本發(fā)明屬于遙感圖像解譯領(lǐng)域，尤其涉及一種光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法。

背景技術(shù)：

1.1基于海上油氣平臺(tái)地理位置相對固定的檢測方法

根據(jù)海上油氣平臺(tái)地理位置相對固定、艦船目標(biāo)不斷運(yùn)動(dòng)的特點(diǎn)實(shí)現(xiàn)檢測。如Casadio S.等基于歐洲環(huán)境衛(wèi)星的SAR圖像數(shù)據(jù)，采用CFAR方法檢測海上目標(biāo)，根據(jù)目標(biāo)的位置不變性提取海上油氣平臺(tái)；Cheng L.等采用雙參數(shù)的CFAR檢測海上目標(biāo)，再根據(jù)固定目標(biāo)的相對三角位置不變原理提取海上平臺(tái)；Yongxue Liu等采用Landsat陸地成像儀(OLI)的多光譜數(shù)據(jù)，根據(jù)上下文特征和位置、尺度的不變性檢測海上油氣平臺(tái)。

1.2基于海上油氣平臺(tái)紅外輻射特性檢測方法

第二類方法通過海上油氣平臺(tái)的紅外輻射特性來實(shí)現(xiàn)目標(biāo)檢測。大部分的海上油氣平臺(tái)通過放空火炬燃燒廢氣，通過在紅外波段提取火點(diǎn)可以有效探測到這些海上平臺(tái)。如Elvidge等通過美國防衛(wèi)氣象衛(wèi)星的OLS(Operational Line-scan System)傳感器數(shù)據(jù)進(jìn)行全球的天然氣火點(diǎn)檢測；Casadio等通過ATSR(Along Track Scanning Radiometer)傳感器數(shù)據(jù)，對SAR圖像檢測目標(biāo)進(jìn)行輻射特征提取，檢測大西洋北海區(qū)域的海上平臺(tái)；Anejionu等通過Landsat和MODIS的衛(wèi)星數(shù)據(jù)，采用輻射濾波和空間濾波檢測燃燒天然氣的海上平臺(tái)；孟若琳等采用Landsat TM傳感器的多光譜數(shù)據(jù)，通過最優(yōu)閾值選取和滑動(dòng)窗口法提取海上油氣平臺(tái)。

上述兩類海上油氣平臺(tái)檢測方法都是先對單一時(shí)相的圖像進(jìn)行目標(biāo)檢測，顯然，在這種情況下，整體檢測率將受到單時(shí)相圖像檢測率的直接影響，某一時(shí)相的檢測錯(cuò)誤就可能導(dǎo)致最終的漏檢或虛警。而對于海上油氣平臺(tái)，單時(shí)相下檢測率難以保障，主要是因?yàn)椋?)海上油氣平臺(tái)尺度較小，其長寬通常在100米左右，在普通分辨率的遙感圖像中只有十幾個(gè)像素大小；2)海上油氣平臺(tái)成像信號較弱，難以與背景明顯區(qū)分；3)海上環(huán)境復(fù)雜，海浪、云層等雜波干擾嚴(yán)重；4)與艦船的成像特征類似，易受艦船目標(biāo)干擾。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對從海量遙感圖像數(shù)據(jù)中檢測海上油氣平臺(tái)時(shí)，面臨的目標(biāo)檢測準(zhǔn)確率低、工作量大的問題，提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和三維時(shí)空馬爾可夫隨機(jī)場的海上平臺(tái)檢測方法。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案

一種光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法，具體包含如下步驟：

步驟1，對海上油氣平臺(tái)多分辨率、多視點(diǎn)的遙感成像特性進(jìn)行分析，通過特征子空間和主成分分量擬合遙感圖像；

步驟2，通過時(shí)空馬爾可夫隨機(jī)場模型，提高海上平臺(tái)檢測的信噪比與信雜比，輸出目標(biāo)顯著性圖像；

步驟3，構(gòu)建目標(biāo)標(biāo)準(zhǔn)數(shù)據(jù)集，對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行基于hadoop分布式文件存儲(chǔ)系統(tǒng)的多節(jié)點(diǎn)并行架構(gòu)訓(xùn)練，對深度卷積神經(jīng)網(wǎng)絡(luò)持續(xù)調(diào)優(yōu)，提取大規(guī)模目標(biāo)的穩(wěn)定特性，實(shí)現(xiàn)海量遙感圖像中海上油氣平臺(tái)快速、準(zhǔn)確的自動(dòng)檢測。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟1具體包含如下步驟：

步驟1.1，選取不同分辨率、多視點(diǎn)下的多時(shí)相光學(xué)遙感圖像集；

步驟1.2，建立海洋檢測識別區(qū)域先驗(yàn)知識數(shù)據(jù)庫；

步驟1.3，通過步驟2中建立的先驗(yàn)知識數(shù)據(jù)庫對步驟1中的輸入圖像集進(jìn)行處理，將遙感數(shù)據(jù)中的非海洋區(qū)域信息、不可能進(jìn)行海上油氣開發(fā)的海洋較深區(qū)域的信息進(jìn)行剔除，得到處理后的圖像集；

步驟1.4，對步驟3中得到的圖像集進(jìn)行人工標(biāo)定，獲得標(biāo)記遙感圖像集；

步驟1.5，對標(biāo)記遙感圖像集的特征子空間和主成分進(jìn)行仿真分析，獲得多時(shí)相遙感圖像集。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟2具體包含如下步驟：

步驟2.1，對圖像集中的圖像進(jìn)行時(shí)域低通濾波，初始化馬爾可夫隨機(jī)場；

步驟2.2，根據(jù)輸入的多時(shí)相遙感圖像，建立三維馬爾可夫隨機(jī)場模型，并考慮遙感圖像灰度分布信息符合有限混合高斯模型，獲得聯(lián)合條件概率；

步驟2.3，根據(jù)步驟2.2中的條件概率進(jìn)行最大似然估計(jì)，計(jì)算馬爾可夫隨機(jī)場模型參數(shù)；

步驟2.4，用計(jì)算出來的參數(shù)更新馬爾可夫隨機(jī)場，重新通過最大似然估計(jì)獲取馬爾可夫隨機(jī)場模型參數(shù)；

步驟2.5，對比前后兩次計(jì)算的馬爾可夫隨機(jī)場模型參數(shù)誤差是否滿足收斂；若滿足，則執(zhí)行步驟2.6，否則繼續(xù)執(zhí)行步驟2.4；

步驟2.6，通過三維時(shí)空馬爾可夫隨機(jī)場模型計(jì)算輸出目標(biāo)顯著性圖像。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟3具體包含如下步驟：

步驟3.1，獲取平臺(tái)樣本庫，進(jìn)而存儲(chǔ)在hadoop分布式文件存儲(chǔ)系統(tǒng)上，在k個(gè)節(jié)點(diǎn)上存儲(chǔ)樣本庫子集，讓各節(jié)點(diǎn)單獨(dú)訓(xùn)練樣本庫，初始化卷積神經(jīng)網(wǎng)絡(luò)各參數(shù)；

步驟3.2，各節(jié)點(diǎn)同時(shí)進(jìn)行樣本庫子集的完整網(wǎng)絡(luò)訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)參數(shù)向量，并使用各節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)參數(shù)擬合整體神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟3.3，用整體神經(jīng)網(wǎng)絡(luò)參數(shù)更新各節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟3.4，人工交互確定訓(xùn)練效果，持續(xù)參數(shù)調(diào)優(yōu)，重復(fù)執(zhí)行步驟3.2至步驟3.3，直到訓(xùn)練達(dá)到要求；

步驟3.5，添加目標(biāo)樣本，重復(fù)步驟3.2至步驟3.4；

步驟3.6，使用步驟3.5中訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對步驟2.6中輸出的目標(biāo)顯著性圖像進(jìn)行檢測，輸出目標(biāo)檢測結(jié)果。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，在步驟1.2中，所述數(shù)數(shù)據(jù)庫包含近海的經(jīng)緯度、海洋深度。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

1)建立了海上平臺(tái)在多分辨率、多視點(diǎn)下的光學(xué)遙感成像特性的分析方法，有利于辨別區(qū)分目標(biāo)與虛警目標(biāo)；

2)建立多時(shí)相的三維時(shí)空馬爾科夫隨機(jī)場模型，有效的輸出目標(biāo)顯著性圖像，顯著抑制圖像雜波和噪聲干擾；

3)構(gòu)建基于hadoop分布式文件存儲(chǔ)的并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，極大的提高了訓(xùn)練效率，并達(dá)到較高的海上平臺(tái)目標(biāo)檢測的準(zhǔn)確性。

附圖說明

圖1是海上平臺(tái)檢測方法框圖；

圖2是三維馬爾可夫隨機(jī)場模型；

圖3是卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖；

圖4是卷積神經(jīng)網(wǎng)絡(luò)并行計(jì)算架構(gòu)圖；

圖5是多時(shí)相遙感數(shù)據(jù)仿真分析邏輯框圖；

圖6是三維馬爾可夫隨機(jī)場模型建模邏輯框圖；

圖7是深度卷積神經(jīng)網(wǎng)絡(luò)并行訓(xùn)練架構(gòu)邏輯框圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：

本發(fā)明采用的技術(shù)方案是：首先對海上油氣平臺(tái)多分辨率、多視點(diǎn)的遙感成像特性進(jìn)行分析，通過特征子空間和主成分分量擬合最佳遙感圖像。然后通過時(shí)空馬爾可夫隨機(jī)場模型，提高海上平臺(tái)檢測的信噪比與信雜比，輸出目標(biāo)顯著性圖像。最后構(gòu)建大規(guī)模的目標(biāo)標(biāo)準(zhǔn)數(shù)據(jù)集，對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行基于hadoop分布式文件存儲(chǔ)系統(tǒng)的多節(jié)點(diǎn)并行架構(gòu)訓(xùn)練，對深度卷積神經(jīng)網(wǎng)絡(luò)持續(xù)調(diào)優(yōu)，提取大規(guī)模目標(biāo)的穩(wěn)定特性，實(shí)現(xiàn)海量遙感圖像中海上油氣平臺(tái)快速、準(zhǔn)確的自動(dòng)檢測。

步驟1，對海上油氣平臺(tái)多分辨率、多視點(diǎn)的遙感成像特性進(jìn)行分析，通過特征子空間和主成分分量擬合遙感圖像；

步驟2，通過時(shí)空馬爾可夫隨機(jī)場模型，提高海上平臺(tái)檢測的信噪比與信雜比，輸出目標(biāo)顯著性圖像；

步驟3，構(gòu)建大規(guī)模的目標(biāo)標(biāo)準(zhǔn)數(shù)據(jù)集，對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行基于hadoop分布式文件存儲(chǔ)系統(tǒng)的多節(jié)點(diǎn)并行架構(gòu)訓(xùn)練，對深度卷積神經(jīng)網(wǎng)絡(luò)持續(xù)調(diào)優(yōu)，提取大規(guī)模目標(biāo)的穩(wěn)定特性，實(shí)現(xiàn)海量遙感圖像中海上油氣平臺(tái)快速、準(zhǔn)確的自動(dòng)檢測。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟1具體包含如下步驟：

步驟1.1，選取特征明顯的一定數(shù)量的不同分辨率、多視點(diǎn)下的多時(shí)相光學(xué)遙感圖像集A1；

步驟1.2，建立大范圍海洋檢測識別區(qū)域先驗(yàn)知識數(shù)據(jù)庫SQ；

步驟1.3，通過步驟2中建立的先驗(yàn)知識數(shù)據(jù)庫SQ對步驟1中的輸入圖像集A1進(jìn)行處理，將遙感數(shù)據(jù)中的非海洋區(qū)域信息、不可能進(jìn)行海上油氣開發(fā)的海洋較深區(qū)域的信息進(jìn)行剔除，得到處理后的圖像集A2；

步驟1.4，對步驟3中得到的圖像集A2進(jìn)行人工標(biāo)定，獲得標(biāo)記遙感圖像集A3；

步驟1.5，對標(biāo)記遙感圖像集的特征子空間和主成分進(jìn)行仿真分析，獲得多時(shí)相遙感圖像集A4。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟2具體包含如下步驟：

步驟2.1，對圖像集A4中的圖像進(jìn)行時(shí)域低通濾波，初始化馬爾可夫隨機(jī)場；

步驟2.2，根據(jù)輸入的多時(shí)相遙感圖像，建立三維馬爾可夫隨機(jī)場模型，并考慮遙感圖像灰度分布信息符合有限混合高斯模型，獲得聯(lián)合條件概率；

步驟2.3，根據(jù)步驟2.2中的條件概率進(jìn)行最大似然估計(jì)，計(jì)算馬爾可夫隨機(jī)場模型參數(shù)；

步驟2.4，用計(jì)算出來的參數(shù)更新馬爾可夫隨機(jī)場，重新通過最大似然估計(jì)獲取馬爾可夫隨機(jī)場模型參數(shù)；

步驟2.5，對比前后兩次計(jì)算的馬爾可夫隨機(jī)場模型參數(shù)誤差是否滿足收斂；若滿足，則執(zhí)行步驟2.6，否則繼續(xù)執(zhí)行步驟2.4；

步驟2.6，通過三維時(shí)空馬爾可夫隨機(jī)場模型計(jì)算輸出目標(biāo)顯著性圖像。

作為本發(fā)明光學(xué)遙感圖像海上平臺(tái)自動(dòng)檢測方法的進(jìn)一步優(yōu)選方案，所述步驟3具體包含如下步驟：

步驟3.1，獲取平臺(tái)樣本庫，存儲(chǔ)在hadoop分布式文件存儲(chǔ)系統(tǒng)上，在k個(gè)節(jié)點(diǎn)上存儲(chǔ)樣本庫子集，讓各節(jié)點(diǎn)單獨(dú)訓(xùn)練樣本庫，初始化卷積神經(jīng)網(wǎng)絡(luò)各參數(shù)；

步驟3.2，各節(jié)點(diǎn)同時(shí)進(jìn)行樣本庫子集的完整網(wǎng)絡(luò)訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)參數(shù)向量，并使用各節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)參數(shù)擬合整體神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟3.3，用整體神經(jīng)網(wǎng)絡(luò)參數(shù)更新各節(jié)點(diǎn)神經(jīng)網(wǎng)絡(luò)參數(shù)；

步驟3.4，人工交互確定訓(xùn)練效果，持續(xù)參數(shù)調(diào)優(yōu)，重復(fù)執(zhí)行步驟3.2至步驟3.3，直到訓(xùn)練達(dá)到要求；

步驟3.5，添加目標(biāo)樣本，重復(fù)步驟3.2至步驟3.4；

步驟3.6，使用步驟3.5中訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對步驟2.6中輸出的目標(biāo)顯著性圖像進(jìn)行檢測，輸出目標(biāo)檢測結(jié)果。

圖1是本發(fā)明方法的主體結(jié)構(gòu)框圖，基于深度卷積神經(jīng)網(wǎng)絡(luò)和三維馬爾可夫隨機(jī)場的遙感圖像海上平臺(tái)的檢測方法主要包含三個(gè)部分：第一部分，海上平臺(tái)遙感成像特性分析仿真與擬合；第二部分；多時(shí)相海上平臺(tái)的三維時(shí)空馬爾可夫隨機(jī)場建模；第三部分，基于深度卷積神經(jīng)網(wǎng)絡(luò)的并行架構(gòu)訓(xùn)練及海上平臺(tái)自動(dòng)提取。第一部分的輸出作為第二個(gè)部分的輸入，第二個(gè)部分的輸出作為第三部分中的平臺(tái)檢測部分的輸入。

圖2是三維時(shí)空馬爾可夫隨機(jī)場模型圖，將二維坐標(biāo)系統(tǒng)的單幀遙感圖像按照時(shí)空排列，組成了三維圖像模型，模型中任一像元都是存在8個(gè)空域上的鄰點(diǎn)和18個(gè)時(shí)域上的鄰點(diǎn)。

圖3是卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖，卷積神經(jīng)網(wǎng)絡(luò)主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形，卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。圖中C1、S2、C3和S4均是特征圖像，C1和C3是卷積層特征圖像，重點(diǎn)在于特征的提取，S2和S4是采樣層特征圖像，重點(diǎn)在于特征的計(jì)算。

圖4是卷積神經(jīng)網(wǎng)絡(luò)并行計(jì)算架構(gòu)圖。大量的訓(xùn)練樣本存儲(chǔ)到不同的存儲(chǔ)節(jié)點(diǎn)上，樣本之間相互獨(dú)立，每一個(gè)存儲(chǔ)節(jié)點(diǎn)上具完整的卷積神經(jīng)網(wǎng)絡(luò)，因此每個(gè)節(jié)點(diǎn)上的神經(jīng)網(wǎng)絡(luò)只負(fù)責(zé)訓(xùn)練部分樣本集，節(jié)點(diǎn)處理完成之后進(jìn)行一次更新。樣本在訓(xùn)練過程中，在網(wǎng)絡(luò)各層間是單向逐層進(jìn)行，同層的特征圖、神經(jīng)元以及神經(jīng)元權(quán)值是相互獨(dú)立的，因此可以存在多個(gè)樣本在卷積神經(jīng)網(wǎng)絡(luò)中并行計(jì)算。

圖5是多時(shí)相遙感數(shù)據(jù)仿真分析邏輯框圖，首先是根據(jù)輸入遙感數(shù)據(jù)，判定遙感數(shù)據(jù)的地理位置，根據(jù)先驗(yàn)知識，建立遙感數(shù)據(jù)地理信息數(shù)據(jù)庫，剔除輸入的遙感數(shù)據(jù)中的非海洋部分。其次對處理后的圖像進(jìn)行人工標(biāo)定平臺(tái)目標(biāo)以及艦船、島礁等非目標(biāo)。然后對遙感圖像進(jìn)行特征子空間以及主成分分析，選擇最佳的波段圖像。

圖6是三維時(shí)空馬爾可夫隨機(jī)場模型建模邏輯框圖，對輸入的圖像進(jìn)行時(shí)域低通濾波，來初始化馬爾可夫隨機(jī)場。遙感圖像的灰度信息符合有限混合高斯分布，獲得三維馬爾可夫隨機(jī)場模型的條件概率，通過最大似然估計(jì)求解模型參數(shù)，更新模型，當(dāng)最大似然估計(jì)收斂，輸出目標(biāo)顯著性圖像。

圖7是深度卷積神經(jīng)網(wǎng)絡(luò)并行訓(xùn)練架構(gòu)邏輯框圖，對樣本庫進(jìn)行分布式存儲(chǔ)，在各存儲(chǔ)節(jié)點(diǎn)上同時(shí)進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，并通過人工交互確認(rèn)，對模型參數(shù)持續(xù)調(diào)優(yōu)，并添加樣本庫進(jìn)行訓(xùn)練。當(dāng)達(dá)到理想的卷積神經(jīng)網(wǎng)絡(luò)，對輸入的圖像進(jìn)行快速的檢測，輸出檢測結(jié)果。

下面詳細(xì)說明本發(fā)明的技術(shù)方案以及所依據(jù)的科學(xué)原理。

1、海上平臺(tái)遙感成像特性分析中的主成分分析原理：

①假設(shè)輸入n幀遙感圖像數(shù)據(jù)，將第i幀圖像轉(zhuǎn)化為長度為L的向量，進(jìn)而建立L×n的圖像二維矩陣C＝{c₁,c₂,…c_n}。

②鑒于光學(xué)遙感圖像的數(shù)據(jù)較大，假設(shè)n≤L，二維矩陣圖像C的均值為為便于描述，將記為對進(jìn)行奇異值分解，可得到

其中，∑是對角矩陣，其對角元素σ₁,…,σ_n是的特征值，并且元素值是將序排列，即σ₁≥σ₂≥σ₃≥,…,≥σ_n；U是一個(gè)正交矩陣，U中的列向量是的特征向量，與∑中的σ₁,…,σ_n想對應(yīng)；V是一個(gè)正交矩陣，V中的列向量是的特征向量。

③對于對角矩陣∑，當(dāng)i值大于某一值時(shí)，σi值很小，此時(shí)保留U矩陣的前m列，得到新的矩陣U_m，即遙感圖像的主成分分量數(shù)據(jù)。

2、遙感圖像時(shí)空三維馬爾可夫隨機(jī)場模型原理如下:

(1)馬爾可夫模型原理

馬爾可夫隨機(jī)場包含馬爾可夫性質(zhì)和隨機(jī)場兩層意思。馬爾可夫性質(zhì)是指將來的狀態(tài)僅僅和當(dāng)前的狀態(tài)有關(guān)，當(dāng)給每一個(gè)位置都按照某種分布隨機(jī)賦予相空間的一個(gè)值后，其全體就叫做隨機(jī)場。

①設(shè)S＝{(i,j)|1≤i≤M,1≤j≤N}表示MN位置的有限點(diǎn)集，即隨機(jī)場中的位置，Λ＝{1,2,3,…,L}表示狀態(tài)空間，即隨機(jī)場中的相空間，X＝{x_s|s∈S}表示定義在的隨機(jī)場，x_s表示在隨機(jī)場X上，狀態(tài)空間為Λ的隱狀態(tài)隨機(jī)變量，即x_s∈Λ。在圖像中，格點(diǎn)集S表示像素的位置，X稱為標(biāo)號場，通常為像素值的集合，Λ為標(biāo)號隨機(jī)變量x_s的集合，L表示將圖像分割為不同區(qū)域的數(shù)目。

②設(shè)δ＝{δ(s)|s∈S}是定義在S上的通用鄰域系統(tǒng)的集合，其滿足如下特性：

則位置r∈δ(s)稱為s的鄰點(diǎn)，δ(s)稱為s的鄰點(diǎn)集。本發(fā)明中，根據(jù)對像元的歐式距離定義鄰域系統(tǒng)：

δ⁽ⁿ⁾(s)＝{r|d(s,r)≤n,r≠s} (3)

式(3)中，n為鄰域系統(tǒng)的階次，d(·)用歐式距離表示。對于滿足特性S中有不同的鄰域結(jié)構(gòu)，在S上有單個(gè)像元或者像元與其鄰點(diǎn)組成的子集稱為一個(gè)子團(tuán)，子團(tuán)c的集合用C來表示。

③設(shè)δ為S上的鄰域系統(tǒng)，當(dāng)隨機(jī)場X＝{x_s|s∈S}滿足如下條件：

則稱X為以δ為鄰域系統(tǒng)的馬爾可夫隨機(jī)場。

(2)馬爾科夫隨機(jī)場參數(shù)的迭代估計(jì)：

①為了確定標(biāo)號場先驗(yàn)概率和標(biāo)號場的鄰域局部關(guān)系，建立馬爾可夫隨機(jī)場與Gibbs分布關(guān)系。Gibbs分布滿足如下的聯(lián)合概率分布形式：

P(X＝x)＝(1/Z)exp[-U(x)] (5)

其中，稱為能量函數(shù)，V_c(x)是僅與子團(tuán)c內(nèi)各像元值有關(guān)的子團(tuán)勢函數(shù)，稱為分配函數(shù)。Gibbs分布于MRF的等價(jià)條件是：

②使用馬爾可夫隨機(jī)場對圖像進(jìn)行分割就是把潛在的圖像標(biāo)號正確表示出來，以達(dá)到最大的后驗(yàn)概率(MAP)：

③遙感圖像的特征使用圖像的灰度信息，遙感圖像的灰度信息符合下面的有限混合高斯模型。

其中，圖像的灰度分為I個(gè)區(qū)域，c_i為分量權(quán)重，μ_i為均值，為方差，Γ(·)是Gamma函數(shù)。

對圖像灰度的有限混合高斯分布概率函數(shù)進(jìn)行最大似然估計(jì)，并且迭代計(jì)算，直至前后兩次的最大似然估計(jì)誤差小于α(要求精度值)，進(jìn)而獲取最大后驗(yàn)概率，進(jìn)而求得正確的圖像標(biāo)號，獲取目標(biāo)顯著性圖像。

(3)三維時(shí)空馬爾可夫隨機(jī)場模型原理如下：

不考慮高程信息，結(jié)合空間域上的遙感圖像數(shù)據(jù)及時(shí)間域上的多時(shí)相數(shù)據(jù)，建立多時(shí)相遙感圖像的時(shí)空域馬爾可夫隨機(jī)場模型。三維時(shí)空馬爾可夫模型如圖2所示：對于二位圖像上的點(diǎn)，存在8個(gè)空域上的鄰點(diǎn)和18個(gè)時(shí)域上的鄰點(diǎn)，通過Gibbs隨機(jī)場來描述馬爾可夫場分布。

本方法中，定義時(shí)空鄰域系統(tǒng)的子團(tuán)勢函數(shù)為：

β為當(dāng)前空域基團(tuán)參數(shù)，β_t-1和β_t+1基團(tuán)參數(shù)。建立聯(lián)合概率分布函數(shù)：

P(f|x_s)＝P_t-1(f|x_s)P_t(f|x_s)P_t+1(f|x_s) (10)

使用(2)中的最大似然估計(jì)的方法，進(jìn)行迭代計(jì)算，得到最大后驗(yàn)概率，進(jìn)而獲取正確圖像標(biāo)號。

3、深度卷積神經(jīng)網(wǎng)絡(luò)的并行架構(gòu)快速提取目標(biāo)原理如下:

(1)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,簡稱CNN)：

卷積神經(jīng)網(wǎng)絡(luò)主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形，卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)二維平面組成，而每個(gè)平面由多個(gè)獨(dú)立神經(jīng)元組成。卷積神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖3所示。

卷基層的輸出節(jié)點(diǎn)可表示為：

其中：分別表示當(dāng)前和上一層的特征圖，表示從上一層第m個(gè)特征圖到當(dāng)前層第n個(gè)特征圖額卷積核，為神經(jīng)元偏置，f(·)為信號激活函數(shù)。

子采樣層節(jié)點(diǎn)輸出可表示為：

式中，s×s是子采樣模板尺度，為模板權(quán)值。

卷積神經(jīng)網(wǎng)絡(luò)CNN全連接輸出層的結(jié)果可表示為：

(2)深度卷積神經(jīng)網(wǎng)絡(luò)的并行架構(gòu)原理：

基于深度學(xué)習(xí)的模型訓(xùn)練方法，一般都需要耗費(fèi)巨大的時(shí)間開銷，為提高訓(xùn)練的速度，采用基于hadoop分布式文件存儲(chǔ)的多節(jié)點(diǎn)并行計(jì)算架構(gòu)，如圖4所示。大量的訓(xùn)練樣本存儲(chǔ)到不同的存儲(chǔ)節(jié)點(diǎn)上，樣本之間相互獨(dú)立，每一個(gè)存儲(chǔ)節(jié)點(diǎn)上具完整的卷積神經(jīng)網(wǎng)絡(luò)，因此每個(gè)節(jié)點(diǎn)上的神經(jīng)網(wǎng)絡(luò)只負(fù)責(zé)訓(xùn)練部分樣本集，節(jié)點(diǎn)處理完成之后進(jìn)行一次更新。樣本在訓(xùn)練過程中，在網(wǎng)絡(luò)各層間是單向逐層進(jìn)行，同層的特征圖、神經(jīng)元以及神經(jīng)元權(quán)值是相互獨(dú)立的，因此可以存在多個(gè)樣本在卷積神經(jīng)網(wǎng)絡(luò)中并行計(jì)算。