一种超大幅面遥感影像异常区域检测方法与流程

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。

技术特征：

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：

技术总结
本发明提供了一种超大幅面遥感影像异常区域检测方法，涉及图像检测技术领域；该方法包括以下步骤：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；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；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；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；本发明的有益效果是：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。

技术研发人员：李苏发,李锟,王志刚,廖剑,张红,魏霞
受保护的技术使用者：江西啄木蜂科技有限公司
技术研发日：
技术公布日：2024/1/15