一种基于深度学习的大规模遥感影像目标自动识别方法技术

本发明专利技术提供了一种大规模遥感影像目标识别方法，包括：采用深度神经网络对训练遥感影像进行训练，对训练好的深度神经网络添加一个目标分类层，再对该深度神经网络进行调整，得到最优的深度神经网络，通过该最优的深度神经网络对大规模遥感影像进行目标自动识别。本发明专利技术能快速和准确的完成大规模遥感影像特征提取，提高特征对遥感影像的光照、角度、尺度和背景等复杂变化的反应性，进而提高大规模遥感影像目标识别的效率。

【技术实现步骤摘要】

本专利技术涉及大规模遥感影像解译和识别
，具体是一种通过深度神经网络建模提取目标特征的遥感影像目标识别方法。
技术介绍
遥感影像目标自动识别技术是一种重要的遥感应用技术，它的目的是从海量遥感影像中自动识别感兴趣的目标并获取其相关信息。遥感影像目标自动识别具有重要的应用价值，在军用方面，利用遥感影像自动识别技术，有助于实现对目标国家和地区的目标监视；在民用方面，利用遥感图像的自动识别技术有助于实现对城乡地区的规划和动态监测等。最初，实现遥感影像目标识别只能通过人工判读。随后人机交互的半自动化识别方式逐渐发展，但由于处理耗时多、周期长，这种方式并不能发挥遥感技术的优越性，尤其是近些年来遥感影像数据规模的逐年累积，使得遥感影像数据步入大数据时代，研究和发展针对大规模遥感影像的自动识别技术逐渐成为热点。借鉴计算机视觉和模式识别领域的相关成熟技术，当前用于遥感影像自动识别的方法主要分为两类：一是自上而下的模型驱动方法，这类方法首先结合领域专家知识定义目标模型，然后利用实际数据的统计信息修正和改进模型，最后通过模型匹配的方法进行目标识别，对于特定应用，这类方法可以利用合适的专家知识获得较好的识别结果，缺点是过程繁多，计算复杂。二是自下而上的数据驱动方法，通过结合计算机视觉中的特征提取方法和机器学习中的分类器方法进行目标的识别，这类方法由于无需特定专家知识，对于不同类型的目标识别应用具有较强的适应和推广能力，缺点是现有的特征提取方法往往不能很好地描述遥感影像目标特征。针对大规模遥感影像，基于计算和时间成本的考虑，后者更具有现实意义和可行性，但是目前已有的特征提取方法对于遥感影像的光照、角度、尺度和背景等复杂变化的鲁棒性较差，在大规模遥感影像目标识别中的应用效果不理想。
技术实现思路
(一)要解决的技术问题本专利技术的目的在于，提供一种大规模遥感影像目标识别方法，能快速和准确的完成大规模遥感影像特征提取，提高特征对遥感影像的光照、角度、尺度和背景等复杂变化的反应性，进而提高大规模遥感影像目标识别的效率。(二)技术方案本专利技术提供一种大规模遥感影像目标识别方法，包括：S1，采用深度神经网络对训练遥感影像进行特征学习，其中，所述深度神经网络包括输入层和隐藏层；S2，在训练后的深度神经网络中添加一目标分类层，用于对输入至所述深度神经网络的遥感影像中的目标进行分类；S3，将待测遥感影像输入至深度神经网络；S4，通过深度神经网络的前向传播计算所述待测遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果。(三)有益效果本专利技术根据目标本身的结构，从图像领域出发，利用低秩纹理模型获取其变换参数，直接得到目标的朝向，相比于传统的旋转不变特征保留了更为完整的信息，使得后续的检测识别方法可以更为灵活的选择特征描述。另外，采用合理的变换模型，将方向纠正问题转化为最优化问题，并在循环迭代过程中，逐步逼近目标的方向，能够有效推动遥感图像的目标识别
的发展。附图说明图1是本专利技术实施例提供的大规模遥感影像目标识别方法的流程图。具体实施方式本专利技术提供一种大规模遥感影像目标识别方法，采用深度神经网络对训练遥感影像进行训练，对训练好的深度神经网络添加一个目标分类层，再对该深度神经网络进行调整，得到最优的深度神经网络，通过该最优的深度神经网络对大规模遥感影像进行目标自动识别。本专利技术能快速和准确的完成大规模遥感影像特征提取，提高特征对遥感影像的光照、角度、尺度和背景等复杂变化的反应性，进而提高大规模遥感影像目标识别的效率。根据本专利技术的一种实施方式，大规模遥感影像目标识别方法包括：S1，采用深度神经网络对训练遥感影像进行无监督特征学习，从而对该网络进行训练，其中，深度神经网络包括输入层和隐藏层；S2，在训练后的深度神经网络中添加一目标分类层，用于对输入至深度神经网络的遥感影像中的目标进行分类；S3，将待测遥感影像输入至深度神经网络；S4，通过深度神经网络的前向传播计算所述待测遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果。根据本专利技术的一种实施方式，在步骤S1中，将深度神经网络的每一层作为一个单独的二层网络进行训练，其中第一层为输入层(v)，第二层为隐藏层(h)，训练时首先将遥感影像输入到输入层，通过构建输入层与隐藏层的联合概率分布，从而在隐藏层得到输入数据的一种非线性映射，即得到输入数据的高层特征表示，其中，输入层与隐藏层满足如下波尔兹曼分布：P(v,h)=e-E(v,h)Z,]]>其中，v和h分别为输入层和隐藏层节点，Z为配分函数，其表达式为：Z=Σv,he-E(v,h),]]>E(v,h)为能量函数，用于表示输入层节点与隐藏层节点的能量关系，其表达式为：Eθ(v,h)=-Σi,jviwijhj-Σiaivi-Σjbjhj,]]>其中θ＝{w,a,b本文档来自技高网...

【技术保护点】
一种大规模遥感影像目标识别方法，其特征在于，包括：S1，采用深度神经网络对训练遥感影像进行特征学习，其中，所述深度神经网络包括输入层和隐藏层；S2，在训练后的深度神经网络中添加一目标分类层，用于对输入至所述深度神经网络的遥感影像中的目标进行分类；S3，将待测遥感影像输入至所述深度神经网络；S4，通过所述深度神经网络的前向传播计算所述待测遥感影像分类输出结果，从而得到待测遥感影像的目标识别结果。

【技术特征摘要】
1.一种大规模遥感影像目标识别方法，其特征在于，包括：
S1，采用深度神经网络对训练遥感影像进行特征学习，其中，所述深度神经网络包括输
入层和隐藏层；
S2，在训练后的深度神经网络中添加一目标分类层，用于对输入至所述深度神经网络
的遥感影像中的目标进行分类；
S3，将待测遥感影像输入至所述深度神经网络；
S4，通过所述深度神经网络的前向传播计算所述待测遥感影像分类输出结果，从而得
到待测遥感影像的目标识别结果。
2.根据权利要求1所述的大规模遥感影像目标识别方法，其特征在于，所述步骤S1中，
将训练遥感影像输入...

【专利技术属性】
技术研发人员：付琨，许光銮，孙显，孙皓，郑歆慰，闫梦龙，刁文辉，
申请(专利权)人：中国科学院电子学研究所，
类型：发明
国别省市：北京;11