基于迁移学习的遥感图像舰船分割方法及系统与流程

本发明涉及图像处理技术领域，具体地，涉及基于迁移学习的遥感图像舰船分割方法及系统。

背景技术：

众所周知，对于遥感卫星监视来说，其具有成像范围大，数据信息量大等优点，其被广泛应用于运动目标的跟踪、监视等领域，尤其在军事领域，更是显得非常重要。在军事领域中，其关注的重点往往是具有运动属性的目标，比如海上航行的舰艇船舶等，同时通过遥感卫星监视可以了解相关国家在某一地区的军事部署和目标动向。通过对于监视目标舰艇可以实时获取其移动位置，从而可以了解敌方舰艇的动态，为我方制定详细的战略部署提供了可靠依据。此外，在民用领域，通过对民用船只进行位置获取，可以很好的对其进行管理，为海上的救援也提供了一定的基础，故不论是军用还是民用，其都具有一定的价值。但是要想获取船只的位置，首先需要从图像中，检测出船只。

随着计算机视觉技术的崛起，越来越多的技术被应用在实际的图像处理领域。同样，其也被广泛应用于遥感图像处理方法，故其可解决从原始图像中，检测出相关船只。近些年来说，随着深度学习的崛起，以及深度学习技术所带来的高精度结果，故其也越来越广泛于各种图像处理领域。但是对于深度学习技术来说，其往往需要大量数据集的支持，而对于某些方面来说，与该方面相关的数据集往往很难大量获取(比如医学图像数据集以及军事图像数据集)。

而现有技术的缺点在于：

(1)对于现有的技术来说，大多数采用cfar方法，其检测的准确率较低；

(2)需要人工提取舰船特征，从而完成分割等操作，增加了用户的操作；

(3)由于特征是人工选择，对于不同的图像，其存在一定的差异性，特征选取也可能不能很好满足鲁棒性。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种基于迁移学习的遥感图像舰船分割方法及系统。

根据本发明提供的一种基于迁移学习的遥感图像舰船分割方法，包括：

迁移学习模型构建步骤：迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型；

数据集构建步骤：对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集；

训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测分割步骤：将待分割图像输入训练好的所述迁移学习模型中进行预测分割。

较佳的，所述分割模型包括u-net模型。

较佳的，所述归一化处理包括图像尺寸归一化，将遥感舰船图像的尺寸归一化为统一的尺寸；

所述标注处理包括对遥感舰船图像进行逐像素标注，划分每一个像素是属于舰船部分或不属于舰船部分。

较佳的，所述反向传播法包括：

步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；

步骤2：对输入数据执行前向传输得到预测值；

步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；

步骤4：返回步骤2，直至误差收敛。

较佳的，所述待分割图像经过与所述遥感舰船图像相同的灰度化和归一化处理。

根据本发明提供的一种基于迁移学习的遥感图像舰船分割系统，包括：

迁移学习模型构建模块：迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型；

数据集构建模块：对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集；

训练模块：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测分割模块：将待分割图像输入训练好的所述迁移学习模型中进行预测分割。

较佳的，所述分割模型包括u-net模型。

较佳的，所述归一化处理包括图像尺寸归一化，将遥感舰船图像的尺寸归一化为统一的尺寸；

所述标注处理包括对遥感舰船图像进行逐像素标注，划分每一个像素是属于舰船部分或不属于舰船部分。

较佳的，所述反向传播法包括：

步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；

步骤2：对输入数据执行前向传输得到预测值；

步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；

步骤4：返回步骤2，直至误差收敛。

较佳的，所述待分割图像经过与所述遥感舰船图像相同的灰度化和归一化处理。

与现有技术相比，本发明具有如下的有益效果：

1、采用迁移学习技术，不需要人工提取特征，其可以自主提取特征，降低了人工的工作量；

2、采用迁移学习技术，应用效果不错的公开分割模型，然后将遥感图像应用到公开分割模型中，从而进行微调参数，解决了因遥感数据集量小，造成模型结果不佳的问题；

3、采用迁移公开效果不错的分割模型，解决了因自己设计模型，而导致结果不佳问题。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的整体流程图；

图2为本发明数据集构建步骤的流程图；

图3为单个神经元结构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

对于迁移学习来说，其可以将从某一个场景所学到的知识应用到一个新的场景中。简单来说，我们可以获取分割效果不错的深度学习模型，然后将其应用到遥感图像数据集中，从而不需要从而训练深度学习的模型，也能达到一个很不错的分割效果。

如图1所示，本发明提供的一种基于迁移学习的遥感图像舰船分割方法，包括：

迁移学习模型构建步骤：

迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型。

众所周知，图像都是由边缘和像素点构成的，所以对于不同类型的图像来说，虽然图像的内容不一样，但是其都存在着一定的相似性，基于此，这也为迁移学习提供了理论基础。对于目前的公开数据集来说，一些比较流行的模型已经在这些公开的数据集上取得了很好的结果。比如u-net模型，其已经在医学图像领域的分割上取得了非常好的结果，在汽车分割方面，取得了冠军的好成绩。

基于此，在本实施例中，将预训练好的u-net模型迁移到遥感舰船图像分割中，通过输入遥感舰船图像到u-net网络中，进行微调网络参数，从而达到更加准确的遥感舰船图像分割目的。

数据集构建步骤：

对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集。

灰度化：对于数据来说，其可能不是单通道的数据。对于非单通道的数据来说，我们将对其进行灰度化操作，降低输入数据的信息量，降低运算的复杂度，提高了时间效率，并且对于原始数据来说，灰度化后的数据保留了原始数据的大量有效信息，因此，对于最终的结果也不会造成太大的影响。因此，我们对于原始数据集(遥感舰船数据)中的每一张图片进行灰度化操作，得到的结果记为其中m为数据集中总的图片个数，i表示数据集中图片的索引标号，1≤i≤m。

归一化：归一化顾名思义就是采用一些特定的算法，使得原始数据满足在一定的范围中，其好处在于，在对于深度学习网络中，可以很好地提高拟合的速度，同时在一定的程度上可以使得模型的输出结果更加的准确，达到了又快又好显示我们结果的目的。在本实施例中，对于灰度化后的数据集中的每一张图片进行尺寸大小归一化操作，即对于每一张将其尺寸大小归一化为512×512的像素大小，并记为

标注：对于分割任务来说，需要对原始的数据集进行标注，具体是对于原始数据集中每一张图片，进行逐像素标注，划分每一个像素是属于舰船还是不属于舰船部分，其具体执行的操作如下：

(1)对于当前数据集中每一张舰船灰度图片进行逐像素标注，标注后的图片记为的尺寸大小同样为512×512；

(2)对于中每一个像素点进行分析，如果位于坐标点(x,y)处的像素属于舰船部分，则处的像素值记为1，否则记为0，其中0≤x＜512，0≤y＜512；

(3)对数据集中每一张图像执行步骤(1)-(2)操作，最终完成数据的标注操作。

训练步骤：

根据反向传播法(bp算法，即backpropagationalgorithm算法)，用所述数据集训练迁移学习模型。

由于基于迁移学习方法，通过基于预训练好的u-net网络，然后将数据输入到网络中，从而进行微调网络的参数，最终也能达到不错的结果。

当我们把遥感数据输入到预训练网络中，网络也会输出其分割的结果，将网络输出的结果和我们标注的数据集进行对比。即假设输入网络的是网络的输出结果是故将和通过反向传播算法(bp)，进行微调参数，最终达到训练的目的。反向传播具体如下：

简单小神经网络的结构可如图3所示，其中每一个圆圈代表着一个神经元，w1和w2代表神经元之间的权重，b表示偏置，g(z)为激活函数，从而使得输出变得非线性，a表示输出，x1和x2表示输入，则针对当前结构，输出的可表示为公式(1)。由公式(1)可得，在输入数据和激活函数不变的情况下，神经网络的输出的值a是与权重和偏置有关的。通过调节不同的权重和偏置，神经网络的输出也会有不同的结果。

a＝g(x1*w1+x2*w2+1*b)(1)

已知神经网络输出的值(预测值)为a，假设其对应的真实值为a'。

对于图3，其反向传播算法执行如下：

i、在反向传播算法算法中，其会先随机初始化每条连接线权重(w1和w2)和偏置b；

ii、对于输入数据x1，x2，bp算法都会先执行前向传输得到预测值a；

iii、然后根据真实值a'与预测值a之间的误差逆向反馈更新神经网络中每条连接线的权重和每层的偏置。

权重和偏置的更新方法如公式(2)-(4)所示，即对e分别求w1，w2，b的偏导。其中η表示的是学习率，在此公式中，其是一个设置好的参数。

iiii、不断重复步骤ii-iii，直到网络收敛，即e的值最小或者基本保持不变。此刻，表示网络已经训练完毕。

预测分割步骤：

将待分割图像输入训练好的所述迁移学习模型中进行预测分割。

在训练步骤结束之后，保存其最终模型，便可以利用该保存的模型，做遥感舰船图像中舰船的分割操作，从而提取出舰船区域，具体执行如下：

(1)对于当前待预测分割图像进行一系列的预处理操作，其中包括：待预测分割图像的灰度化以及尺寸大小的归一化操作。在尺寸大小的归一化操作中，其具体执行为将灰度化后的图像归一化到512×512的像素大小。

(2)将预处理后的待预测分割图像输入到保存的模型中，则模型的输出结果便是分割好的图像，从而可以把舰船区域从原始的待预测分割图像中分割出来，最终完成了遥感舰船图像的预测分割操作。

在上述一种基于迁移学习的遥感图像舰船分割方法的基础上，本发明还提供一种一种基于迁移学习的遥感图像舰船分割方法系统，包括：

迁移学习模型构建模块：迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型；

数据集构建模块：对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集；

训练模块：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测分割模块：将待分割图像输入训练好的所述迁移学习模型中进行预测分割。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。