[發明專利]基于CNN與超像素結合的組合核遙感影像目標檢測方法

在審

• 申請號: 202110717991.5
• 申請日: 2021-06-28
• 公開（公告）號: CN113343900A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 蕢露超;周傳龍;牟蘇斌;張一鳴;占偉偉;李佳祺
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T5/50;G06T7/10
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華

本發明提供了基于CNN與超像素結合的組合核遙感影像目標檢測方法，首先，通過熵率超像素分割算法將原始的遙感影像分割成多個超像素，其次，在基于超像素索引的遙感影像上，直接提取光譜信息得到光譜核，采用深度神經網絡以及加權平均濾波分別得到超像素內的深度空間核和超像素間的空間核。最后，將這三個核加權組合，并采用核支持向量機分類器，來對遙感影像進行目標檢測。此方法能夠用于軍用船舶、機場、跑道等軍事目標檢測，快速有效，方法巧妙，構思新穎，具有良好的應用前景。

技術領域

本發明涉及遙感影像處理技術領域，尤其涉及一種基于超像素分割、深度空譜特征提取的組合核支持向量機分類的遙感影像目標檢測方法。

背景技術

隨著光譜技術的快速發展，極大地促進的遙感領域的發展，但是目前由于遙感影像具有“圖譜合一”，空間分辨率低，光譜信息冗余等特點，對光譜遙感影像的處理技術仍有很大的發展空間，例如遙感影像的分類、解混、融合、去噪、目標檢測等。為了解決這些問題，需要對遙感影像有深刻的了解，以及對機器學習方法有熟練的掌握。

作為遙感影像處理中焦點，遙感影像目標檢測逐漸被重視起來。如何節省訓練時間，在訓練樣本不足的情況下得到較高的檢測精度，這是一個很廣闊的課題。

發明內容

本發明的目的是克服現有技術存在的不足。本發明公開了一種基于CNN與超像素結合的組合核遙感影像目標檢測方法，首先，通過熵率超像素分割算法將原始的遙感影像分割成多個超像素，其次，在基于超像素索引的遙感影像上，直接提取光譜信息得到光譜核，采用深度神經網絡以及加權平均濾波分別得到超像素內的深度空間核和超像素間的空間核。最后，將這三個核加權組合，采用核支持向量機分類器，來對遙感影像進行目標檢測。此方法能夠用于軍事、農業、城鄉規劃等目標檢測，快速有效，方法巧妙，構思新穎，具有良好的應用前景。

為了達到上述目的，本發明所采用的技術方案是：

基于CNN與超像素結合的組合核遙感影像目標檢測方法，包括以下步驟：

步驟1，將原始的遙感影像進行超像素分割，將超像素分割圖與所述原始的遙感影像結合生成帶有超像素索引的遙感影像；

步驟2，獲得超像素分割后的遙感影像的光譜核；

步驟3，利用深度神經網絡對超像素分割后的遙感影像超像素內的空間特征進行提取，得到超像素內的深度空間核；

步驟4，利用加權平均算法提取超像素間的空間特征，得到超像素間的空間核；

步驟5，將所得的光譜核、超像素內深度空間核和超像素間空間核進行組合，形成多核支持向量機分類器，將遙感影像數據集分成訓練集和測試集，利用分類器對所述訓練集進行訓練得到模后，通過所述模型對遙感影像測試集進行目標檢測。

進一步地，在一種實現方式中，所述步驟1，包括以下步驟，

步驟1-1，將所述原始的遙感影像進行主成分分析(Principal ComponentAnalysis，PCA)處理，生成主成分分析降維后的特征；

步驟1-2，選擇主成分分析降維后特征的前三個主成分，生成三個各不相關的主成分圖像，根據選擇出的所述主成分圖像計算超像素數L，所述超像素數L根據紋理的復雜程度來進行選擇，所述超像素數L的計算公式如下：

L＝L_base×R_texture

其中，L_base是基超像素數，R_texture是紋理比率，n表示經過Sobel濾波后的主成分圖像中的非零元素數量，N表示經過Sobel濾波前的主成分圖像中非零元素的數量；