本發(fā)明屬于機器學習、深度學習、匹配模板
技術領域：
，更具體地，涉及一種基于cnn的遙感影像光學適配結構選取方法及系統(tǒng)。
背景技術：
：光學適配結構選取技術是飛行器導航的關鍵技術，也是地面信息保障的核心技術之一，其好壞直接影響著匹配的性能和精度。如何利用衛(wèi)星影像選取光學適配結構是當今精確匹配制導領域的工作重點和難點。然而，不同于普通的目標檢測，由于光學適配結構形態(tài)千差萬別、沒有一個穩(wěn)定結構，很難用一個規(guī)則去描述并量化的特點，使得光學適配結構的選取非常困難，選取效果普遍不佳。迄今為止，光學適配結構的選擇尚無成熟方案，國內(nèi)外學者的方法中所提出的特征通常不能很好表達光學適配結構，并且不能較好的綜合多個特征之間的相關性和權重，導致選取結果適應性差，抗干擾性不強。而且這些方法，只能適應某個特定的遙感影像場景，而在不同的場景上選出的匹配區(qū)并不能達到匹配要求，魯棒性還有待提高，對于復雜遙感影像場景，其選取結果不太理想。因此目前大部分任務是通過人工完成的，但是在大量的遙感影像數(shù)據(jù)中，人工選擇不僅工作量大，不僅浪費時間、耗費人力，而且由于受到操作人員的素質、知識水平、經(jīng)驗等因素的影響，人工所選光學適配結構的適配性能有時很難滿足實際應用的要求。卷積神經(jīng)網(wǎng)絡(convolutionalneuralnetworks，cnn)作為深度學習里非常成功的一個模型，已經(jīng)成為當前語音分析和圖像識別領域的研究熱點，它顛覆了語音、圖像、自然語言、在線廣告等眾多領域的算法設計思路，并取得了突破性的進步和顯著的成功，其效果遠遠超過先前相關技術。cnn對于圖像平移、比例縮放、旋轉及其他形式的變形都具有一定程度的不變性，現(xiàn)已成為眾多科學領域的研究熱點之一。目前為止，國內(nèi)外還沒有人將cnn應用到遙感影像的光學適配結構選取的實際運用中。若能將二者結合，實現(xiàn)基于cnn的光學適配結構選取，填補光學適配結構選取在深度學習這一領域的空白，實現(xiàn)光學適配結構的自動選取，將具有重要的工程意義，并將產(chǎn)生深遠的影響。技術實現(xiàn)要素：針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于cnn的遙感影像光學適配結構選取方法及系統(tǒng)，首次將cnn應用到光學適配結構自動選取上，考慮了光學適配結構的穩(wěn)定性、獨特性，能較好的選出光學適配結構，能適應多個尺度和旋轉，具有較強的適應性。由此解決現(xiàn)有技術中光學適配結構的選取困難，選取效果普遍不佳的技術難題。為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于cnn的遙感影像光學適配結構選取方法，包括：(1)獲取若干個目標正下視遙感影像場景圖，對所述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集，從所述遙感影像場景數(shù)據(jù)集中選取若干個光學適配結構正樣本，若干個光學非適配結構負樣本，所有正樣本和負樣本構成學習樣本集；(2)設計光學適配結構的卷積神經(jīng)網(wǎng)絡cnn分類模型；(3)利用所述學習樣本集訓練所述cnn分類模型，確定所述cnn分類模型的參數(shù)得到目標cnn分類模型；(4)將待選取遙感影像場景圖按預設步長進行切割，得到若干固定大小的像素塊patch，并記錄每個patch在所述待選取遙感影像場景圖上的坐標；(5)將所述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，得到多個光學適配結構patch，以及每個光學適配結構patch的適配率；(6)對所述多個光學適配結構patch，根據(jù)所述每個光學適配結構patch的適配率，進行非極大值抑制，以剔除重復度高、適配率低的光學適配結構patch；(7)對進行非極大值抑制后剩余的每個光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm、所述相關面rm的主次峰值比smr及所述相關面rm的最高鋒銳度sm，將所述主次峰值比smr大于第一預設閾值以及所述最高鋒銳度sm大于第二預設閾值的光學適配結構patch輸出；(8)將經(jīng)過獨特性分析后的光學適配結構patch在所述待選取遙感影像場景圖上的坐標標記在所述待選取遙感影像場景圖上，即得到所述待選取遙感影像場景圖的光學適配結構選取的結果圖。優(yōu)選地，所述步驟(1)具體包括：(1.1)獲取若干個目標正下視遙感影像場景圖，對所述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集；(1.2)將所述遙感影像場景數(shù)據(jù)集中的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖、顯著性人造建造物子圖進行歸一化處理；(1.3)將歸一化后的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖制作為光學非適配結構負樣本，并標記-1標簽，將歸一化后的顯著性人造建筑子圖作為光學適配結構正樣本，并標記為+1標簽，由所述負樣本與所述正樣本構成訓練樣本集。優(yōu)選地，所述步驟(5)具體包括：將所述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，將識別出的標簽為+1的patch作為光學適配結構patch，并得到每個光學適配結構patch的適配率。優(yōu)選地，所述步驟(6)具體包括：(6.1)將識別的標簽為+1的光學適配結構patch，按照各光學適配結構patch的適配率從低到高進行排序；(6.2)保留適配率最高的光學適配結構patch；(6.3)計算適配率最高的光學適配結構patch與其余光學適配結構patch的重疊面積；(6.4)保留重疊面積小于第三預設閾值的光學適配結構patch，將大于所述第三預設閾值的光學適配結構patch濾掉；(6.3)判斷剩余的光學適配結構patch數(shù)量是否大于第四預設閾值，若大于，則返回執(zhí)行步驟(6.2)，否則結束流程。優(yōu)選地，所述步驟(7)具體包括：(7.1)對經(jīng)過非極大值抑制后剩余的光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm；(7.2)找出所述相關面rm上的極值點，設相關面圖像為i，若相關面圖像i中的像素點(i,j)的像素值滿足：i(i,j)＞i(i,j+1)&&i(i,j)＞i(i,j-1)&&i(i,j)＞i(i+1,j)&&i(i,j)＞i(i-1,j)，則點i(i,j)為極值點，找出極值點中的最大值、次大值，即為所述相關面rm的最高峰和次高峰，設vmax表示所述相關面rm的最高峰峰值，vsub表示所述相關面rm的次高峰峰值，則主次峰值比為：(7.3)由公式：計算rm的最高鋒銳度，其中，vmax_near＝max{v0,v45,v90,v135}為0度、45度、90度、135度四個方向直徑范圍柱體內(nèi)的高度均值的最大值；(7.4)將所述主次峰值比smr大于所述第一預設閾值以及所述最高鋒銳度sm大于所述第二預設閾值的光學適配結構patch輸出。優(yōu)選地，所述最高鋒銳度表示：在相關面區(qū)域，以相關面的最高峰峰值點為中心，d為直徑，分別取0度、45度、90度、135度直徑范圍柱體內(nèi)的所有高度的均值，相關面的最高峰峰值與四個鄰域均值的最大值的比值即為最高鋒銳度。按照本發(fā)明的另一方面，提供了一種基于cnn的遙感影像光學適配結構選取系統(tǒng)，包括：樣本集獲取模塊，用于獲取若干個目標正下視遙感影像場景圖，對所述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集，從所述遙感影像場景數(shù)據(jù)集中選取若干個光學適配結構正樣本，若干個光學非適配結構負樣本，所有正樣本和負樣本構成學習樣本集；cnn設計模塊，用于設計光學適配結構的卷積神經(jīng)網(wǎng)絡cnn分類模型；目標cnn獲取模塊，用于利用所述學習樣本集訓練所述cnn分類模型，確定所述cnn分類模型的參數(shù)得到目標cnn分類模型；patch切割模塊，用于將待選取遙感影像場景圖按預設步長進行切割，得到若干固定大小的像素塊patch，并記錄每個patch在所述待選取遙感影像場景圖上的坐標；分類識別模塊，用于將所述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，得到多個光學適配結構patch，以及每個光學適配結構patch的適配率；非極大值抑制模塊，用于對所述多個光學適配結構patch，根據(jù)所述每個光學適配結構patch的適配率，進行非極大值抑制，以剔除重復度高、適配率低的光學適配結構patch；獨特性分析模塊，用于對進行非極大值抑制后剩余的每個光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm、所述相關面rm的主次峰值比smr及所述相關面rm的最高鋒銳度sm，將所述主次峰值比smr大于第一預設閾值以及所述最高鋒銳度sm大于第二預設閾值的光學適配結構patch輸出；光學適配結構選取模塊，用于將經(jīng)過獨特性分析后的光學適配結構patch在所述待選取遙感影像場景圖上的坐標標記在所述待選取遙感影像場景圖上，即得到所述待選取遙感影像場景圖的光學適配結構選取的結果圖。優(yōu)選地，所述樣本集獲取模塊包括：遙感影像場景數(shù)據(jù)集制作模塊，用于獲取若干個目標正下視遙感影像場景圖，對所述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集；歸一化模塊，用于將所述遙感影像場景數(shù)據(jù)集中的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖、顯著性人造建造物子圖進行歸一化處理；正負樣本獲取模塊，用于將歸一化后的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖制作為光學非適配結構負樣本，并標記-1標簽，將歸一化后的顯著性人造建筑子圖作為光學適配結構正樣本，并標記為+1標簽，由所述負樣本與所述正樣本構成訓練樣本集。優(yōu)選地，所述分類識別模塊，具體用于將所述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，將識別出的標簽為+1的patch作為光學適配結構patch，并得到每個光學適配結構patch的適配率。優(yōu)選地，所述非極大值抑制模塊包括：排序模塊，用于將識別的標簽為+1的光學適配結構patch，按照各光學適配結構patch的適配率從低到高進行排序；保留模塊，用于保留適配率最高的光學適配結構patch；計算模塊，用于計算適配率最高的光學適配結構patch與其余光學適配結構patch的重疊面積；過濾模塊，用于保留重疊面積小于第三預設閾值的光學適配結構patch，將大于所述第三預設閾值的光學適配結構patch濾掉；判斷模塊，用于判斷剩余的光學適配結構patch數(shù)量是否大于第四預設閾值，若大于，則返回執(zhí)行所述保留模塊，直到剩余的光學適配結構patch數(shù)量不大于第四預設閾值。優(yōu)選地，所述獨特性分析模塊包括：相關面獲取模塊，用于對經(jīng)過非極大值抑制后剩余的光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm；主次峰值計算模塊，用于找出所述相關面rm上的極值點，設相關面圖像為i，若相關面圖像i中的像素點(i,j)的像素值滿足：i(i,j)＞i(i,j+1)&&i(i,j)＞i(i,j-1)&&i(i,j)＞i(i+1,j)&&i(i,j)＞i(i-1,j)，則點i(i,j)為極值點，找出極值點中的最大值、次大值，即為所述相關面rm的最高峰和次高峰，設vmax表示所述相關面rm的最高峰峰值，vsub表示所述相關面rm的次高峰峰值，則主次峰值比為：最高鋒銳度計算模塊，用于由公式：計算rm的最高鋒銳度，其中，vmax_near＝max{v0,v45,v90,v135}為0度、45度、90度、135度四個方向直徑范圍柱體內(nèi)的高度均值的最大值；目標確定模塊，用于將所述主次峰值比smr大于所述第一預設閾值以及所述最高鋒銳度sm大于所述第二預設閾值的光學適配結構patch輸出。優(yōu)選地，所述最高鋒銳度表示：在相關面區(qū)域，以相關面的最高峰峰值點為中心，d為直徑，分別取0度、45度、90度、135度直徑范圍柱體內(nèi)的所有高度的均值，相關面的最高峰峰值與四個鄰域均值的最大值的比值即為最高鋒銳度。總體而言，通過本發(fā)明所構思的以上技術方案與現(xiàn)有技術相比，主要有以下的技術優(yōu)點：在現(xiàn)有技術中，關于遙感影像光學適配結構選取的問題尚未形成成熟的解決方案，大部分任務是通過人工完成的，通常難以進行科學的分析，人工估計所選光學適配結構的匹配性能，很難滿足實際應用的需求。本發(fā)明創(chuàng)新性的首次將cnn應用到光學適配結構自動選取上，在caffe(convolutionarchitectureforfeatureembedding)深度學習開源框架的基礎上，設計了遙感影像光學適配結構選取的cnn模型，其能自動有效地學習出光學適配結構的特征，并預測出每個光學適配結構的適配性能，然后引入非極大值抑制技術對cnn模型的選取結果進行處理以去除重復，最后結合基于相關峰的獨特性分析方法，使得結果更加精確，并具有較強的魯棒性。該方法相比于人工主觀評估選取，提高了穩(wěn)定性，改善了選取的光學適配結構的質量；相比于其他選取方法抗干擾性更強，魯棒性更好。附圖說明圖1為本發(fā)明實施例公開的一種基于cnn的遙感影像光學適配結構選取方法的總體流程示意圖；圖2為本發(fā)明實施例中部分光學適配結構與非適配結構圖像；圖3為本發(fā)明實施例中遙感影像場景圖對比度變換前后的對比圖；圖4為本發(fā)明實施例中一種可選的待選取遙感影像場景圖；圖5為本發(fā)明實施例中切割后的部分patch圖；圖6為本發(fā)明實施例中經(jīng)過cnn模型光學適配結構初選取后的結果圖；圖7為本發(fā)明實施例中經(jīng)過非極大值抑制處理后的結果圖；圖8為本發(fā)明實施例中經(jīng)過獨特性分析后的結果圖。具體實施方式為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。如圖1所示，為本發(fā)明實施例公開的一種基于cnn的遙感影像光學適配結構選取方法的總體流程示意圖，在圖1所示的方法中，具體包括以下步驟：學習階段：(1)獲取若干個目標正下視遙感影像場景圖，并對上述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集，從遙感影像場景數(shù)據(jù)集中選取若干個光學適配結構正樣本，若干個光學非適配結構負樣本，所有正樣本和負樣本構成學習樣本集；其中，目標正下視遙感影像場景圖可以是獨特性強、匹配性能好、特征明顯的正下視遙感影像場景圖。其中，對上述若干個目標正下視遙感影像場景圖進行對比度變換處理，包括：將精選的目標正下視遙感影像場景圖預處理統(tǒng)計灰度值，考慮不同時相條件，對遙感影像場景圖進行對比度變換，再將其歸一化并拉伸至0-255。具體算法如下：1、將選取的遙感影像場景圖對比度變換，設圖像灰度值為i(i,j)，對比度變換后為i(i,j)γ，優(yōu)選地，γ取0.5～1.5；2、將變換后的圖像灰度值歸一化后拉伸至0-255，即其中imin為對比度變換后的最小值，imax為對比度變換后的最大值。如圖3所示為本發(fā)明實施例中遙感影像場景圖對比度變換前后的對比圖，其中，圖3(a)表示原始遙感影像場景圖，圖3(b)表示對比度增強圖(如γ＝1.4)，圖3(c)表示原始遙感影像場景圖，圖3(d)表示對比度減弱圖(如γ＝0.6)。其中，步驟(1)具體包括以下操作：(1.1)獲取若干個目標正下視遙感影像場景圖，對上述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集；(1.2)將上述遙感影像場景數(shù)據(jù)集中的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖、顯著性人造建造物子圖進行歸一化成s*s大小的子圖，其中，s為預設的值；(1.3)將歸一化后的自然場景子圖、人造單一場景子圖、不顯著性建筑子圖制作為光學非適配結構負樣本，并標記-1標簽，將歸一化后的顯著性人造建筑子圖作為光學適配結構正樣本，并標記為+1標簽，由負樣本與正樣本構成訓練樣本集?？梢詤⒄請D2所示為本發(fā)明實施例中部分光學適配結構與非適配結構圖像，其中，圖2(a)表示顯著性人造建筑子圖-適配區(qū)，圖2(b)表示不顯著性建筑子圖-非適配區(qū)，圖2(c)表示自然場景子圖-非適配區(qū)，圖2(d)表示人造單一場景子圖-非適配區(qū)。也就是說，道路交叉口、顯著建筑等可以作為光學適配結構正樣本、非適配建筑、建筑背景、自然背景等可以作為非適配結構負樣本。其中，在步驟(1)中有效地利用了實際圖像的灰度信息，針對基準圖光學適配結構在不同時相條件下的差異性，設計了一種訓練樣本集生成方法，有效地提高了光學適配結構選取的適應性。(2)設計光學適配結構的卷積神經(jīng)網(wǎng)絡cnn分類模型；其中，cnn模型共有8層：5c-2s-7c-2s-5c-2s-nn，其中n(5、2、7等)表示卷積層或池化層核尺寸n*n，c、s分別表示卷積層和池化層，nn表示兩個全連接層，設輸入圖像尺寸大小為64*64，則卷積層結構參數(shù)可以表示為如下表1所示：表1層名類型名特征圖數(shù)目特征圖尺寸核尺寸i輸入164*64-c1卷積層13260*605*5s1池化層13230*302*2c2卷積層26424*247*7s2池化層26412*122*2c3卷積層31288*85*5s3池化層31284*42*2(3)利用所述學習樣本集訓練所述cnn分類模型，確定所述cnn分類模型的參數(shù)得到目標cnn分類模型；其中，在caffe深度學習開源框架的基礎上，設計了遙感影像光學適配結構選取的cnn模型網(wǎng)絡結構參數(shù)。之后，用步驟(1)中的訓練樣本集及其對應的標簽，訓練cnn模型，訓練完成后，將得到各層參數(shù)及層間權重參數(shù)確定的cnn模型，即目標cnn分類模型。選取階段：(4)將待選取遙感影像場景圖按預設步長進行切割，得到若干固定大小的像素塊patch，并記錄每個patch在所述待選取遙感影像場景圖上的坐標；其中，步驟(4)具體包括：將待選取的遙感影像場景圖按預設步長進行切割，得到一張張固定大小的像素塊patch，并記錄每個patch在待選取的遙感影像場景圖上的坐標、大小，并將所有patch歸一化到s*s大小，如圖4所示為本發(fā)明實施例中一種可選的待選取遙感影像場景圖，如圖5所示為本發(fā)明實施例中切割后的部分patch圖。(5)將上述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，得到多個光學適配結構patch，以及每個光學適配結構patch的適配率；其中，步驟(5)具體包括：將上述若干固定大小的像素塊patch輸入到目標cnn分類模型中進行分類，將識別出的標簽為+1的patch作為光學適配結構patch，并得到每個光學適配結構patch的適配率，如圖6所示為本發(fā)明實施例中經(jīng)過cnn模型光學適配結構初選取后的結果圖。(6)對上述多個光學適配結構patch，根據(jù)每個光學適配結構patch的適配率，進行非極大值抑制，以剔除重復度高、適配率低的光學適配結構patch；在遙感影像光學適配結構選取中，雖然好幾個光學適配結構都選取到同一個顯著性建筑或道路交叉口，但只需找到最能體現(xiàn)該顯著性建筑或道路交叉口的光學適配結構，而不需要多余的光學適配結構。所謂非極大值抑制，就是把非極大值(適配率)濾掉，具體包括以下操作：(6.1)將識別的標簽為+1的光學適配結構patch，按照各光學適配結構patch的適配率從低到高進行排序；(6.2)保留適配率最高的光學適配結構patch；(6.3)計算適配率最高的光學適配結構patch與其余光學適配結構patch的重疊面積；(6.4)保留重疊面積小于第三預設閾值的光學適配結構patch，將大于第三預設閾值的光學適配結構patch濾掉；(6.3)判斷剩余的光學適配結構patch數(shù)量是否大于第四預設閾值，若大于，則返回執(zhí)行步驟(6.2)，否則結束流程。如圖7所示為本發(fā)明實施例中經(jīng)過非極大值抑制處理后的結果圖。其中，步驟(6)中有效地利用了cnn模型輸出的每個patch的適配率，首次將非極大值抑制方法運用在光學適配結構選取方法上，剔除了重疊區(qū)域內(nèi)低適配率的多余光學適配結構patch，有效地提高了光學適配結構自動選取的準確性。(7)對進行非極大值抑制后剩余的每個光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm、所述相關面rm的主次峰值比smr及所述相關面rm的最高鋒銳度sm，將所述主次峰值比smr大于第一預設閾值以及所述最高鋒銳度sm大于第二預設閾值的光學適配結構patch輸出；其中，對每一個經(jīng)過非極大值抑制處理后的光學適配結構patch分別進行獨特性分析，具體步驟如下：所述步驟(7)具體包括：(7.1)對經(jīng)過非極大值抑制后剩余的光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm；(7.2)計算rm的主次峰值比smr；通過相關面rm，找出相關面rm上的極值點，設相關面圖像為i，若相關面圖像i中的像素點(i,j)的像素值滿足：i(i,j)＞i(i,j+1)&&i(i,j)＞i(i,j-1)&&i(i,j)＞i(i+1,j)&&i(i,j)＞i(i-1,j)，則點i(i,j)為極值點，找出極值點中的最大值、次大值，即為相關面rm的最高峰和次高峰，設vmax表示相關面rm的最高峰峰值，vsub表示相關面rm的次高峰峰值，則主次峰值比為：(7.3)計算rm的最高鋒銳度sm；本發(fā)明提出了一種新的最高鋒銳度定義：在相關面區(qū)域，以最高峰值點為中心，d為直徑，其中，d為預設值，分別取0度、45度、90度、135度直徑范圍柱體內(nèi)的所有高度均值，最高峰值與四個鄰域均值的最大值的比值即為最高鋒銳度sm。具體計算公式如下：vmax_near＝max{v0,v45,v90,v135}其中，vmax_near為四個方向直徑范圍柱體內(nèi)的高度均值的最大值，vmax為最高峰峰值。(7.4)將主次峰值比smr大于第一預設閾值以及最高鋒銳度sm大于第二預設閾值的光學適配結構patch輸出。如圖8所示為本發(fā)明實施例中經(jīng)過獨特性分析后的結果圖。其中，步驟(7)中有效地利用遙感影像中光學適配結構的獨特性，設計了一種基于相關峰的獨特性分析方法，有效區(qū)分沒有重復模式的道路交叉口和具有多個重復的筆直道路，有效地提高了光學適配結構自動選取的穩(wěn)定性。其中，“最高鋒銳度”的定義能有效區(qū)分“點型”的相關峰和“長條形”的相關峰，有效地提高了光學適配結構自動選取的穩(wěn)定性。(8)將經(jīng)過獨特性分析后的光學適配結構patch在待選取遙感影像場景圖上的坐標標記在待選取遙感影像場景圖上，即得到待選取遙感影像場景圖的光學適配結構選取的結果圖。在本發(fā)明的一個實施例中，公開了一種基于cnn的遙感影像光學適配結構選取系統(tǒng)，其中，該系統(tǒng)包括：樣本集獲取模塊，用于獲取若干個目標正下視遙感影像場景圖，對所述若干個目標正下視遙感影像場景圖進行對比度變換處理得到遙感影像場景數(shù)據(jù)集，從所述遙感影像場景數(shù)據(jù)集中選取若干個光學適配結構正樣本，若干個光學非適配結構負樣本，所有正樣本和負樣本構成學習樣本集；cnn設計模塊，用于設計光學適配結構的卷積神經(jīng)網(wǎng)絡cnn分類模型；目標cnn獲取模塊，用于利用所述學習樣本集訓練所述cnn分類模型，確定所述cnn分類模型的參數(shù)得到目標cnn分類模型；patch切割模塊，用于將待選取遙感影像場景圖按預設步長進行切割，得到若干固定大小的像素塊patch，并記錄每個patch在所述待選取遙感影像場景圖上的坐標；分類識別模塊，用于將所述若干固定大小的像素塊patch輸入到所述目標cnn分類模型中進行分類，得到多個光學適配結構patch，以及每個光學適配結構patch的適配率；非極大值抑制模塊，用于對所述多個光學適配結構patch，根據(jù)所述每個光學適配結構patch的適配率，進行非極大值抑制，以剔除重復度高、適配率低的光學適配結構patch；獨特性分析模塊，用于對進行非極大值抑制后剩余的每個光學適配結構patch進行獨特性分析，計算各光學適配結構patch在所述待選取遙感影像場景圖的相關面rm、所述相關面rm的主次峰值比smr及所述相關面rm的最高鋒銳度sm，將所述主次峰值比smr大于第一預設閾值以及所述最高鋒銳度sm大于第二預設閾值的光學適配結構patch輸出；光學適配結構選取模塊，用于將經(jīng)過獨特性分析后的光學適配結構patch在所述待選取遙感影像場景圖上的坐標標記在所述待選取遙感影像場景圖上，即得到所述待選取遙感影像場景圖的光學適配結構選取的結果圖。其中，各模塊的具體實施方式可以參考方法實施例中的描述，本發(fā)明實施例將不做復述。本領域的技術人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。當前第1頁12