[发明专利]一种基于深度显著性的遥感影像快速检索方法

说明书

一种基于深度显著性的遥感影像快速检索方法属于计算机视觉领域，具体涉及深度学习、显著性目标检测和图像检索等技术。本发明以遥感影像为研究对象，利用深度学习技术，研究了一种遥感影像的快速检索方法。首先采用全卷积神经网络构建多任务显著性目标检测模型，该模型同时进行显著性检测任务和语义分割任务，在网络预训练过程中学习遥感影像的深度显著性特征。然后改进深度网络结构，加入哈希层微调网络，学习得到遥感影像的二进制哈希码。最后综合利用显著性特征和哈希码进行相似性度量。本发明对于实现遥感影像准确、高效检索切实可行并具有重要应用价值。

技术领域

本发明以遥感影像为研究对象，利用人工智能领域的最新研究成果——深度学习技术，研究了一种遥感影像的快速检索方法。首先采用全卷积神经网络构建多任务显著性目标检测模型，计算遥感影像的深度显著性特征；然后改进深度网络结构，加入哈希层学习得到二进制哈希码；最后综合利用显著性特征和哈希码实现遥感影像准确、快速检索。本发明属于计算机视觉领域，具体涉及深度学习、显著性目标检测和图像检索等技术。

背景技术

遥感影像数据作为地理信息系统(Geographic Information System，GIS)、全球定位系统(Global Positioning System，GPS)、遥感测绘技术(remote sensing system，RS)三大空间信息技术中的基础数据，广泛应用于环境监测、资源调查、土地利用、城市规划、自然灾害分析和军事等各个领域。近年来，随着高分辨率遥感卫星、成像雷达以及无人机驾驶飞机(Unmanned Aerial Vehicle)技术的发展，遥感影像数据进一步呈现海量、复杂和高分辨率的特点，实现遥感影像高效、准确检索对于促进遥感影像信息的准确提取和数据共享具有重要的研究意义和应用价值。

图像检索技术由早期的基于文本的图像检索(Text-Based Image Retrieval，TBIR)逐渐发展为通过提取图像特征实现基于内容的图像检索(Content-Based ImageRetrieval，CBIR)。基于显著性目标的图像检索方法，能够快速地从复杂场景中选择少数几个显著的区域进行优先处理，从而有效降低数据处理复杂度，提高检索效率。相比普通图像检索，遥感影像包含的信息复杂多变，目标小且与背景区分不明显，如果仍采用传统的显著性检测方法将难以实现对遥感影像显著性特征的准确描述与分析。近年来，随着人工智能领域的最新研究成果——深度学习技术的提出，例如：以全卷积神经网络(FullyConvolutional Neural Network，FCNN)为代表的深度神经网络，凭借其独特的类似于人眼局部感受的卷积核以及类似于生物神经的层次级联结构，在图像深度显著性特征学习方面表现出优良的鲁棒性。其权值共享的特性也使得网络参数大大减少，同时降低了对训练数据过拟合的风险，比其他种类的深度网络更易于训练，可以提高显著性特征的表征准确度。

考虑到遥感影像数量日益增加，图像语义描述能力有限等问题，本发明以公开的大规模航拍图像数据集(AID)、武汉大学遥感影像数据集(WHU-RS)及谷歌地球遥感影像为数据来源，提出一种基于深度显著性的遥感影像快速检索方法。首先，构建基于全卷积神经网络(Fully Convolutional Neural Network，FCNN)的多任务显著性目标检测模型，在预训练数据集上学习遥感影像不同层次的语义信息作为深度显著性特征并转换为一维列向量。进一步微调神经网络模型，引入哈希层并增加训练样本，将该模型学习到的遥感影像高维显著性特征以二进制哈希码(Binary Hash Codes)的形式映射到低维空间，分别存储显著性特征向量和哈希码构建特征数据库。通过训练好的模型提取待查询的遥感图像显著性特征向量和哈希码，对比特征数据库，计算哈希码汉明距离(Hamming Distance)和显著性特征向量欧氏距离(Euclidean Distance)度量相似度，实现遥感影像快速检索。

发明内容