本发明涉及图像检测,更具体的说,本发明涉及一种超大幅面遥感影像异常区域检测方法。
背景技术:
1、遥感是通过卫星上的传感器对地球进行特定电磁波谱段的成像,是以航空摄影技术为基础发展起来的一门技术。通过遥感探测,能够在短时间内,对地球上大范围的地区进行多层次、多视角的观测,是获取环境信息和地球资源的重要手段。
2、实景三维中超大幅面地形级遥感影像的异常区域尺度变化大,使用目标检测方法识别整个异常区域难度较大。另外,当异常区域形状不规则,且尺度过大时,目标检测获得的外接矩形框中除了涵盖异常区域,还涵盖大面积非异常区域;因此需要对超大幅面遥感影像异常区域进行精细化的检测。
技术实现思路
1、为了克服现有技术的不足,本发明提供一种超大幅面遥感影像异常区域检测方法。
2、本发明解决其技术问题所采用的技术方案是:一种超大幅面遥感影像异常区域检测方法,其改进之处在于,该方法包括以下步骤:
3、s10、卷积神经网络的训练,将超大幅面遥感影像进行分割,对卷积神经网络进行训练,在训练过程中使用分割的窗口作为训练数据,并对每个窗口进行分类;
4、s20、超大幅面遥感影像异常区域的检测,对超大幅面遥感影像进行分割后,使用训练后的卷积神经网络对每个分割的窗口进行异常分类,实现基于高层语义特征的异常区域的检测;
5、选择异常区域的核心,使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取,以异常区域的核心为起点,基于相似度扩张计算异常区域;
6、s30、对基于高层特征、浅层特征和中层特征的多次异常区域结果进行投票融合,获得遥感影像的异常区域。
7、进一步的,步骤s10中,包括以下步骤:
8、s101、训练数据的采集和标注,进行超大幅面遥感影像的采集,并对分割的窗口进行标注,在标注中,将异常区域占窗口面积超过门限的作为异常窗口样本,其他窗口作为正常窗口样本;
9、s102、模型训练,使用大规模标注的分割窗口作为训练数据,对神经网络resnet-18进行训练后,获得二分类器,该二分类器用于将分割窗口分类为异常窗口或非异常窗口;
10、s103、异常区域相似度门限计算,在基于相似度扩张中,通过神经网络resnet-18的浅层特征conv2_x和中层特征conv5_x进行异常区域的相似性计算。
11、进一步的,步骤s101中,所述门限t1=0.5。
12、进一步的,步骤s103中,通过浅层特征conv2_x进行异常区域的相似度计算,包括以下步骤:
13、s1031、使用训练好的resnet-18,提取训练集每个窗口样本的特征向量;
14、s1032、计算每一对异常窗口之间的特征欧式距离,并计算每一对异常窗口和正常窗口之间的特征欧式距离;
15、s1033、使用直方图对所获得的特征欧式距离进行统计,获得门限threshold_1,当需要判断的窗口与异常区域的核心的特征欧式距离小于门限threshold_1,则认为异常区域的核心将需要判断的窗口判为异常窗口。
16、进一步的,所述特征向量的大小为64*56*56维。
17、进一步的,步骤s20中,对超大幅面遥感影像进行分割包括:
18、将超大幅面遥感影像分割为个窗口,形成窗口矩阵matrix,矩阵大小则为m×n。
19、进一步的,步骤s20中,使用训练后的卷积神经网络对每个分割的窗口进行异常分类,实现基于高层语义特征的异常区域的检测,包括:
20、使用训练好的卷积神经网络对个窗口进行分类,获得每个窗口的分类结果d和分类得分s;该分类结果d采用卷积神经网络的最后一层全连接层fc6的输出作为结果,使用的是resnet-18的高层语义特征。
21、进一步的,步骤s20中,选择异常区域的核心,包括:
22、选择异常区域的分类得分s超过门限t2的分割窗口作为异常区域的核心;同时若一个窗口p的邻接窗口np中,超过一半以上的窗口为异常窗口,则该窗口同样视为异常窗口核心;
23、构建基于异常区域的核心的集合c。
24、进一步的,步骤s20中,使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取,以异常区域的核心为起点,基于相似度扩张计算异常区域,包括以下步骤:
25、s100、轮流在集合c中选取一个异常核心c,为异常核心c创建一个队列q,将该异常核心c加入队列q的最前端;此后从队列q中不放回地取出异常核心c;
26、s200、异常核心c的所有邻域窗口中,如果邻域窗口a不为异常核心,且邻域窗口a的conv2_x特征和异常核心c的conv2_x特征的欧式距离小于门限threshold_1,则说明异常核心c将邻域窗口a判为异常窗口,将邻域窗口a加入队列q,以不断进行异常扩张;
27、s300、不断地从队列q中不放回地取出第一个窗口,采取与异常核心c相同的操作,对其每一个邻域窗口进行conv2_x特征相似度计算,将判为异常的邻域窗口不断加入队列q;在对队列q的不放回取出中,直到队列q为空,则完成了异常核心c的异常区域扩张;
28、s400、在完成集合c中所有异常核心的异常区域扩张后,需要为每个非异常核心的窗口进行判断。
29、进一步的,所述步骤s400包括以下步骤:
30、s4001、如一个窗口a受到n个异常核心c1、c2、c3……、cn的影响,这n个异常核心的得分为s1、s2、s3……sn,得分权重的计算如下:
31、;
32、s4002、距离权重计算中,首先计算窗口a和各异常核心在窗口矩阵matrix中的曼哈顿距离,作为在图像中的距离:
33、;
34、其中,index_x(•)和index_y(•)表示窗口矩阵matrix的行索引和列索引;ci表示第i个异常核心;
35、s4003、计算权重距离:
36、;
37、窗口a和各异常核心的距离计算采用浅层特征conv2_x的欧式距离:
38、;
39、其中,feat2表示提取窗口的conv2_x特征,dist(•)表示欧式距离计算;
40、s4004、窗口a受到n个异常核心的综合距离为:
41、;
42、当综合距离distance小于门限threshold_1时,窗口a被特征conv2_x判断为异常窗口。
43、本发明的有益效果是:本发明提供的一种超大幅面遥感影像异常区域检测方法,该方法实现了实景三维图像中,形状不规则异常区域的精细化检测;充分使用了神经网络的高层语义特征、中层特征和底层特征,使得异常区域的检测更加准确。
1.一种超大幅面遥感影像异常区域检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s10中,包括以下步骤:
3.根据权利要求2所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s101中,所述门限t1=0.5。
4.根据权利要求2所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s103中,通过浅层特征conv2_x进行异常区域的相似度计算,包括以下步骤:
5.根据权利要求4所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,所述特征向量的大小为64*56*56维。
6.根据权利要求4所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s20中,对超大幅面遥感影像进行分割包括:
7.根据权利要求6所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s20中,使用训练后的卷积神经网络对每个分割的窗口进行异常分类,实现基于高层语义特征的异常区域的检测,包括:
8.根据权利要求7所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s20中,选择异常区域的核心,包括:
9.根据权利要求8所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,步骤s20中,使用卷积神经网络对分割的窗口进行浅层特征和中层特征的提取,以异常区域的核心为起点,基于相似度扩张计算异常区域,包括以下步骤:
10.根据权利要求9所述的一种超大幅面遥感影像异常区域检测方法,其特征在于,所述步骤s400包括以下步骤: