本发明专利技术公开了一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其通过深度去噪自编码器对beamlet变换和SIFT特征进行融合，进而对航空遥感图像进行多尺度特征处理。本发明专利技术在beamlet变换进行改进，通过确定几何流并降低几何流信息熵的方式减少了在SAR（合成孔径雷达）图像检测识别过程中需要获取的beamlet数量为后续减少大量的积分计算，并提升线特征提取效率，于此同时，本发明专利技术基于上述的Beamlet特征提取方案，还设计了一种将Beamlet和SIFT两种多尺度特征进行融合的航空遥感图像目标检测识别方法，特别针对SAR（合成孔径雷达）图像，通过两种特征融合进行识别能有效的避免出现的相干斑噪声和几何畸变的问题。
【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于多尺度特征融合的航空遥感图像目标检测识别方法。
技术介绍
1、在航空遥感领域，sar（合成孔径雷达）是一种利用微波进行感知的主动传感器，也是微波遥感设备中发展最迅速和最有成效的传感器之一，相比于光学、红外等其它传感器，sar在遥感探测中具有独特的观测优势，广泛应用在农作物长势监测、森林蓄积量监测、资源矿产勘察、生态环境保护监测、海洋生态环境监测、地震地质灾害监测、地形测绘、军事侦察、武器制导和导航等领域。
2、随着sar成像分辨率越来越高，sar图像的质量越来越好，人们对sar图像的应用水平却相对滞后，sar图像的解译发展较为缓慢，人工判读远远不能满足现在海量sar图像需要解析的情况，如何更有效而全面地分析利用大量的sar遥感数据，从sar图像中检测识别感兴趣的目标是当前sar领域研究的重要问题。
3、然而，与光学图像的目标识别相比，sar图像目标的检测识别面临特殊的困难，最主要的问题有：（1）相干斑噪声：由于sar相关成像机制，sar图像中存在大量的斑点噪声，严重影响了sar图像的质量。（2）几何畸变：由于sar采用侧视成像方式，目标物体在图像中会呈现特殊的几何畸变现象，包括：透视收缩、叠掩、迎坡缩短等。
4、而为了解决上述问题，现有专利cn109389101a公开而来一种基于去噪自编码网络的sar图像目标识别方法，其通过稀疏算法来对传统的图像识别方法进行改进，但其整个算法依旧只引入了一个sift特征，而没有提取具有良好抗噪能力的beamlet特征。</p>5、为此，本方案提出了一种基于多尺度特征融合的航空遥感图像目标检测识别方法来对图像进行处理，具体通过一种深度去噪自编码器将beamlet特征和sift特征进行融合，来对sar图像进行多个尺度特征处理，另外本方案还对经典的beamlet变换方案进行改进，使得其能大大降低积分计算量。
技术实现思路
1、为了解决上述技术问题，本专利技术实施例提供了一种基于多尺度特征融合的航空遥感图像目标检测识别方法，具体包括以下步骤：
2、步骤1：基于去噪自编码器，通过训练构建可进行特征融合的深度去噪自编码器；
3、步骤2：提取图像中的beamlet特征和sift特征，并将两种多尺度特征平行插入深度去噪自编码器的输入层和第一隐藏层之间；
4、步骤3：通过所述深度去噪自编码器融合beamlet特征和sift特征，并最终输出高层特征，再通过分类器进行sar图像目标识别。
5、其中，所述深度去噪自编码器包括：输入层、若干隐藏层和输出层，所述输入层和第一隐藏层之间还设有一个全卷积网络，进而同步提取卷积特征并与sift特征、beamlet特征进行融合。
6、其中，所述无监督学习和有监督学习交替进行的训练模式包括以下两个阶段：
7、无监督学习阶段：输入无标签的图像数据，利用贪婪算法从第一隐藏层开由前往后进行训练，进而训练得到深度学习网络隐藏层的初步权重；有监督学习阶段：输入有标签的图像数据，利用无监督学习阶段初始化网络隐藏层的权重参数，再利用误差反向传播对整个网络隐藏层的权重参数进行调整。
8、其中，所述步骤2中beamlet特征提取方法包括以下步骤：
9、步骤201：通过多尺度划分将图像划分为方块，并对每个方块建立坐标索引；
10、步骤202：关联相邻方块的像素点，获取最短几何流，并降低每个方块内部的几何流信息熵，直至确定每个方块中的主要几何流方向，具体如下：
11、像素点其通过算法得到的相邻像素点为，将两者关联为一组，则其几何流由和之间的坐标差来描述，即存在关联域数组，
12、设尺度上第个方块表示为，其边长为，内部像素点的个数为，在尺度上，，每个方块中的每个像素点仅与其相邻像素点关联，即且，其几何流称为最短几何流，
13、定义几何流信息熵描述几何流一致性：
14、
15、其中，表示方块内部的最短几何流的概率分布定义为：
16、
17、在尺度j中，方块分解后的四个子方块是b(j+1,2n+k,2m+k)，k=0,1，分解后方块的几何流信息熵最高值不超过分解前的几何流信息熵：
18、
19、此时，方块的数量减少且每个方块内的几何流基本一致，在方块内生成beamlet并检测主要几何流方向，定义为：
20、
21、步骤203：根据步骤202所得的主要几何流方向在方块中生成beamlet，并沿着每个生成的beamlet对图像的像素进行积分以获得beamlet系数。
22、其中，所述步骤201具体包括：
23、步骤2011：将图像大小视为尺度为0的方块，再将其划分为四个较小的尺度为1的方块，然后以相同方式递归划分，直至最大尺度时，每个方块仅包含一个像素点；
24、步骤2012：在任何尺度，根据行号和列号对方块建立索引，并在图像上定义一系列网格，每个网格包含个像素，令。
25、其中，所述步骤202中，通过“块匹配算法”关联相邻方块的像素点。
26、其中，所述的步骤203中，仅生成与方向相同的beamlet系数。
27、实施本专利技术方案，具有如下有益效果：
28、①通过多尺度分析方法提取sar图像特征，同时将beamlet和sift特征结合起来，克服了sar图像特有的相干斑噪声对目标识别带来的困难，相比于传统特征提取方法，获得更好的计算效率和鲁棒性。
29、②对传统的beamlet特征提取算法进行了改进，在算法中引入了“几何流”这一概念，进而在检测到图像主要目标特征的同时，显著减少了beamlet数量，为接下来的步骤中排出了大量不必要的积分计算。
30、③通过深度去噪自编码网络构建特征融合模型，通过融合多尺度特征，从sar图像中提取出具有良好区分性的高层特征，增强特征的泛化能力，在高层特征层面上进一步克服几何畸变对sar图像目标识别带来的困难，相比于现有的深度学习方法，减少神经网络深度和超参数的数量，增强可解释性，降低对训练样本数量的依赖。
本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述深度去噪自编码器包括：输入层、若干隐藏层和输出层；
3.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述无监督学习和有监督学习交替进行的训练模式包括以下两个阶段：
4.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述步骤2中beamlet特征提取方法包括以下步骤：
5.根据权利要求4所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述步骤201具体包括：
6.根据权利要求4中所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述步骤202中，通过“块匹配算法”关联相邻方块的像素点。
7.根据权利要求4中所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述的步骤203中，仅生成与方向相同的beamlet系数。
...
【技术特征摘要】
1.一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述深度去噪自编码器包括：输入层、若干隐藏层和输出层；
3.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于，所述无监督学习和有监督学习交替进行的训练模式包括以下两个阶段：
4.根据权利要求1所述的一种基于多尺度特征融合的航空遥感图像目标检测识别方法，其特征在于...
【专利技术属性】
技术研发人员：郭鹏飞，蔡恬，林哲，王瑶，赵炜玮，林思旸，刘开利，马锋，刘创鑫，
申请(专利权)人：汕头职业技术学院，
类型：发明
国别省市：
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。