本發(fā)明屬于數(shù)字影像處理技術(shù)領(lǐng)域，特別涉及一種區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像艦船目標(biāo)提取方法。

背景技術(shù)：

高分辨率遙感圖像的圖像分割、特征提取和目標(biāo)自動(dòng)提取，在軍事目標(biāo)偵察和戰(zhàn)場環(huán)境監(jiān)測方面意義重大。遙感影像目標(biāo)提取技術(shù)主要分為以下幾種：圖像分解和神經(jīng)網(wǎng)絡(luò)自動(dòng)提取目標(biāo)的方法，基于輪廓的目標(biāo)提取方法，利用多傳感器影像目標(biāo)融合進(jìn)而完成目標(biāo)提取的方法和基于視覺感知模型的方法。

圖像分解和神經(jīng)網(wǎng)絡(luò)自動(dòng)提取目標(biāo)的方法主要通過對影像的分析和分解，找到圖像中目標(biāo)物體的典型描述方法，并利用神經(jīng)網(wǎng)絡(luò)的方法對特征進(jìn)行訓(xùn)練和迭代，最終訓(xùn)練出目標(biāo)的提取方法。這種方法需要大量的針對目標(biāo)的描述方法研究，不具有很好的魯棒性。

基于輪廓的目標(biāo)提取方法主要考慮待提取目標(biāo)的輪廓信息，對輪廓信息的各個(gè)方面進(jìn)行統(tǒng)一和結(jié)合，最終得到待提取目標(biāo)物特有的輪廓信息，并根據(jù)該輪廓信息的描述對目標(biāo)進(jìn)行提取。該方法針對目標(biāo)特有的輪廓信息，完成提取過程，但是對于與陸地相連的靠岸艦船目標(biāo)，輪廓提取的方法不能得到較好的提取結(jié)果。

利用多傳感器影像目標(biāo)融合進(jìn)行目標(biāo)提取的方法，主要設(shè)定一個(gè)期望的輸出函數(shù)(EOMF)，通過輸入多傳感器影像進(jìn)行不停迭代，找到能輸出目標(biāo)的最終函數(shù)參數(shù)結(jié)果。該方法具有較好的提取結(jié)果，但是獲取多傳感器影像對硬件設(shè)備要求高，耗費(fèi)較大的財(cái)力和物力。

基于視覺感知模型的方法主要學(xué)習(xí)人眼的感知目標(biāo)方法，根據(jù)顯著特征的選擇，形成亮度、紋理和方向等多種不同特征的顯著圖，進(jìn)一步對可能的目標(biāo)區(qū)域進(jìn)行提取。同時(shí)，基于視覺感知模型的方法還可以通過計(jì)算頻率譜的殘差來得到視覺顯著圖，再結(jié)合形態(tài)學(xué)濾波和其他濾波方法，最終對艦船目標(biāo)區(qū)域進(jìn)行提取。視覺感知模型的方法充分模擬人眼的感知技術(shù)，結(jié)合人類自身的感知目標(biāo)方法，對離岸艦船目標(biāo)的提取有很好地效果。但是，使用該方法同樣易受光照、天氣條件、云霧、海況等多方面影響，在不同成像條件下如何通過對視覺顯著圖模型的自適應(yīng)性分析和改進(jìn)，得到更好的艦船離岸目標(biāo)的提取結(jié)果，還需要進(jìn)一步進(jìn)行研究。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就在于克服現(xiàn)有技術(shù)存在的缺點(diǎn)和不足，提供一種區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像艦船目標(biāo)提取方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一、高分辨率遙感影像艦船目標(biāo)提取系統(tǒng)(簡稱系統(tǒng))

本系統(tǒng)包括依次交互的影像獲取模塊、艦船提取平臺和應(yīng)用平臺；

所述的影像獲取模塊使用高分辨率遙感傳感器獲取海洋區(qū)域的高分辨率遙感影像，并下傳數(shù)據(jù)到艦船目標(biāo)提取模塊；

所述的艦船提取平臺進(jìn)行艦船目標(biāo)的提取，將艦船目標(biāo)異常等情況傳入應(yīng)用平臺；

所述的應(yīng)用平臺包括目標(biāo)分析平臺、艦船行為預(yù)測平臺、艦船監(jiān)督平臺，對艦船目標(biāo)的分布和行動(dòng)分析，做出合理預(yù)測和規(guī)劃。

二、高分辨率遙感影像艦船目標(biāo)提取方法(簡稱方法)

本方法是一種基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像艦船目標(biāo)提取方法，包括下列步驟：

①進(jìn)行遙感影像數(shù)據(jù)準(zhǔn)備；

②對獲取的影像進(jìn)行預(yù)處理，完成樣本的準(zhǔn)備工作：

A、對高分辨率遙感影像進(jìn)行預(yù)處理，主要包括影像平滑和圖像分割；

采用中值濾波方法對影像進(jìn)行平滑，并使用Mean-shift分割方法進(jìn)行圖像分割；Mean-shift圖像分割算法主要利用聚類過程逐步迭代得到分割結(jié)果，其本質(zhì)即為均值漂移過程；

B、完成正負(fù)樣本的準(zhǔn)備工作：對于艦船目標(biāo)提取的正樣本，主要選取大量待提取艦船目標(biāo)相似的遙感影像，負(fù)樣本一方面人工選取非艦船區(qū)域，另一方面自動(dòng)在正樣本周圍提??；

③采用艦船模型的提取方法，提取艦船目標(biāo)候選區(qū)域：

a、利用LSD線特征提取方法，生成直線候選區(qū)域；

b、構(gòu)建船頭“V”形結(jié)構(gòu)模型和船身“||”形結(jié)構(gòu)模型；船頭“V”形結(jié)構(gòu)主要適用于船頭較為突出的艦船區(qū)域；船身“||”形結(jié)構(gòu)模型主要適用于船身較長、“||”結(jié)構(gòu)較為突出的艦船區(qū)域，如貨船等；將存在“V”形線特征和“||”結(jié)構(gòu)線特征的區(qū)域作為候選區(qū)域；

④采用基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)方法，對艦船目標(biāo)樣本進(jìn)行模型訓(xùn)練；

將步驟②完成的高分辨率遙感影像艦船目標(biāo)的正負(fù)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)格式化，轉(zhuǎn)換成數(shù)據(jù)庫格式，并輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到高分辨率遙感影像中的艦船目標(biāo)的訓(xùn)練結(jié)果模型；

⑤輸入高分辨率遙感待提取影像，進(jìn)行艦船目標(biāo)提取。

對比現(xiàn)有技術(shù)，本發(fā)明具有下列優(yōu)點(diǎn)和積極效果：

1、本發(fā)明主要使用了區(qū)域限制的艦船模型和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，完成高分辨率遙感影像中艦船目標(biāo)的提取，速度快，準(zhǔn)確度高，具有較好的魯棒性；

2、通過區(qū)域卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對于離岸艦船目標(biāo)和靠岸艦船目標(biāo)的提取均能得到較好的提取結(jié)果，尤其是針對輪廓很可能與陸地相連的靠岸艦船目標(biāo)，本發(fā)明依然能得到較好的提取結(jié)果；

3、同時(shí)，基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)下完成的艦船目標(biāo)提取訓(xùn)練過程，只要獲取的樣本足夠豐富，能夠在光照、天氣條件、云霧和海況等多方面影響情況下得到較好的提取結(jié)果，具有較強(qiáng)的自適應(yīng)性。

附圖說明

圖1是本系統(tǒng)的結(jié)構(gòu)方框圖，

圖中：

10—影像獲取模塊；

20—艦船提取平臺；

30—應(yīng)用平臺，

31—目標(biāo)分析平臺，

32—艦船行為預(yù)測平臺，

33—艦船監(jiān)督平臺。

圖2是本方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例詳細(xì)說明：

一、系統(tǒng)

1、總體

如圖1本系統(tǒng)包括依次交互的影像獲取模塊10、艦船提取平臺20和應(yīng)用平臺30。

2、功能塊

1)影像獲取模塊10

主要使用高分辨率遙感傳感器(主要指高分辨率遙感衛(wèi)星，如Quickbird衛(wèi)星，GeoEye-1衛(wèi)星等)獲取海洋區(qū)域的高分辨率遙感影像，并下傳數(shù)據(jù)到艦船目標(biāo)提取平臺20。

2)艦船提取平臺20

艦船提取平臺20進(jìn)行艦船目標(biāo)的提取，將艦船目標(biāo)異常情況傳入應(yīng)用平臺30。

3)應(yīng)用平臺30

應(yīng)用平臺30包括目標(biāo)分析平臺31、艦船行為預(yù)測平臺32和艦船監(jiān)督平臺33，對艦船目標(biāo)的分布和行動(dòng)分析，做出合理預(yù)測和規(guī)劃。

二、方法

本方法的流程如圖2。

1、針對步驟②B：

第一步：利用步驟①得到的遙感衛(wèi)星影像，并通過旋轉(zhuǎn)、平移等方式，對影像進(jìn)行一定的擴(kuò)充；

第二步：得到每個(gè)艦船目標(biāo)在遙感影像中豎直的最小包圍矩形的四個(gè)頂點(diǎn)坐標(biāo)和對應(yīng)影像，將影像和其上的所有艦船目標(biāo)坐標(biāo)共同輸出，作為正樣本；

第三步：在正樣本周圍隨機(jī)截取非艦船目標(biāo)區(qū)域，得到其豎直的最小包圍矩形的四個(gè)頂點(diǎn)坐標(biāo)，作為負(fù)樣本坐標(biāo)，將影像和其上的負(fù)樣本坐標(biāo)一同輸出。

2、針對步驟③b：

所述的構(gòu)建船頭“V”形結(jié)構(gòu)模型和船身“||”形結(jié)構(gòu)模型：船頭“V”形結(jié)構(gòu)主要適用于船頭較為突出的艦船區(qū)域，該方法首先得到影像的特征點(diǎn)作為船頭候選點(diǎn)，然后通過找到在船頭候選點(diǎn)附近的直線，找到船頭候選點(diǎn)附近存在的夾角符合船頭可能夾角范圍的兩條直線，作為候選艦船船頭；再根據(jù)船身部分應(yīng)該存在的“||”形結(jié)構(gòu)進(jìn)行驗(yàn)證，判斷構(gòu)成船頭“V”形候選的兩條直線和船身直線是否滿足應(yīng)有的角度限制，最終確定該區(qū)域是否存在艦船模型；

所述的船身“||”形結(jié)構(gòu)模型主要適用于船身較長、“||”形結(jié)構(gòu)較為突出的艦船區(qū)域，該方法首先在影像線特征中找到距離恰當(dāng)、滿足艦船要求的兩條平行線結(jié)構(gòu)，即構(gòu)成“||”形結(jié)構(gòu)的候選直線對；再在該候選“||”形結(jié)構(gòu)附近找是否存在一條直線，滿足艦船特征船頭與船身夾角要求，以此進(jìn)行候選結(jié)構(gòu)的驗(yàn)證，最終確定該區(qū)域是否存在艦船模型；

將存在“V”形線特征和“||”形結(jié)構(gòu)線特征的區(qū)域作為候選區(qū)域。

3、針對步驟④：

所述的卷積神經(jīng)網(wǎng)絡(luò)主要由多個(gè)交替組成的卷積層、池化層和全連接層組成，主要采用反向傳播算法(BP算法)，有一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層；用公式表示BP算法中兩層之間的計(jì)算關(guān)系如下：

$X_j^l=f(\underset{i=1}{\Σ}{X}_i^{l-1}{\mathrm{\ω}}_{ij}^l+b_j^l)---\left(1\right)$

其中：i是輸入層單元的索引值，j是隱藏層單元的索引值，l代表第l層，代表輸入層和隱含層之間的權(quán)重，表示各個(gè)層之間的激活偏置，f()表示該輸出層的激活函數(shù)；

對于卷積神經(jīng)網(wǎng)絡(luò)中的卷積層，網(wǎng)絡(luò)采用BP神經(jīng)網(wǎng)絡(luò)模式進(jìn)行更新；在一個(gè)卷積層，上一層的特征圖被一個(gè)可學(xué)習(xí)的卷積核進(jìn)行卷積運(yùn)算，然后通過一個(gè)激活函數(shù)，就可以得到輸出特征圖；

具體加入卷積操作后的下層更新算法如下：

$X_j^l=f(\underset{i\∈M_j}{\Σ}{X}_i^{l-1}\⊗k_{ij}^l+b_j^l)---\left(2\right)$

其中：M_j表示輸入層的所有選擇集合，表示輸入層i和隱含層j之間的卷積核，表示卷積運(yùn)算過程，因此，該公式反應(yīng)了第l層和l-1層之間的運(yùn)算關(guān)系；

卷積神經(jīng)網(wǎng)絡(luò)中除了卷積層，還有一個(gè)重要的運(yùn)算過程，即池化過程與池化層的計(jì)算；池化過程即一個(gè)對大圖像中不同位置的特征進(jìn)行聚合統(tǒng)計(jì)的過程，該過程大大降低了特征冗余，減少統(tǒng)計(jì)特征維數(shù)；池化層的計(jì)算公式如下：

$X_j^l=f\[B_j^{l}D\left(X_j^{l-1}\right)+b_j^l\]---\left(3\right)$

其中，D()表示池化過程的降采樣函數(shù)，和為設(shè)置不同的激活偏置，每一個(gè)偏置均對應(yīng)每個(gè)輸出層。