【技术实现步骤摘要】
本专利技术属于光学遥感图像成像，具体涉及一种基于频域特征挖掘的光学遥感图像目标检测系统及方法。
技术介绍
1、随着遥感技术的不断发展和进步，卫星、航空、无人机等遥感平台所采集的遥感图像数据分辨率不断提升，覆盖面积不断提高，使得遥感图像分析成为获取地表信息的重要技术手段。而目标检测是遥感图像处理的重要一环，其可以从大量的遥感图像数据中筛选出感兴趣的目标，减少了人工处理的时间和成本，帮助城市规划和土地利用等领域进行合理规划和决策，为环境监测提供有效的数据支撑等。
2、近年来，随着深度学习的快速发展，基于卷积神经网络(cnn)和基于transformer的目标检测算法已经取得了优秀的成绩，很大程度上克服了传统方法在人为定义特征无法有效匹配目标的缺点。但是对于遥感图像中的目标，其存在场景具有一定的先验语义信息，由于cnn在全局信息的应用上表现较差，不能很好应用这些先验信息，这限制了基于cnn的目标检测算法在遥感图像检测上的进一步使用。而transformer虽然可以有效的利用长距离的全局信息，但transformer对局部目标的响应却较弱，导致这类算法在检测尺度相对较小的目标上表现不佳。
3、通过对这两大类方法进行频域分析可知，transformer属于低通滤波器，其会导致高频空间细节信息的丢失。图像中密集目标和小目标属于高频信息，边缘等变化剧烈的区域也属于高频信息，因此基于transformer的检测方法小目标的效果较差，且定位精度低。而尽管cnn具有高通特性，但随着网络深入，下采样使得图像分辨率逐步变低，也会
4、通过上述介绍与分析，传统的基于卷积神经网络和transformer的方法可以共性地描述为存在不可避免的高频空间细节丢失问题。减少高频空间细节的丢失，提升有效信息的信息率，是本领域提升检测效果，尤其是提升密集小目标的检测效果的一个亟待解决的问题。
技术实现思路
1、本专利技术的技术解决问题是：克服现有技术的不足，提出一种基于频域特征挖掘的光学遥感图像目标检测系统及方法，用以解决现有深度学习目标检测算法关键高频空间细节特征丢失的问题，提高光学遥感图像目标检测的精度，尤其是密集小目标的检测。
2、本专利技术的技术解决方案是：
3、一种基于频域特征挖掘的光学遥感图像目标检测系统，该检测系统包括图像预处理模块、swin-transformer主干网络模块、多尺度特征融合网络模块、频域特征构建模块、频域特征强化网络模块、频域-空域特征融合模块、r-cnn检测头网络模块；
4、所述图像预处理模块用于将待检测的图像以rgb格式输入到swin-transformer主干网络模块中；还用于将待检测的图像以ycbcr格式输入到频域特征构建模块中；
5、所述swin-transformer主干网络模块用于接收图像预处理模块输入的rgb格式的待检测图像，逐级提取接收到的rgb格式的待检测图像的四组不同尺度的空域特征，并将提取的四组不同尺度的空域特征输出给多尺度特征融合网络模块；
6、逐级提取rgb格式的待检测图像的四组不同尺度的空域特征是指将图像预处理模块输入的rgb格式待检测图像xrgb用swin-transformer主干特征提取网络进行特征提取，分别取swin-transformer第一阶段输出的边长为xrgb四分之一的空域特征图f1；第二阶段输出的边长为xrgb八分之一的空域特征图f2；第三阶段输出的边长为xrgb十六分之一的空域特征图f3；第四(最后)阶段输出的边长为xrgb三十二分之一的空域特征图f4；即提取结果为四组不同尺度的空域特征；
7、所述多尺度特征融合网络模块用于接收swin-transformer主干网络模块输入的四组不同尺度的空域特征，逐级对接收到的四组不同尺度的空域特征进行融合得到五组不同尺度的空域融合特征，并将取得的五组不同尺度的空域融合特征输出给频域-空域特征融合模块；
8、融合得到五组不同尺度的空域融合特征是指将swin-transformer主干网络模块输入的四组不同尺度的空域特征fi，用带有额外下采样的四输入五输出的特征金子塔处理得到四组与输入端尺寸一致的空域融合特征xi，i＝1，2，3，4，其中的下采样分支得到尺寸为xrgb六十四分之一的空域融合特征图x5，即融合结果为五组不同尺度的空域融合特征xi；
9、优选的，swin-transformer的四个阶段中基本块层数依次为2，2，6，2；
10、所述频域特征构建模块用于接收图像预处理模块输入的ycbcr格式待检测图像，逐通道对接收到的ycbcr格式的待检测图像进行分块离散余弦变换得到频谱，将得到的频谱展开成向量形式合并构成人工频域特征，并将得到的人工频域特征输出给频域特征强化网络模块；
11、构造人工频域特征的方法，步骤如下：
12、步骤s1：获取ycbcr格式的待检测图像xycbcr；
13、步骤s2：分别对xycbcr的三个通道进行8*8的离散余弦变换得到分块频谱c代表三个不同通道，h为输入图像边长；
14、步骤s3：对每一个8*8的分块进行“之”字形展开得到64维向量；
15、步骤s4：将三个通道频谱按照步骤s3操作得到3组边长为作为深度为64的人工频域特征
16、所述频域特征强化网络模块用于接收频域特征构建模块输入的人工频域特征，逐频率、逐空间地挖掘接收到的人工频域特征中的关键空间细节特征得到强化的频域特征，并将强化的频域特征输出给频域-空域特征融合模块；
17、挖掘频域中空间细节特征得到强化的频域特征的方法，步骤如下：
18、步骤s1：获取人工频域特征
19、步骤s2：对中的每一组，使用滤波器进行滤波得到并进行下采样得到边长为k的
20、步骤s3：取中前32通道的图像展开成k2维的向量，共32个，作为低频词条输入给transformer层ftrl进行处理得到与输入尺寸一样的32个k2维的向量；取中后32通道的图像展开成k2维的向量，共32个，作为高频词条输入给transformer层ftrh进行处理得到与输入尺寸一样的32个k2维的向量；
21、步骤s4：将步骤s3的结果进行拼接得到64个k2维的向量，作为全频词条输入给transformer层ftrf进行处理得到与输入尺寸一样的64个k2维的向量，并还原回边长为k，深度为64的张量形式，即逐频率强化的频域特征
22、步骤s5：将按像素位置展开成64维向量，共k2个，作为空间词条输入到transformer层ftrs进行逐空间强化处理得到与输入尺寸一样的k2个64维的向量并还原回边长为k，深度为64的张量形式，即逐空间强化的频域特征
23、步骤s6：将进行上采样还原回边长为深度为64的张量，并与对应进行张量的逐元素相加得到每个通道的强化频域特征
24、步骤本文档来自技高网...
【技术保护点】
1.一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
2.根据权利要求1所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
3.根据权利要求1或2所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
4.根据权利要求3所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
5.根据权利要求1所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
6.根据权利要求5所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
7.根据权利要求6所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
8.根据权利要求7所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
9.一种基于频域特征挖掘的光学遥感图像目标检测方法，其特征在于该方法的步骤包括：
【技术特征摘要】
1.一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
2.根据权利要求1所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
3.根据权利要求1或2所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
4.根据权利要求3所述的一种基于频域特征挖掘的光学遥感图像目标检测系统，其特征在于：
5.根据权利要求1所述的一种基于频域特征挖掘的光...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。