本发明属于图像处理技术领域，尤其涉及一种基于云计算存储的遥感图像目标自动检测与识别方法。
背景技术：
遥感图像目标识别是利用计算机从输入图像中将目标检测出来并判断目标类型的技术。遥感图像目标识别在灾害检测、目标搜寻、目标定位等方面有着广泛的应用。然而，由于遥感图像的复杂性及目标的语义不确定性，从遥感图像中利用计算机自动检测、识别目标依然面临着许多挑战。遥感图像目标识别的关键技术包括特征描述和特征匹配。由于传感器种类、拍摄条件差异以及目标特征的外观易变性(同一目标或同一类型目标在不同传感器图像或不同成像条件下外观差异很大)，目标与背景之间、不同类型目标之间的区分性很低，很容易造成目标的漏检和误检。也就是说，特征描述和特征匹配是遥感图像目标识别的关键瓶颈。同时，遥感图像识别处理效率很低。
多输入多输出(multipleinputmultipleoutput,mimo)作为下一代通信系统的关键技术，能够在不增加系统带宽资源的条件下显著改善无线通信系统的频谱效率和传输可靠性。相比于单节点系统,多节点更符合实际通信的需求，并且可以获得更高的系统速率，因此受到更多的关注。
综上所述，现有技术存在的问题是：现有遥感图像处理效率很低，检测识别误差大。现有的算法在调度过程中依次选择信道增益大的节点，可能导致与已选节点之间存在较强干扰的高增益节点被选择，而与其它节点相互干扰小但增益不够大的节点得不到调度，致使系统和速率降低，不能获得良好公平性和较好的系统和速率。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种基于云计算存储的遥感图像目标自动检测与识别方法。
本发明是这样实现的，一种基于云计算存储的遥感图像目标自动检测与识别方法包括以下步骤：
步骤一，训练图像数据采集和单核云计算平台多节点分配；所述多节点分配包括：
1)初始化已选节点集合为空集，候选节点集合为节点全集，随着调度过程的进行，已选节点集合和候选节点集合的元素不断更新，an和sn分别为在第n次迭代结束时候选和已选节点集合，n＝1,…,nt为迭代的次数，初始化n＝1；
2)图像数据采集和单核云计算平台对节点k反馈的信道信息矩阵hk进行奇异值分解
3)图像数据采集和单核云计算平台根据分解后的矩阵构造中间矩阵
4)图像数据采集和单核云计算平台构造相关矩阵r，r为l×l方阵，第i行第j列的元素为
5)从r中选择出与已经调度的n-1个节点对应的n-1列，构成矩阵
6)计算节点的相关因子
7)按照公式选择第n个节点；
8)若n＜nt，返回5)；否则调度完成，根据被调度的节点
在6)中综合考虑候选节点受到已选节点以及潜在的可能被调度的节点的影响根据式(1)计算节点的相关因子
得到列向量ψn＝[ψ1,n…ψl,n]η，其中，al表示潜在的、后续可能被选择的节点集合，card(·)表示集合中的元素的个数；
在7)中按照公式
sn表示被选择的节点的标号，
在8)中更新节点k的平均相关因子的公式为
其中，δc＝0.99；
在7)中权重的值由节点平均相关因子决定；
步骤二，训练图像目标信息数据存储归类；
步骤三，在训练图像集每幅训练图像的每个像素处分别提取外观特征，利用训练图像的外观特征和类型标注构造目标-背景有序语义对，并学习得到目标-背景语义模型；
步骤四，利用训练图像的外观特征和类型标注构造目标类型有序语义对，并学习得到目标类型语义模型；
步骤五，在测试图像中的每个像素处分别提取外观特征，利用测试图像的外观特征构造目标-背景有序语义对，并利用所述目标-背景语义模型提取所述测试图像中的目标区域；
步骤六，对测试图像目标区域的外观特征构造目标类型有序语义对，利用所述目标类型语义模型判定目标类型。
进一步，所述训练图像数据采集和单核云计算平台多节点分配后，还需进行检测和识别，包括：
通过信息数据采集卡进行检测和采集信息，
所述信息数据采集卡上设有多个搜索芯片对待测图像信息数据进行采集，所述多个搜索芯片对称设置在上述信息数据采集卡的正反面上，每面信息数据采集卡的多个搜索芯片都呈c形排列；数据授权管理器与上述信息数据采集卡双向通讯连接，
所述数据授权管理器依次包括多层衍射光变图像信息数据接收模块、多个响应模块、多个授权域；所述多层衍射光变图像信息数据接收模块通过多个不同的衍射轴对上述信息数据采集卡采集的待测图像信息数据进行像素多层衍射光变分割处理；
所述每个授权域包括一个图像信息数据对比检测识别模块、一个图像信息数据控制核心节点、偶数个控制图像信息数据中心节点和偶数个并行代理节点，所述多个授权域的图像信息数据控制核心节点之间对等连接，所述偶数个并行代理节点的数目是所述偶数个控制图像信息数据中心节点数目的奇数(3～7)倍；所述多层衍射光变图像信息数据接收模块、多个响应模块与多个授权域都一一对应且数目相同；
所述图像信息数据控制核心节点与每个所述偶数个控制图像信息数据中心节点单向通讯，每个所述偶数个控制图像信息数据中心节点与对应上述奇数(3～7)倍个所述偶数个并行代理节点的数目单向通讯；经过所述数据授权管理器的授权信息数据传送给单核云计算管理控制平台。
进一步，所述图像目标信息数据存储归类方法：
通过图像目标信息数据无线终端控制装置对目标图像信息数据进行实时采集存储归类；
所述图像目标信息数据无线终端控制装置包括两个无线通信接收终端、多个串联的图像目标信息归类设备、多个图像目标信息存储模块、目标图像目标信息提取装置；所述图像目标信息提取装置内置有多个判定装置和对应的同样个数的调整装置；通过所述两个无线通信接收终端分别提供k个物理对象和l个逻辑对象的源像素信息数据，所述两个无线通信接收终端经由信号分配控制器后，通过单向通讯与所述多个串联图像目标信息归类设备进行数据传输；
所述信号分配控制器，用以将所述k个物理对象和l个逻辑对象的源像素信息数据作业等量执行结果分配并执行给每个串联图像目标信息归类设备，所述多个串联图像目标信息归类设备对应多个图像目标信息存储模块，每个图像目标信息存储模块依次存储对应的每个串联图像目标信息归类设备剔除的图像目标信息，所述图像目标信息提取装置与所述多个图像目标信息存储模块双向通讯相连；
所述图像目标信息提取装置内置有记忆模块、请求模块、搜索模块、调取模块、分发模块。通过上述图像目标信息提取装置内的请求模块依次启动搜索模块、调取模块、记忆模块、分发模块；
通过上述分发模块，将分发的图像目标信息数据经由上述数据授权管理器的上述响应模块进行响应该请求模块后，由上述授权域中的图像信息数据对比检测识别模块对上述分发模块所分发的图像目标请求信息进行比对识别，对于相同图像信息的上述待测图像信息数据，由依次上述图像信息数据控制核心节点通过偶数个控制图像信息数据中心节点分配到对应的偶数个并行代理节点中，再传送至上述单核云计算管理控制平台，由上述单核云计算管理控制平台的多个对应的存储微单元进行存储备用。
进一步，训练图像的像素提取外观特征的方法包括以下步骤：
步骤一、基于非结构化数据源构建局部本体：
首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出owl格式的局部本体；
步骤二，基于结构化数据源构建局部本体：
首先，利用r2o技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为owl属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；
步骤三，基于半结构化数据源构建局部本体：
由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用xml2rd方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体。
进一步，所述目标-背景语义模型提取方法包括以下步骤：
采用训练神经网络识别技术，识别结果为类别概率序列(c1，p1)，(c2，p2)，……(cn,pn)，所述类别概率序列按照概率排序，具体为p1≥p2≥……≥pn；采用的神经网络有但不限于alexnet，googlenet，vgg，inception，resnet；
对于图像识别，取前m项识别结果(c1，p1)，(c2，p2)，……(cm,pm)(m≤n)，参与后续处理；
对于描述文字，通过名词识别技术识别出文字里的名词序列，对名词序列进行去掉重复的名词后得到的名词序列记为n1,n2,…nk；
词向量的训练与计算；
采用词向量近似度对图像识别结果进行过滤来提升识别准确性。
本发明的优点及积极效果为：本发明通过单核云计算管理控制平台大大提高了现有技术中图像对比识别处理方法的处理速度和处理能力，还能够改善移动终端的云计算能力。同时本发明极大地提高了遥感图像目标检测和识别的精度，可广泛应用于图像配准、目标识别、目标跟踪等系统中。
本发明提供的分配方法，通过图像数据采集和单核云计算平台根据获得的节点的信道矩阵h，进行奇异值分解，通过构造中间矩阵以及相关矩阵，估计每个节点受到的干扰，并为其赋予权值，以加权节点相关最大为准则来选择节点，合理的选择出一组相互之间干扰小的节点，并且获得良好的节点公平性，实现了系统和速率与节点公平性的兼顾。本发明的方法简单，操作方便，较好的解决了传统的公平调度算法在逐次添加节点的过程中不能准确计算节点可达速率，从而无法兼顾良好的公平性和较好的系统和速率的问题。
附图说明
图1是本发明实施提供的基于云计算存储的遥感图像目标自动检测与识别方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示，本发明提供一种基于云计算存储的遥感图像目标自动检测与识别方法包括以下步骤：
s101，训练图像数据采集和单核云计算平台多节点分配；
s102，训练图像目标信息数据存储归类；
s103，在训练图像集每幅训练图像的每个像素处分别提取外观特征，利用训练图像的外观特征和类型标注构造目标-背景有序语义对，并学习得到目标-背景语义模型；
s104，利用训练图像的外观特征和类型标注构造目标类型有序语义对，并学习得到目标类型语义模型；
s105，在测试图像中的每个像素处分别提取外观特征，利用测试图像的外观特征构造目标-背景有序语义对，并利用所述目标-背景语义模型提取所述测试图像中的目标区域；
s106，对测试图像目标区域的外观特征构造目标类型有序语义对，利用所述目标类型语义模型判定目标类型。
所述多节点分配包括：
1)初始化已选节点集合为空集，候选节点集合为节点全集，随着调度过程的进行，已选节点集合和候选节点集合的元素不断更新，an和sn分别为在第n次迭代结束时候选和已选节点集合，n＝1,…,nt为迭代的次数，初始化n＝1；
2)图像数据采集和单核云计算平台对节点k反馈的信道信息矩阵hk进行奇异值分解
3)图像数据采集和单核云计算平台根据分解后的矩阵构造中间矩阵
4)图像数据采集和单核云计算平台构造相关矩阵r，r为l×l方阵，第i行第j列的元素为
5)从r中选择出与已经调度的n-1个节点对应的n-1列，构成矩阵
6)计算节点的相关因子
7)按照公式选择第n个节点；
8)若n＜nt，返回5)；否则调度完成，根据被调度的节点
在6)中综合考虑候选节点受到已选节点以及潜在的可能被调度的节点的影响根据式(1)计算节点的相关因子
得到列向量ψn＝[ψ1,n…ψl,n]η，其中，al表示潜在的、后续可能被选择的节点集合，card(·)表示集合中的元素的个数；
在7)中按照公式
sn表示被选择的节点的标号，
在8)中更新节点k的平均相关因子的公式为
其中，δc＝0.99；
在7)中权重的值由节点平均相关因子决定；
所述训练图像数据采集和单核云计算平台多节点分配后，还需进行检测和识别，包括：
通过信息数据采集卡进行检测和采集信息，
所述信息数据采集卡上设有多个搜索芯片对待测图像信息数据进行采集，所述多个搜索芯片对称设置在上述信息数据采集卡的正反面上，每面信息数据采集卡的多个搜索芯片都呈c形排列；数据授权管理器与上述信息数据采集卡双向通讯连接，
所述数据授权管理器依次包括多层衍射光变图像信息数据接收模块、多个响应模块、多个授权域；所述多层衍射光变图像信息数据接收模块通过多个不同的衍射轴对上述信息数据采集卡采集的待测图像信息数据进行像素多层衍射光变分割处理；
所述每个授权域包括一个图像信息数据对比检测识别模块、一个图像信息数据控制核心节点、偶数个控制图像信息数据中心节点和偶数个并行代理节点，所述多个授权域的图像信息数据控制核心节点之间对等连接，所述偶数个并行代理节点的数目是所述偶数个控制图像信息数据中心节点数目的奇数(3～7)倍；所述多层衍射光变图像信息数据接收模块、多个响应模块与多个授权域都一一对应且数目相同；
所述图像信息数据控制核心节点与每个所述偶数个控制图像信息数据中心节点单向通讯，每个所述偶数个控制图像信息数据中心节点与对应上述奇数(3～7)倍个所述偶数个并行代理节点的数目单向通讯；经过所述数据授权管理器的授权信息数据传送给单核云计算管理控制平台。
本发明中s102提供图像目标信息数据存储归类方法：
通过图像目标信息数据无线终端控制装置对目标图像信息数据进行实时采集存储归类；
所述图像目标信息数据无线终端控制装置包括两个无线通信接收终端、多个串联的图像目标信息归类设备、多个图像目标信息存储模块、目标图像目标信息提取装置；所述图像目标信息提取装置内置有多个判定装置和对应的同样个数的调整装置；通过所述两个无线通信接收终端分别提供k个物理对象和l个逻辑对象的源像素信息数据，所述两个无线通信接收终端经由信号分配控制器后，通过单向通讯与所述多个串联图像目标信息归类设备进行数据传输；
所述信号分配控制器，用以将所述k个物理对象和l个逻辑对象的源像素信息数据作业等量执行结果分配并执行给每个串联图像目标信息归类设备，所述多个串联图像目标信息归类设备对应多个图像目标信息存储模块，每个图像目标信息存储模块依次存储对应的每个串联图像目标信息归类设备剔除的图像目标信息，所述图像目标信息提取装置与所述多个图像目标信息存储模块双向通讯相连；
所述图像目标信息提取装置内置有记忆模块、请求模块、搜索模块、调取模块、分发模块。通过上述图像目标信息提取装置内的请求模块依次启动搜索模块、调取模块、记忆模块、分发模块；
通过上述分发模块，将分发的图像目标信息数据经由上述数据授权管理器的上述响应模块进行响应该请求模块后，由上述授权域中的图像信息数据对比检测识别模块对上述分发模块所分发的图像目标请求信息进行比对识别，对于相同图像信息的上述待测图像信息数据，由依次上述图像信息数据控制核心节点通过偶数个控制图像信息数据中心节点分配到对应的偶数个并行代理节点中，再传送至上述单核云计算管理控制平台，由上述单核云计算管理控制平台的多个对应的存储微单元进行存储备用。
进一步，训练图像的像素提取外观特征的方法包括以下步骤：
基于非结构化数据源构建局部本体：
首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出owl格式的局部本体；
步骤二，基于结构化数据源构建局部本体：
首先，利用r2o技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为owl属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；
步骤三，基于半结构化数据源构建局部本体：
由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用xml2rd方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体。
所述目标-背景语义模型提取方法包括以下步骤：
采用训练神经网络识别技术，识别结果为类别概率序列(c1，p1)，(c2，p2)，……(cn,pn)，所述类别概率序列按照概率排序，具体为p1≥p2≥……≥pn；采用的神经网络有但不限于alexnet，googlenet，vgg，inception，resnet；
对于图像识别，取前m项识别结果(c1，p1)，(c2，p2)，……(cm,pm)(m≤n)，参与后续处理；
对于描述文字，通过名词识别技术识别出文字里的名词序列，对名词序列进行去掉重复的名词后得到的名词序列记为n1,n2,…nk；
词向量的训练与计算；
采用词向量近似度对图像识别结果进行过滤来提升识别准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。