数据块进行标注，得到所述第三数据块集合的标签信息；
S16，所述第三数据块集合和所述第三数据块集合的标签信息构成二级光学遥感图像条纹噪声检测数据集。
作为一种可选的实施方式，本发明实施例第一方面中，所述对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合，包括：
S121，对所述二级光学遥感图像进行旋转和翻转处理，得到预处理二级光学遥感图像；
S122，利用遥感图像数据增强模型对所述预处理二级光学遥感图像进行增强，得到第一数据块集合。
作为一种可选的实施方式，本发明实施例第一方面中，所述遥感图像数据增强模型包括生成器和判别器；
所述生成器的输入为随机变量；
所述生成器包括卷积模块Conv1、卷积模块Conv2、卷积模块Conv3、卷积模块Conv4和卷积模块Conv5；
所述卷积模块Conv1的输出输入所述卷积模块Conv2，所述卷积模块Conv2的输出输入所述卷积模块Conv3，所述卷积模块Conv3的输出输入所述卷积模块Conv4；所述卷积模块Conv4的输出输入所述卷积模块Conv5；
卷积模块Conv1用于接收输入的随机变量；
所述卷积模块Conv5用于输出生成数据；
所述判别器采用多尺度CBL模块对生成数据进行识别；
所述CBL模块包括卷积层Conv、BN批正则化层和Leaky Relu激活函数层；
所述CBL模块用于对所述生成数据和真实数据进行卷积运算，得到图像特征信息；
所述判别器利用全连接层和SoftMax激活函数对所述生成数据进行判别。
作为一种可选的实施方式，本发明实施例第一方面中，所述条纹检测神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块和第五特征提取模块；
所述第一特征提取模块包括第一子特征提取模块、第二子特征提取模块和第三子特征提取模块；
所述第二特征提取模块包括第四子特征提取模块、第五子特征提取模块和第六子特征提取模块；
所述第三特征提取模块包括第七子特征提取模块和第八子特征提取模块；
所述第一子特征提取模块用于接收输入数据；
所述第一子特征提取模块的输出分别输入所述第二子特征提取模块、所述第四子特征提取模块和所述第五子特征提取模块；
所述第二子特征提取模块的输出分别输入所述第三子特征提取模块和所述第四特征提取模块；
所述第三子特征提取模块的输出分别输入所述第四子特征提取模块和所述第七子特征提取模块；
所述第四子特征提取模块的输出输入所述第五子特征提取模块；
所述第五子特征提取模块的输出分别输入所述第六子特征提取模块和所述第七子特征提取模块；
所述第六子特征提取模块的输出输入所述第五特征提取模块；
所述第七子特征提取模块的输出分别输入所述第八子特征提取模块和所述第四特征提取模块；
所述第八子特征提取模块的输出、所述第四特征提取模块的输出输入所述第五特征提取模块。
作为一种可选的实施方式，本发明实施例第一方面中，所述利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果，包括：
S41，对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息；
S42，利用所述优化条纹检测神经网络模型，对所述预处理整景遥感图像数据信息进行处理，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
作为一种可选的实施方式，本发明实施例第一方面中，所述对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息，包括：
对待检测的整景遥感图像进行栅格化分块处理，得到大小为512像素×512像素的N个数据块，N为正整数。
本发明实施例第二方面公开了多尺度二级光学遥感图像条纹噪声智能检测装置，所述装置包括：
数据集构建单元，用于构建二级光学遥感图像条纹噪声检测数据集；
神经网络模型构建单元，用于构建条纹检测神经网络模型；
模型训练单元，用于利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；
条纹噪声检测单元，用于利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
作为一种可选的实施方式，本发明实施例第二方面中，所述构建二级光学遥感图像条纹噪声检测数据集的方法包括：
S11，获取二级光学遥感图像；
S12，对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合；
S13，对所述第一数据块集合进行多线程栅格化分块处理，得到第二数据块集合；
所述第二数据块集合包括L个大小为512像素×512像素的数据块，L为正整数；
S14，对所述第二数据块集合进行数据清理，得到第三数据块集合；
S15，对所述第三数据块集合中的数据块进行标注，得到所述第三数据块集合的标签信息；
S16，所述第三数据块集合和所述第三数据块集合的标签信息构成二级光学遥感图像条纹噪声检测数据集。
作为一种可选的实施方式，本发明实施例第二方面中，所述对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合，包括：
S121，对所述二级光学遥感图像进行旋转和翻转处理，得到预处理二级光学遥感图像；
S122，利用遥感图像数据增强模型对所述预处理二级光学遥感图像进行增强，得到第一数据块集合。
作为一种可选的实施方式，本发明实施例第二方面中，所述遥感图像数据增强模型包括生成器和判别器；
所述生成器的输入为随机变量；
所述生成器包括卷积模块Conv1、卷积模块Conv2、卷积模块Conv3、卷积模块Conv4和卷积模块Conv5；
所述卷积模块Conv1的输出输入所述卷积模块Conv2，所述卷积模块Conv2的输出输入所述卷积模块Conv3，所述卷积模块Conv3的输出输入所述卷积模块Conv4；所述卷积模块Conv4的输出输入所述卷积模块Conv5；
卷积模块Conv1用于接收输入的随机变量；
所述卷积模块Conv5用于输出生成数据；
所述判别器采用多尺度CBL模块对生成数据进行识别；
所述CBL模块包括卷积层Conv、BN批正则化层和Leaky Relu激活函数层；
所述CBL模块用于对所述生成数据和真实数据进行卷积运算，得到图像特征信息；
所述判别器利用全连接层和SoftMax激活函数对所述生成数据进行判别。
作为一种可选的实施方式，本发明实施例第二方面中，所述条纹检测神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块和第五特征提取模块；
所述第一特征提取模块包括第一子特征提取模块、第二子特征提取模块和第三子特征提取模块；
所述第二特征提取模块包括第四子特征提取模块、第五子特征提取模块和第六子特征提取模块；
所述第三特征提取模块包括第七子特征提取模块和第八子特征提取模块；
所述第一子特征提取模块用于接收输入数据；
所述第一子特征提取模块的输出分别输入所述第二子特征提取模块、所述第四子特征提取模块和所述第五子特征提取模块；
所述第二子特征提取模块的输出分别输入所述第三子特征提取模块和所述第四特征提取模块；
所述第三子特征提取模块的输出分别输入所述第四子特征提取模块和所述第七子特征提取模块；
所述第四子特征提取模块的输出输入所述第五子特征提取模块；
所述第五子特征提取模块的输出分别输入所述第六子特征提取模块和所述第七子特征提取模块；
所述第六子特征提取模块的输出输入所述第五特征提取模块；
所述第七子特征提取模块的输出分别输入所述第八子特征提取模块和所述第四特征提取模块；
所述第八子特征提取模块的输出、所述第四特征提取模块的输出输入所述第五特征提取模块。
作为一种可选的实施方式，本发明实施例第二方面中，所述利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果，包括：
S41，对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息；
S42，利用所述优化条纹检测神经网络模型，对所述预处理整景遥感图像数据信息进行处理，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
作为一种可选的实施方式，本发明实施例第二方面中，所述对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息，包括：
对待检测的整景遥感图像进行栅格化分块处理，得到大小为512像素×512像素的N个数据块，N为正整数。
本发明第三方面公开了另一种多尺度二级光学遥感图像条纹噪声智能检测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的多尺度二级光学遥感图像条纹噪声智能检测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机可存储介质，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的多尺度二级光学遥感图像条纹噪声智能检测方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
(1)采用多尺度智能特征提取技术，极大地提升了条纹检测算法的准确性；
(2)在栅格化分块处理后，采用网格化并行多线程处理，进一步提升了条纹检测算法的时效性；
(3)通过构建海量典型地物条纹检测数据集，训练条纹检测神经网络，提升了条纹检测算法的精度与可靠性；
(4)通过神经网络模型近实时设计，实现神经网络模型的快速推理，提升了条纹检测算法的时效性；
(5)通过实现智能条纹检测，得到条纹检测统计结果，对遥感图像进行快速质量评价。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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例，对于本领域普通技术人员来讲，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是本发明实施例公开的多尺度二级光学遥感图像条纹噪声智能检测方法的流程示意图；
图2是本发明实施例公开的条纹检测神经网络结构图；
图3是本发明实施例公开的另一种多尺度二级光学遥感图像条纹噪声智能检测方法的流程示意图；
图4是本发明实施例公开的遥感图像数据增强模型的结构示意图；
图5是本发明实施例公开的协同表示学习训练条纹检测神经网络结构图；
图6是本发明实施例公开的栅格化分块示意图；
图7是本发明实施例公开的多尺度二级光学遥感图像条纹噪声智能检测装置的结构示意图；
图8是本发明实施例公开的另一种多尺度二级光学遥感图像条纹噪声智能检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了多尺度二级光学遥感图像条纹噪声智能检测方法及装置，该方法包括：构建二级光学遥感图像条纹噪声检测数据集；构建条纹检测神经网络模型；利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。本发明采用多尺度智能特征提取技术，极大地提升了条纹检测算法的准确性；在栅格化分块处理后采用网格化并行多线程处理，进一步提升了条纹检测算法的时效性；通过构建海量典型地物条纹检测数据集，训练条纹检测神经网络，提升了条纹检测的精度与可靠性。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的多尺度二级光学遥感图像条纹噪声智能检测方法的流程示意图。其中，图1所描述的多尺度二级光学遥感图像条纹噪声智能检测方法应用于图像处理领域，实现光学遥感图像智能条纹检测，本发明实施例不做限定。如图1所示，该多尺度二级光学遥感图像条纹噪声智能检测方法可以包括以下操作：
S1，构建二级光学遥感图像条纹噪声检测数据集；
S2，构建条纹检测神经网络模型；
S3，利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型，包括：
利用VGG19网络提取二级光学遥感图像条纹噪声检测数据集数据块的特征，然后用凝聚层次聚类方法对VGG19网络各层输出的特征进行聚类，得到各个数据块的聚类特征参数。凝聚层次聚类(Agglomerative Hierarchical Clustering,AHC)具有一个自底向上的分层树形结构。算法首先将所有数据放在第一层，每一个数据对象看作一个最小的聚类簇。然后计算不同簇之间的相似度，相似度最大的两个聚类簇合并成一个大的聚类簇并放在第二层，随着层数不断向上增加，聚类簇的数目不断减少，直到所有数据合并为一个簇或者达到簇的数目达到预先设定的值则停止。将各个数据块的聚类特征参数输入条纹检测神经网络模型，利用反向传播算法对该模型进行训练，当模型收敛时得到训练好的模型，即优化条纹检测神经网络模型。
S4，利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
可选的，所述构建二级光学遥感图像条纹噪声检测数据集的方法包括：
S11，获取二级光学遥感图像；
S12，对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合；
S13，对所述第一数据块集合进行多线程栅格化分块处理，得到第二数据块集合；
所述第二数据块集合包括L个大小为512像素×512像素的数据块，L为正整数；
S14，对所述第二数据块集合进行数据清理，得到第三数据块集合；
S15，对所述第三数据块集合中的数据块进行标注，得到所述第三数据块集合的标签信息；
S16，所述第三数据块集合和所述第三数据块集合的标签信息构成二级光学遥感图像条纹噪声检测数据集。
可选的，所述对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合，包括：
S121，对所述二级光学遥感图像进行旋转和翻转处理，得到预处理二级光学遥感图像；
S122，利用遥感图像数据增强模型对所述预处理二级光学遥感图像进行增强，得到第一数据块集合。
可选的，所述遥感图像数据增强模型包括生成器和判别器；
所述生成器的输入为随机变量；
所述生成器包括卷积模块Conv1、卷积模块Conv2、卷积模块Conv3、卷积模块Conv4和卷积模块Conv5；
所述卷积模块Conv1的输出输入所述卷积模块Conv2，所述卷积模块Conv2的输出输入所述卷积模块Conv3，所述卷积模块Conv3的输出输入所述卷积模块Conv4；所述卷积模块Conv4的输出输入所述卷积模块Conv5；
卷积模块Conv1用于接收输入的随机变量；
所述卷积模块Conv5用于输出生成数据；
所述判别器采用多尺度CBL模块对生成数据进行识别；
所述CBL模块包括卷积层Conv、BN批正则化层和Leaky Relu激活函数层；
所述CBL模块用于对所述生成数据和真实数据进行卷积运算，得到图像特征信息；
所述判别器利用全连接层和SoftMax激活函数对所述生成数据进行判别。
可选的，所述条纹检测神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块和第五特征提取模块；
所述第一特征提取模块包括第一子特征提取模块、第二子特征提取模块和第三子特征提取模块；
所述第二特征提取模块包括第四子特征提取模块、第五子特征提取模块和第六子特征提取模块；
所述第三特征提取模块包括第七子特征提取模块和第八子特征提取模块；
所述第一子特征提取模块用于接收输入数据；
所述第一子特征提取模块的输出分别输入所述第二子特征提取模块、所述第四子特征提取模块和所述第五子特征提取模块；
所述第二子特征提取模块的输出分别输入所述第三子特征提取模块和所述第四特征提取模块；
所述第三子特征提取模块的输出分别输入所述第四子特征提取模块和所述第七子特征提取模块；
所述第四子特征提取模块的输出输入所述第五子特征提取模块；
所述第五子特征提取模块的输出分别输入所述第六子特征提取模块和所述第七子特征提取模块；
所述第六子特征提取模块的输出输入所述第五特征提取模块；
所述第七子特征提取模块的输出分别输入所述第八子特征提取模块和所述第四特征提取模块；
所述第八子特征提取模块的输出、所述第四特征提取模块的输出输入所述第五特征提取模块。图2是本发明实施例公开的条纹检测神经网络结构图。
可选的，所述利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果，包括：
S41，对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息；
S42，利用所述优化条纹检测神经网络模型，对所述预处理整景遥感图像数据信息进行处理，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
可选的，所述对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息，包括：
对待检测的整景遥感图像进行栅格化分块处理，得到大小为512像素×512像素的N个数据块，N为正整数。
可选的，可以用如下的生成器和滤波器对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合，具体为：
所述生成器采用6层卷积神经网络，没有使用池化层，隐藏层中没有使用全连接层，隐藏层每个卷积层后采用BN层和Relu激活函数。同时，在判别器的输出没有sigmod层。反卷积核的大小不一，步长为2。生成器的输入是大小为100的噪声，先经过一个全连接层对噪声进行线性变换，然后再reshape成9×9×1 024的三维矩阵的形式，经过6层反卷积层得到增强二级光学遥感图像。生成器生成的数据拥有更高的多样性，但也不可避免地引入了噪声，利用滤波器对所述增强二级光学遥感图像进行滤波处理，得到第一数据块集合。本发明使用基于BERT的过滤器F进行过滤选择，过滤器F包括BERT层、线性层、ReLU激活函数层。输入数据首先经过BERT层获取特征表示，其次通过Dropout技术进行正则化处理，以减少过拟合风险，然后将Dropout层的输出输入到一个具有786个输入特征和类别数量输出特征的线性变换层，将特征表示映射到分类标签的空间，最后经过ReLU激活函数得到最终的分类结果。对于生成的图像，样本(y,l)，验证是否F(y)＝l，若分类正确则保留，不正确舍弃。
可见，本发明采用多尺度智能特征提取技术，极大地提升了条纹检测算法的准确性；在栅格化分块处理后，采用网格化并行多线程处理，进一步提升了条纹检测算法的时效性；通过构建海量典型地物条纹检测数据集，训练条纹检测神经网络，提升了条纹检测算法的精度与可靠性；通过神经网络模型近实时设计，实现神经网络模型的快速推理，提升了条纹检测算法的时效性；通过实现智能条纹检测，得到条纹检测统计结果，对遥感图像进行快速质量评价。
实施例二
请参阅图3，图3是本发明实施例公开的另一种多尺度二级光学遥感图像条纹噪声智能检测方法的流程示意图。其中，图3所描述的多尺度二级光学遥感图像条纹噪声智能检测方法应用于图像处理领域，实现光学遥感图像智能条纹检测，本发明实施例不做限定。如图3所示，该多尺度二级光学遥感图像条纹噪声智能检测方法可以包括以下操作：
本实施例包括条纹噪声数据标注、栅格化分块、条纹噪声智能检测步骤。本发明的条纹噪声标注采用目译标注；在栅格化分块步骤中，采用不重叠多线程栅格分块技术；在条纹噪声智能检测步骤中，采用多尺度特征提取进行近实时模型设计。本发明的重点在多线程栅格化分块，条纹噪声智能检测，整景遥感影像条纹含量统计过程。
本发明的实现步骤如下：
1.构建条纹检测数据集过程如下：
搜集遥感图像条纹数据，对遥感数据进行多线程栅格化分块处理，将遥感图像分成512×512个像素的数据块；同时进行数据清理工作。
将这些数据块进行人工目译标注，判断这些数据块中是否含有条带噪声，正常图像标注为“normal”，异常条带噪声图像标注为“stripe”。图4是本发明实施例公开的栅格化分块示意图。
利用预设的遥感图像数据增强模型对条纹检测数据集进行数据增强，构建海量条纹检测数据集。图5是本发明实施例公开的遥感图像数据增强模型的结构示意图，由两个模块组成，分别是生成器和判别器。生成器输入随机变量，为了提升训练的可靠性及推理速度，生成器采用5个不同尺度的卷积和进行特征自编码。其中卷积Conv1和Conv2用于实现特征的Encoder，将输入数据映射为低纬特征空间；Conv3、Conv4和Conv5用于实现Decoder，将低维空间特征向量重构为生成数据。判别器采用多尺度CBL模块对生成数据进行识别，CBL模块由卷积层Conv、BN批正则化层及Leaky Relu激活函数层组成。在CBL模块中，生成数据和真实数据首先进行卷积操作实现特征提取；将提取好的图像特征进行批量正则化操作，得到指定特征空间的图像特征；在批量正则化后使用激活函数提升模型的表达能力，为了防止由梯度消失的问题，在CBL模块使用了Leaky Relu激活函数：
在特征提取后，判别器使用全连接层和SoftMax激活函数对生成的数据进行判别，SoftMax激活函数的表达式如下：
判别器使用的损失函数为Sigmoid损失函数：
2.典型地物特征提取技术；首先，对整景遥感图像进行栅格化分块处理，将遥感影像不重叠地分成M×N个像素的数据块，每一个像素块的大小与条纹检测样本的大小相同，为512×512个像素。
3.条纹检测神经网络模型设计；本实施例采用的是协同表示学习训练条纹检测神经网，如图6所示。条纹检测神经网络包括权重模块、特征图模块、残差旁路模块、池化层、求和层和激活函数等，使用多个RES、MIP、CBL等模块及Concat特征拼接操作对图像进行多尺度的特征提取，可以有效地提取遥感图像的条纹特征。CBL模块表示卷积层、BN批量正则化以及Leaky Relu激活函数层；Max-Pool表示最大池化操作；FC表示全链接层。在CBL模块中，遥感图像首先进行卷积操作实现特征提取；将提取好的图像特征进行批量正则化操作，得到指定特征空间的图像特征；在批量正则化后使用激活函数提升模型的表达能力，为了防止由梯度消失的问题，本文在CBL模块使用了Leaky Relu激活函数：
RES模块是一种残差网络模块，常用于特征图的多尺度特征提取。为了兼顾条纹检测神经网络的效率和准确性。相比于ELAN模块，RES模块具有更少的计算参数，同时，二级图像产品中的条纹特征大部分表现为全局特征，因此，在此任务下RES模块的特征提取精度也得到了保证。
在神经网络进行多次RES模块操作的同时，本实施例保留部分特征与后续特征进行拼接操作，实现遥感图像多尺度的特征提取。神经网络进行特征拼接后，为了降低遥感图像位置特征的敏感性及神经网络的计算量，本实施例使用了MP模块。MP模块由两个支路组成，一路进行最大池化操作，一路进行特征提取操作，在降低计算量的同时也扩大了特征提取的感受野。
在进行特征提取后，本实施例使用全连接层和SoftMax激活函数进行遥感图像的场景级分类来实现条纹检测，SoftMax激活函数的表达式如下：
条纹检测神经网络使用的损失函数为Sigmoid损失函数：
为了进一步提升条纹检测神经网络的准确性，在使用遥感图像数据增强模型对条纹数据集增强的同时，使用表示学习预训练技术对条纹检测神经网络进行训练。表示学习是通过指定的任务对数据的特征进行更好的表达。在遥感图像数据增强模型的训练过程中，通过判别器对真实数据和生成数据的判断，判别器已经具有较强的特征表达能力。本方法将训练好的判别器的部分CBL模块的权重进行冻结保存。使用训练好的CBL模块作为部分预训练模型，来替代原有的随机初始化的CBL模块，实现遥感图像数据增强模型与条纹检测神经网络协同表示学习。
海量条纹检测数据集构建与预训练技术可以在增强训练数据集的同时，通过协同表示学习框架进一步提高条纹检测神经网络的检测精度，减少条纹检测神经网络的训练时间。
利用海量条纹检测数据集对协同表示学习训练条纹检测神经网进行训练，得到优化协同表示学习训练条纹检测神经网，具体为：
利用VGG19网络提取数据块的特征，然后用凝聚层次聚类方法对VGG19网络各层输出的特征进行聚类，得到各个数据块的聚类特征参数。凝聚层次聚类(AgglomerativeHierarchical Clustering,AHC)具有一个自底向上的分层树形结构。算法首先将所有数据放在第一层，每一个数据对象看作一个最小的聚类簇。然后计算不同簇之间的相似度，相似度最大的两个聚类簇合并成一个大的聚类簇并放在第二层，随着层数不断向上增加，聚类簇的数目不断减少，直到所有数据合并为一个簇或者达到簇的数目达到预先设定的值则停止。将各个数据块的聚类特征参数输入协同表示学习训练条纹检测神经网，利用反向传播算法对该模型进行训练，当模型收敛时得到训练好的模型，即优化协同表示学习训练条纹检测神经网。利用优化协同表示学习训练条纹检测神经网，对待检测的整景遥感图像进行条纹噪声检测，得到条纹噪声检测结果。
可选的，在利用海量条纹检测数据集对协同表示学习训练条纹检测神经网进行训练，得到优化协同表示学习训练条纹检测神经网之前，利用DBSCAN(一种基于密度的空间聚类算法)对海量条纹检测数据集进行聚类，通过规定距离半径ε与最小样本数量Pmin设置核心点，满足距离半径的不同核心点可进一步划分为同一类别，从而完成所有样本点的类别划分。无核心点的样本不属于任何类别，可视为离群样本。为减少计算成本，通过两次DBSCAN聚类操作，一次聚类通过较大的ε和较小的Pmin去除稀疏分布的离群样本。二次聚类通过较小的ε和较大的最小样本数的Pmin去除均匀分布的背景噪声样本。本实施例所用的参数如下：一次聚类ε为150，Pmin为50，二次聚类ε为3，Pmin为20。
实施例三
请参阅图7，图7是本发明实施例公开的多尺度二级光学遥感图像条纹噪声智能检测装置的结构示意图。其中，图7所描述的多尺度二级光学遥感图像条纹噪声智能检测装置应用于图像处理领域，实现光学遥感图像智能条纹检测，本发明实施例不做限定。如图7所示，该多尺度二级光学遥感图像条纹噪声智能检测装置可以包括以下操作：
S301，数据集构建单元，用于构建二级光学遥感图像条纹噪声检测数据集；
S302，神经网络模型构建单元，用于构建条纹检测神经网络模型；
S303，模型训练单元，用于利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；
S304，条纹噪声检测单元，用于利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
实施例四
请参阅图8，图8是本发明实施例公开的另一种多尺度二级光学遥感图像条纹噪声智能检测装置的结构示意图。其中，图8所描述的多尺度二级光学遥感图像条纹噪声智能检测装置应用于图像处理领域，实现光学遥感图像智能条纹检测，本发明实施例不做限定。如图8所示，该多尺度二级光学遥感图像条纹噪声智能检测装置可以包括以下操作：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一、实施例二所描述的多尺度二级光学遥感图像条纹噪声智能检测方法中的步骤。
实施例五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机用于执行实施例一、实施例二所描述的多尺度二级光学遥感图像条纹噪声智能检测方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的多尺度二级光学遥感图像条纹噪声智能检测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述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项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述方法包括：
S1，构建二级光学遥感图像条纹噪声检测数据集；
S2，构建条纹检测神经网络模型；
S3，利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；
S4，利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
2.根据权利要求1所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述构建二级光学遥感图像条纹噪声检测数据集的方法包括：
S11，获取二级光学遥感图像；
S12，对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合；
S13，对所述第一数据块集合进行多线程栅格化分块处理，得到第二数据块集合；
所述第二数据块集合包括L个大小为512像素×512像素的数据块，L为正整数；
S14，对所述第二数据块集合进行数据清理，得到第三数据块集合；
S15，对所述第三数据块集合中的数据块进行标注，得到所述第三数据块集合的标签信息；
S16，所述第三数据块集合和所述第三数据块集合的标签信息构成二级光学遥感图像条纹噪声检测数据集。
3.根据权利要求2所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述对所述二级光学遥感图像进行数据增强处理，得到第一数据块集合，包括：
S121，对所述二级光学遥感图像进行旋转和翻转处理，得到预处理二级光学遥感图像；
S122，利用遥感图像数据增强模型对所述预处理二级光学遥感图像进行增强，得到第一数据块集合。
4.根据权利要求3所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述遥感图像数据增强模型包括生成器和判别器；
所述生成器的输入为随机变量；
所述生成器包括卷积模块Conv1、卷积模块Conv2、卷积模块Conv3、卷积模块Conv4和卷积模块Conv5；
所述卷积模块Conv1的输出输入所述卷积模块Conv2，所述卷积模块Conv2的输出输入所述卷积模块Conv3，所述卷积模块Conv3的输出输入所述卷积模块Conv4；所述卷积模块Conv4的输出输入所述卷积模块Conv5；
卷积模块Conv1用于接收输入的随机变量；
所述卷积模块Conv5用于输出生成数据；
所述判别器采用多尺度CBL模块对生成数据进行识别；
所述CBL模块包括卷积层Conv、BN批正则化层和Leaky Relu激活函数层；
所述CBL模块用于对所述生成数据和真实数据进行卷积运算，得到图像特征信息；
所述判别器利用全连接层和SoftMax激活函数对所述生成数据进行判别。
5.根据权利要求1所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述条纹检测神经网络模型包括第一特征提取模块、第二特征提取模块、第三特征提取模块、第四特征提取模块和第五特征提取模块；
所述第一特征提取模块包括第一子特征提取模块、第二子特征提取模块和第三子特征提取模块；
所述第二特征提取模块包括第四子特征提取模块、第五子特征提取模块和第六子特征提取模块；
所述第三特征提取模块包括第七子特征提取模块和第八子特征提取模块；
所述第一子特征提取模块用于接收输入数据；
所述第一子特征提取模块的输出分别输入所述第二子特征提取模块、所述第四子特征提取模块和所述第五子特征提取模块；
所述第二子特征提取模块的输出分别输入所述第三子特征提取模块和所述第四特征提取模块；
所述第三子特征提取模块的输出分别输入所述第四子特征提取模块和所述第七子特征提取模块；
所述第四子特征提取模块的输出输入所述第五子特征提取模块；
所述第五子特征提取模块的输出分别输入所述第六子特征提取模块和所述第七子特征提取模块；
所述第六子特征提取模块的输出输入所述第五特征提取模块；
所述第七子特征提取模块的输出分别输入所述第八子特征提取模块和所述第四特征提取模块；
所述第八子特征提取模块的输出、所述第四特征提取模块的输出输入所述第五特征提取模块。
6.根据权利要求1所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果，包括：
S41，对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息；
S42，利用所述优化条纹检测神经网络模型，对所述预处理整景遥感图像数据信息进行处理，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
7.根据权利要求6所述的多尺度二级光学遥感图像条纹噪声智能检测方法，其特征在于，所述对待检测的整景遥感图像进行预处理，得到预处理整景遥感图像数据信息，包括：
对待检测的整景遥感图像进行栅格化分块处理，得到大小为512像素×512像素的N个数据块，N为正整数。
8.多尺度二级光学遥感图像条纹噪声智能检测装置，其特征在于，所述装置包括：
数据集构建单元，用于构建二级光学遥感图像条纹噪声检测数据集；
神经网络模型构建单元，用于构建条纹检测神经网络模型；
模型训练单元，用于利用所述二级光学遥感图像条纹噪声检测数据集，对所述条纹检测神经网络模型进行训练，得到优化条纹检测神经网络模型；
条纹噪声检测单元，用于利用所述优化条纹检测神经网络模型，对待检测的整景遥感图像进行检测，得到多尺度二级光学遥感图像条纹噪声智能检测结果。
9.多尺度二级光学遥感图像条纹噪声智能检测装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的多尺度二级光学遥感图像条纹噪声智能检测方法。
10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的多尺度二级光学遥感图像条纹噪声智能检测方法。
CN202410231106.6A 2024-02-29 2024-02-29 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 Pending CN117994240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410231106.6A CN117994240A (zh) 2024-02-29 2024-02-29 多尺度二级光学遥感图像条纹噪声智能检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410231106.6A CN117994240A (zh) 2024-02-29 2024-02-29 多尺度二级光学遥感图像条纹噪声智能检测方法及装置

Publications (1)

Publication Number Publication Date
CN117994240A true CN117994240A (zh) 2024-05-07

Family

ID=90897465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410231106.6A Pending CN117994240A (zh) 2024-02-29 2024-02-29 多尺度二级光学遥感图像条纹噪声智能检测方法及装置

Country Status (1)

Country Link
CN (1) CN117994240A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298194A (zh) * 2024-06-06 2024-07-05 湖北经济学院 一种面向相机光通信的条纹图像处理方法、装置及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298194A (zh) * 2024-06-06 2024-07-05 湖北经济学院 一种面向相机光通信的条纹图像处理方法、装置及设备

Similar Documents

Publication Publication Date Title
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
Xie et al. Multilevel cloud detection in remote sensing images based on deep learning
CN110060237A (zh) 一种故障检测方法、装置、设备及系统
Yin et al. Hot region selection based on selective search and modified fuzzy C-means in remote sensing images
CN113887459B (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
CN108830188A (zh) 基于深度学习的车辆检测方法
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
CN117994240A (zh) 多尺度二级光学遥感图像条纹噪声智能检测方法及装置
Ngugi et al. A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks
CN106557740A (zh) 一种遥感图像中油库目标的识别方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
Ge et al. Coarse-to-fine foraminifera image segmentation through 3D and deep features
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN117292117A (zh) 一种基于注意力机制的小目标检测方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN109284752A (zh) 一种车辆的快速检测方法
CN108537266A (zh) 一种深度卷积网络的织物纹理疵点分类方法
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法
CN117197653A (zh) 基于深度学习的滑坡灾害识别方法及系统
CN116895019A (zh) 一种基于动态加权交叉熵损失的遥感图像变化检测方法及其检测系统
CN111582057A (zh) 一种基于局部感受野的人脸验证方法
CN114694042A (zh) 一种基于改进Scaled-YOLOv4的伪装人员目标检测方法

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