一种大型红外遥感图像舰船目标检测方法与流程

本发明属于红外舰船目标检测识别，具体涉及一种大型红外遥感图像舰船目标检测方法。

背景技术：

1、红外遥感图像舰船检测与可见光遥感图像舰船检测相比，具有不惧遮挡，不受光线影响，可全天候工作的优势；与sar图像舰船检测相比，红外遥感图像具有隐蔽性更好，成像稳定且不易受到岛屿和海浪等因素影响的优势。红外遥感影像可以在夜间和恶劣的天气条件下提供可靠的目标检测能力。相比可见光影像，在黑暗或低光照条件下，舰船目标的红外辐射能量较为显著，使得红外遥感影像能够在这些条件下捕捉到目标。舰船在海上通常试图隐藏自己，以避免被敌方发现。红外遥感影像可以探测到目标的热辐射，即使目标试图减小其可见性或在可见光影像中难以被发现，也能够通过其热特征进行检测和识别。

2、总的来说，红外遥感影像具有在夜间和恶劣天气条件下检测舰船目标的能力，能够提供目标隐蔽性和低可见性的识别能力，并且对目标的细节信息进行获取。在红外遥感图像舰船目标检测过程中，如何提升遥感图像的可视化效果和信息提取能力、如何调整模型参数，提高对目标的检测能力成为亟待解决的问题。

技术实现思路

1、针对背景技术中提出的问题，本发明提出了一种大型红外遥感图像舰船目标检测方法，其特征在于，其包括如下的步骤：

2、s1、红外影像预处理，将大型红外遥感图像进行直方图均衡化，然后进行自适应线性拉伸；

3、s2、将预处理后的红外遥感图像切割成具有一定重叠率且目标占切片大小合适的切片；

4、s3、将切片进行旋转框目标标注，将舰船目标的名称、舰船目标位切片中心点坐标、舰船目标的宽度和高度以及舰船旋转的角度信息记录在xml文件，制作成训练数据集和测试数据集；

5、s4、将多分支堆叠模块、transition_block和fpn特征金字塔应用于yolov7的模型网络结构，并改进yolo-head的输出增加了旋转角度theta，构建旋转框舰船目标检测rotate-yolov7模型并使用预留的测试数据集对训练好的rotate-yolov7模型进行评估；

6、s5、将待检测的整景红外遥感影像经预处理和影像切割，使用训练好的rotate-yolov7模型进行切割后切片的目标检测；

7、s6、通过切片中舰船目标的像素坐标反算舰船目标在大型遥感图像上的像素坐标，并将像素坐标转换为地理坐标保存到shp文件；

8、s7、将遥感影像和shp文件叠加在一起，展示大型红外遥感图像舰船目标检测结果。

9、进一步，步骤s1中，红外影像预处理时，使用但直方图均衡化和拉伸算法的组合，拉伸算法包括但不限于线性拉伸、高斯拉伸、对数拉伸和平方根拉伸。

10、进一步，步骤s2中，使用重叠滑窗将预处理后的大型红外影像划分为一定大小且具有一定重叠度的切片。

11、进一步，重叠滑窗切割后的切片直接进行训练数据集和测试数据集的标注，或经过数据扩容处理，数据扩容的方法包括有监督数据增强和无监督数据增强；其中有监督数据增强包括单样本数据增强和多样本数据增强，单样本数据增强比如几何变换：随机裁剪、随机旋转、随机缩放和平移以及翻转和变形；颜色变换：亮度、对比度、饱和度，随机对图像扰动，如加入噪声、模糊等处理；以及其他的方法如mixup和cutout等操作；无监督数据增强包括生成新的数据和学习增强策略。

12、进一步，步骤s 4中，根据yolov7模型网络结构构建rotate-yolov7模型时，在backbone主干特征提取网络中加入多分支堆叠模块，多分支堆叠造成更密集的残差结构，通过增加深度来提高准确率；并且，内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

13、其中，使用创新的过渡模块transition_block来进行下采样；一个过渡模块存在两个分支，左分支是一个步长为2x2的最大池化和一个1x1卷积，右分支是一个1x1卷积和一个卷积核大小为3x3、步长为2x2的卷积，两个分支的结果在输出时会进行堆叠。

14、进一步，利用以下三个有效特征层(feat1＝(80,80,512)，feat2＝(40,40,1024)，feat3＝(20,20,1024))进行fpn层的构建，构建方式为：

15、(1)feat3＝(20,20,1024)的特征层首先利用sppcspc进行特征提取，该结构可以提高yolov7的感受野，获得p5；

16、(2)对p5先进行1次1x1卷积调整通道，然后进行上采样umsampling2d后与feat2＝(40,40,1024)进行一次卷积后的特征层进行结合，然后使用multi_concat_block进行特征提取获得p4，此时获得的特征层为(40,40,256)；

17、(3)对p4先进行1次1x1卷积调整通道，然后进行上采样umsampling2d后与feat1＝(80,80,512)进行一次卷积后的特征层进行结合，然后使用multi_concat_block进行特征提取获得p3_out，此时获得的特征层为(80,80,128)；

18、(4)p3_out＝(80,80,128)的特征层进行一次transition_block卷积进行下采样，下采样后与p4堆叠，然后使用multi_concat_block进行特征提取p4_out，此时获得的特征层为(40,40,256)；

19、(5)p4_out＝(40,40,256)的特征层进行一次transition_block卷积进行下采样，下采样后与p5堆叠，然后使用multi_concat_block进行特征提取p5_out，此时获得的特征层为(20,20,512)。

20、进一步，将yolo-head的输出增加了对旋转角，接受边界框的特征表示作为输入，并输出旋转角度的估计值，对于每个边界框的旋转角度估计值，可以进行后处理以限制角度范围，根据物体类别、边界框位置和旋转角度，得到最终的检测结果。

21、进一步，大型红外遥感影像经过预处理和影像切割，经rotate-yolov7模型检测后，将目标位切片中的像素坐标反算到目标位大型遥感图像中的像素坐标，进而转换为经纬度坐标存储在shp图层中，将遥感影像和shp文件叠加在一起，展示大型红外遥感图像舰船目标检测结果，或将存储经纬度坐标的shp文件和遥感影像叠加在一起，展示大型红外遥感图像舰船目标检测结果。

22、本发明所达到的有益效果为：

23、第一、本发明使用直方图均衡化和拉伸算法或者两者其一的方法将不同量化位的遥感图像转换为8量化位图像，提升了遥感图像的可视化效果和信息提取能力。

24、第二、本发明在模型训练时，通过最小化损失函数来优化模型参数，使用预训练的权重初始化模型，每次迭代，网络根据损失函数计算得到的误差来调整模型参数，提高了模型对目标的检测能力提高了对目标的检测能力；

25、第三、本发明对于模型的评估，将预测的结果与真实标签进行对比，计算各种评价指标，检测率、平均准确率、虚警率以及舰船角度误差和舰船长度、宽度误差等，以评估模型的性能，提高了对目标的检测能力。