一种基于深度学习的卫星图像低相干区域识别方法及装置制造方法及图纸

一种基于深度学习的卫星图像低相干区域识别方法及装置，属于卫星图像处理领域，其特征在于，通过基于对SAR图像处理得到的质量图与语义分割结合成一个流程化学习框架，并引入深度卷积网络进行识别，相较于人工判读和传统机器学习算法，本发明专利技术所述的基于深度学习的低相干区识别方法大大减少了对人工特征工程和样本数据的依赖，且基于卷积计算的高效性能够快速处理大范围区域；同时在引入全局注意力的基础上，进一步描述各像素位置与语义类别间的关系表示，缓解SAR影像固有的高噪声区域的识别效果，并在不显著增加计算量的前提下提升识别精度准确提取低相干区域。

【技术实现步骤摘要】
一种基于深度学习的卫星图像低相干区域识别方法及装置
本专利技术属于卫星图像处理领域，尤其涉及一种基于深度学习的卫星图像低相干区域识别方法及装置。
技术介绍
合成孔径雷达干涉测量(InSAR)是利用相位信息提取地面高程的空间对地观测技术，具有全天时、全天候、高精度、大面积的特点，在海洋、自然灾害、极地、测绘、军事等方面得到广泛的应用，为国民经济的发展和国家的安全作出突出贡献。天绘-2卫星是我国自主研制的首颗基于编队体制的微波型、地形类测绘卫星，它利用InSAR技术可以高效的获取高精度DEM数据，但是由于InSAR技术的复杂性，仍然有许多问题没有得到本质性解决，比如InSAR单视复影像对(SLC)的回波信号失相干问题，造成一定区域的低相干数据即是其中之一。长期以来，低相干区域的识别与漏洞填补需要人工去进行判断与手动编辑，在天绘-2卫星每天最大接收数据达1300景的需求前提下，靠人工进行低相干区域的标注与漏洞填补，生产效率低下，显然难以满足实际生产的需要，无法保障全球测绘的实际生产任务需求。近年来，随着深层神经网络在多种计算机视觉任务中取得的惊人进展，已有许多研究将其应用于光学遥感影像分析，并在路网提取、植被分类、遥感变化检测等方向取得了超越传统方法的成绩。然而，针对SAR影像本身成像特性造成的雷达阴影、叠掩、光滑平面(水面)等形成的低相干区域，加上因重复轨道以及编队飞行问题造成的时间-距离的失相干，各种复杂因素叠加在一起，给天绘-2卫星的低相干区域识别增加了困难，另外，深度学习与SAR影像识别技术进行结合在如下几个方面还面临挑战：1.SAR低相干区域的类内差异性和类间相似性增加了提取的难度；2.不同季节、不同地区的SAR图像差异显著，模型预测能力在不同时相数据集间波动很大；3.因天绘-2卫星需保障全球测绘任务，数据是海量的，但可用于监督训练的样本十分有限。
技术实现思路
本专利技术旨在解决上述问题，提供一种基于深度学习的卫星图像低相干区域识别方法及装置。第一方面，本专利技术提供一种基于深度学习的卫星图像低相干区域识别方法，包括如下步骤：步骤1、亚像元级配准；对SAR图像通过测度函数进行对准，得到匹配点集合；步骤2、粗差探测与剔除；剔除步骤1所得匹配点集合中存在的误匹配点；步骤3、辅图像重采样；根据步骤2中所得经剔除处理后的匹配点集，对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；步骤4、质量图生成；根据主图像、辅图像生成相关系数矩阵，即质量图；步骤5、提取质量图特征；使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；步骤6、对象粗分割；以图像特征图为输入，将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；步骤7、类别对象表示；在粗分割基础上通过计算得到各个像素的加权量化表示；步骤8、像素特征增强表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；步骤9、像素语义标签生成；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述亚像元级配准中对SAR图像通过测度函数进行对准或者直接对测度函数的结果进行插值处理，得到匹配点集合。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述对测度函数的结果进行插值处理过程为：以参考点为中心在主图像上开辟M×M的目标窗口，辅图像上对应位置开辟N×N的搜索窗口，其中N>M，目标窗口在搜索窗口中滑动，计算所有的配准测度函数值，然后用双三次样条插值法以0.1个像元间隔插值测度函数获取参考点的精确偏移量以及配准位置。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述粗差探测与剔除中采用均值方差法，具体包括：步骤21、计算某一列有效参考点方位向和距离向偏移量的均值和方差；步骤22、逐点计算每一个参考点和均值的偏移量，如果大于方差的β倍(β取值为1.6)，则将该点剔除；步骤23、重复执行步骤21和步骤22，直至计算完成。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述图像特征提取采用具有残差连接的、同时加入多个通道注意力模块和密集跳层的卷积神经网络，该卷积神经网络的基本组成单元为残差卷积模块，公式为：xl+1＝f(xl,Wl)+xl。其中xl+1为残差卷积模块输出特征图，xl为输入特征图，Wl为卷积计算参数，f为一系列嵌套的卷积算子。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述类别对象表示中通过下式在粗分割的基础上计算对象表示：fk＝∑i∈Imkixi；其中，fk为对象k的表示，mki为像素i对对象k的隶属度，由粗分割结果获取，xi为i的像素表示，即位置i处的图像特征。进一步，本专利技术所述基于深度学习的卫星图像低相干区域识别方法，所述像素特征增强表示，该特征被用于像素语义分割；通过下式表示：其中，像素特征xi与类别对象表示yi拼接后通过函数g(·)得到像素特征增强表示zi，g(·)通过带有批归一化和非线性激活函数的1×1卷积实现。第二方面，本专利技术提供一种基于深度学习的卫星图像低相干区域识别装置，包括：图像预处理模块，用于对SAR图像通过测度函数进行对准，得到匹配点集合；剔除匹配点集合中存在的误匹配点；对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；质量图处理模块，用于根据主图像、辅图像生成相关系数矩阵，即质量图；然后使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；识别处理模块，用于在粗分割基础上通过计算得到各个像素的加权量化表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。第三方面，本专利技术提供一种基于深度学习的卫星图像低相干区域识别电子装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如第一方面所述的基于深度学习的卫星图像低相干区域识别方法。第四方面，本专利技术提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面所述的基于深度学习的卫星图像低相干区域识别方法。本专利技术所述基于深度学习的卫星图像低相干区域识别方法及装置，通过基于对SAR图像处理得到的质量图与语义分割结合成一个流程化学习框架，并引入深度卷积网络进行识别，相本文档来自技高网...

【技术保护点】
1.一种基于深度学习的卫星图像低相干区域识别方法，其特征在于，包括如下步骤：/n步骤1、亚像元级配准；对SAR图像通过测度函数进行对准，得到匹配点集合；/n步骤2、粗差探测与剔除；剔除步骤1所得匹配点集合中存在的误匹配点；/n步骤3、辅图像重采样；根据步骤2中所得经剔除处理后的匹配点集，对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；/n步骤4、质量图生成；根据主图像、辅图像生成相关系数矩阵，即质量图；/n步骤5、提取质量图特征；使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；/n步骤6、对象粗分割；以图像特征图为输入，将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；/n步骤7、类别对象表示；在粗分割基础上通过计算得到各个像素的加权量化表示；/n步骤8、像素特征增强表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；/n步骤9、像素语义标签生成；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。/n...

【技术特征摘要】
1.一种基于深度学习的卫星图像低相干区域识别方法，其特征在于，包括如下步骤：
步骤1、亚像元级配准；对SAR图像通过测度函数进行对准，得到匹配点集合；
步骤2、粗差探测与剔除；剔除步骤1所得匹配点集合中存在的误匹配点；
步骤3、辅图像重采样；根据步骤2中所得经剔除处理后的匹配点集，对主图像、辅图像之间的配准偏移量进行多项式拟合，建立多项式配准模型，并对辅图像进行重采样；
步骤4、质量图生成；根据主图像、辅图像生成相关系数矩阵，即质量图；
步骤5、提取质量图特征；使用多层堆叠的卷积神经网络以数据驱动的方式进行图像特征提取，得到图像特征图；
步骤6、对象粗分割；以图像特征图为输入，将图像特征图分为若干个区域，每个区域对应一类，描述图像特征图中各像素属于该类的概率；
步骤7、类别对象表示；在粗分割基础上通过计算得到各个像素的加权量化表示；
步骤8、像素特征增强表示；将类别对象表示与像素特征进行融合获得增强的像素特征，该增强的像素特征被用于像素语义分割；
步骤9、像素语义标签生成；在像素特征增强表示的基础上，通过浅层卷积网络将每个像素映射到一个语义类别，通过真值标签优化网络参数，得到最终的低相干区域识别结果。


2.根据权利要求1所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述亚像元级配准中对SAR图像通过测度函数进行对准或者直接对测度函数的结果进行插值处理，得到匹配点集合。


3.根据权利要求1或2所述基于深度学习的卫星图像低相干区域识别方法，其特征在于，所述对测度函数的结果进行插值处理过程为：以参考点为中心在主图像上开辟M×M的目标窗口，辅图像上对应位置开辟N×N的搜索窗口，其中N>M，目标窗口在搜索窗口中滑动，计算所有的配准测度函数值，然后用双三次样条插值法以0.1个像元间隔插值测度函数获取参考点的精确偏移量以及配准位置。


4.根据权利要求3所述基于深度学习的卫星图像低相干区域识别方法，其特征在于：所述粗差探测与剔除中采用均值方差法，具体包括：
步骤21、计算某一列有效参考点方位向和距离向偏移量的均值和方差；
步骤22、逐点计算每一个参考点和均值的偏移量，如果大于方差的β倍，则将该点剔除；
步骤23、重复执行步骤21和步骤22，直至计算完成。


5.根据权利要求4所述基于深度学习的卫星图像低相干区域识别方法，其特...

【专利技术属性】
技术研发人员：杨庆庆，薛博维，
申请(专利权)人：中科星图空间技术有限公司，
类型：发明
国别省市：陕西;61