一种基于深度学习的信息处理系统和方法与流程

本发明涉及信息处理技术领域，特别涉及一种基于深度学习的信息处理系统和方法。

背景技术：

深度学习在现实生活中具有重要的意义。现有技术中深度学习是模仿人类大脑组织，构建深层架构，能很好地表达复杂目标函数，提取不同层次的特征，提供无监督数据，从而获得更多有用信息，应用于各种技术领域，如语音处理、文字处理、图像处理等。然而基于各种模型对目标进行处理，通常都会面临如何利用海量数据信息，加快处理速度和提高分类判别效率等主要问题。

技术实现要素：

为了解决上述问题，本发明的目的在于提供一种基于深度学习的信息处理系统和方法，尤其是一种基于深度学习的对目标的信息处理系统和方法，可用于对地物目标的信息处理，通过对波段融合处理得到波段图像，获取波段图像和深度图像，本发明提出的融合处理方法使得能够体现空间细节信息，能够从海量数据信息中获取有用信息，提高精度。本发明提出该系统和方法将波段图像和深度图像在网络的每一层分别进行卷积运算，计算尺寸，大大加快了处理速度；将卷积处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，能够提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，如此循环，再进行判别分类，能够提高分类判别效率；并结合定位结果进行综合显示，增加了数据的多维性。

发明采用的技术方案如下：

一种基于深度学习的对地物目标的信息处理系统，该系统包括：数据处理单元，数据学习单元，定位单元，判别分类单元，显示单元；

所述数据处理单元，包括获取图像，对图像进行归一化和波段融合处理，获得波段图像和深度图像；

所述数据学习单元，接收数据预处理单元处理后的图像数据，采用深度学习方法进行训练；

所述定位单元，针对训练后的图像数据对目标物体进行定位；

所述判别分类单元，针对训练后的图像数据进行判别分类；

所述显示单元，将定位、判别分类结果进行显示。

优选地，所述波段图像包括地物目标的波段、颜色、纹理信息，所述深度图像包括地物目标的空间信息。

优选地，所述深度学习包括：将波段图像和深度图像在网络的每一层分别进行卷积运算，计算经过卷积后的新波段图像和深度图像尺寸，获得卷积后的新波段图像和深度图像。

优选地，深度学习中网络层数为两层，将网络第一层处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，该特征向量包含融合后的波段和深度特征，在网络的第二层进一步提取深层特征，进行特征映射，得到最终的特征向量，再进行子抽样，发送给定位单元和判别分类单元。

优选地，所述判别分类单元对数据进行处理得到最终的判别分类结果。

优选地，所述显示单元，将定位、判别分类结果进行综合显示。

本发明还公开了一种基于深度学习的对地物目标的信息处理方法，该方法包括：数据处理步骤，数据学习步骤，定位步骤，判别分类步骤，显示步骤；

所述数据处理步骤，包括获取图像，对图像进行归一化和波段融合处理，获得波段图像和深度图像；

所述数据学习步骤，接收数据预处理单元处理后的图像数据，采用深度学习方法进行训练；

所述定位步骤，针对训练后的图像数据对目标物体进行定位；

所述判别分类步骤，针对训练后的图像数据进行判别分类；

所述显示步骤，将定位、判别分类结果进行显示。

优选地，所述波段图像包括地物目标的波段、颜色、纹理信息，所述深度图像包括地物目标的空间信息。

优选地，所述深度学习包括：将波段图像和深度图像在网络的每一层分别进行卷积运算，计算经过卷积后的新波段图像和深度图像尺寸，获得卷积后的新波段图像和深度图像。

优选地，深度学习中网络层数为两层，将网络第一层处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，该特征向量包含融合后的波段和深度特征，在网络的第二层进一步提取深层特征，进行特征映射，得到最终的特征向量，再进行子抽样，发送给定位单元和判别分类单元。

优选地，所述判别分类单元对数据进行处理得到最终的判别分类结果。

优选地，所述显示单元，将定位、判别分类结果进行综合显示。

附图说明

下面结合附图及实施方式对本发明作进一步详细的说明：

图1为基于深度学习的对地物目标的信息处理系统的示意图。

图2为基于深度学习的对地物目标的信息处理方法的流程图。

图3为基于深度学习的对地物目标的信息处理方法的实施例1。

图4为基于深度学习的对地物目标的信息处理方法的实施例2。

图5为基于深度学习的对地物目标的信息处理方法的实施例3。

图6为基于深度学习的对地物目标的信息处理方法的实施例4。

图7为基于深度学习的对地物目标的信息处理方法的实施例5。

具体实施方式

本发明公开了一种基于深度学习的对地物目标的信息处理系统，其特征在于，该系统包括：数据处理单元，数据学习单元，定位单元，判别分类单元，显示单元；

所述数据处理单元，包括获取图像，对图像进行归一化和波段融合处理，获得波段图像和深度图像；

所述数据学习单元，接收数据预处理单元处理后的图像数据，采用深度学习方法进行训练；

所述定位单元，针对训练后的图像数据对目标物体进行定位；

所述判别分类单元，针对训练后的图像数据进行判别分类；

所述显示单元，将定位、判别分类结果进行显示。

进一步地，所述波段图像包括地物目标的波段、颜色、纹理信息，所述深度图像包括地物目标的空间信息，

进一步地，所述波段融合处理为：

其中，为融合前像素值，a(k,i,j)为融合后像素值，(i,j)为图像像素位置，k表示波段号，μ(k,i,j)表示系数，λ(k,i,j)为位置(i,j)的空间细节信息。

进一步地，所述深度学习包括：将波段图像和深度图像在网络的每一层分别进行卷积运算，经过卷积后的新波段图像和深度图像尺寸为：

其中，(x,y)为新波段图像和深度图像像素位置，l为当前所在网络层数，为卷积后的在第l层的新波段图像和深度图像尺寸，为卷积后的在第l-1层的新波段图像和深度图像尺寸，为在第l层的卷积核大小，为在第l层的步长，为在第l层填充的像素，n为可调系数。

进一步地，所述网络层数为两层，将网络第一层处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，该特征向量包含融合后的波段和深度特征，在网络的第二层进一步提取深层特征，进行特征映射，得到最终的特征向量，再进行子抽样，发送给定位单元和判别分类单元。

进一步地，所述判别分类单元对数据进行处理得到最终的判别分类结果，所述显示单元，将定位、判别分类结果进行综合显示；所述判别分类单元包括计算由训练值的变化引起的输出变化的累加值来提高判别分类的效率：

其中，a(q)为第q个属性的训练和输出关联值，x(i,q)，x(j,q)表示第i，j个样本的第q个条件属性值，y(i)，y(j)表示第i，j个样本的决策属性值，sign为符号函数。

本发明还公开了一种基于深度学习的对地物目标的信息处理方法，该方法包括：数据处理步骤，数据学习步骤，定位步骤，判别分类步骤，显示步骤；

所述数据学习步骤，接收数据预处理单元处理后的图像数据，采用深度学习方法进行训练；

所述定位步骤，针对训练后的图像数据对目标物体进行定位；

所述判别分类步骤，针对训练后的图像数据进行判别分类；

所述显示步骤，将定位、判别分类结果进行显示。

进一步地，所述数据处理步骤，包括获取图像，对图像进行归一化和波段融合处理，获得波段图像和深度图像，所述波段图像包括地物目标的波段、颜色、纹理信息，所述深度图像包括地物目标的空间信息。

进一步地，所述波段融合处理为：

其中，为融合前像素值，a(k,i,j)为融合后像素值，(i,j)为图像像素位置，k表示波段号，μ(k,i,j)表示系数，λ(k,i,j)为位置(i,j)的空间细节信息。

进一步地，所述深度学习包括：将波段图像和深度图像在网络的每一层分别进行卷积运算，经过卷积后的新波段图像和深度图像尺寸为：

其中，(x,y)为新波段图像和深度图像像素位置，l为当前所在网络层数，为卷积后的在第l层的新波段图像和深度图像尺寸，为卷积后的在第l-1层的新波段图像和深度图像尺寸，为在第l层的卷积核大小，为在第l层的步长，为在第l层填充的像素，n为可调系数。

进一步地，所述网络层数为两层，将在网络第一层卷积处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，该特征向量包含融合后的波段和深度特征，在网络的第二层进一步提取深层特征，进行特征映射，得到最终的特征向量，再进行子抽样，发送给定位单元和判别分类单元。

进一步地，所述判别分类步骤是判别分类单元对数据进行处理得到最终的判别分类结果，所述显示步骤是显示单元将定位、判别分类结果进行综合显示；所述判别分类步骤包括计算由训练值的变化引起的输出变化的累加值来提高判别分类的效率：

其中，a(q)为第q个属性的训练和输出关联值，x(i,q)，x(j,q)表示第i，j个样本的第q个条件属性值，y(i)，y(j)表示第i，j个样本的决策属性值，sign为符号函数。

通过本发明基于深度学习的对地物目标的信息处理系统和方法，通过对波段融合处理得到波段图像，获取波段图像和深度图像，本发明提出的融合处理方法使得能够体现空间细节信息，能够从海量数据信息中获取有用信息，提高精度。本发明提出该系统和方法将波段图像和深度图像在网络的每一层分别进行卷积运算，计算尺寸，大大加快了处理速度；将卷积处理后得到的新波段图像和深度图像分别转换为对应的向量进行融合输入，能够提取差异性的有效特征，进行特征映射，得到三维矩阵的特征向量，进行子抽样，如此循环，再进行判别分类，从而从海量数据信息中获取了有用信息，大大加快了处理速度，能够提高了分类判别效率；并结合定位结果进行综合显示，增加了数据的多维性。

上述实施例阐明的内容应当理解为这些实施例仅用于更清楚地说明本发明，而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。