[发明专利]一种遥感图像处理模型构建系统和方法

说明书

本发明公开了一种遥感图像处理模型构建系统和方法，该方法包括：A、基于平均池化将所述浅卷积层的语义特征、深卷积层的语义特征归一处理；B、通过特征通道扩增的方式结合所述浅卷积层、深卷积层；C、设置用于生成目标的检测窗口的RPN单元。该系统用于执行方法。本发明通过整合多层的卷积网络的语义特征能够提取足够的抽象特征，同时降低图像的边缘信息的损失，提供遥感图像处理的精度。

技术领域

本发明涉及遥感图像技术领域，尤其涉及一种遥感图像处理模型构建系统和方法。

背景技术

现阶段针对遥感图像的目标检测已经取得了很多成果，虽然，目前的检测手段已将深度学习技术应用在其中，但是目前的深度学习检测框架检测遥感图像中的目标时，效果并不好，尤其当需要检测的目标较小以及较为密集时，会产生大量的目标漏检和误检现象，这些限制了遥感图像目标检测的实际应用。

由于遥感图像是采用卫星拍摄的图像，具有信息量大、目标较多、拍摄高度较高导致的遥感图像中目标较小等特点，这些特点增加了遥感图像目标检测的难度，这也导致目前的检测方法在遥感图像目标检测的实际应用中的效果较差。

因此，为了提高遥感图像目标检测的准确性，学术界和相关企业都做了大量的研究和技术开发，但大部分工作在于对现有传统方法进行改进,以提高遥感图像目标检测的准确率。虽然取得了一定的进步,但收效甚微。

发明内容

为了解决上述问题，本发明提供一种遥感图像处理模型构建系统和方法。

本发明采用的技术方案一方面为一种遥感图像处理模型构建系统，包括：卷积网络模块，包括浅卷积层和深卷积层；预处理模块，用于基于平均池化将所述浅卷积层的语义特征、深卷积层的语义特征归一化处理；处理模块，用于通过特征通道扩增的方式结合所述浅卷积层、深卷积层；RPN单元，用于生成目标的检测窗口。

优选地，所述卷积网络模块基于公式处理输入x和输出y，其中，β为控制上层输入的系数，为基于神经网络卷积的输出值，W为卷积层的权值。

优选地，还包括修正模块，

用于设置修正激活函数其中，x_i为待修正值，η为修正激活函数的负梯度系数。

优选地，所述RPN单元用于执行步骤：获取遥感图像的训练数据集内的目标特征，采用K-means聚类算法将目标特征聚类到k个类，求出每个类的中心值,根据获取的信息特征和K聚类的中心值构造相应的检测窗口长宽比。

优选地，所述RPN单元还用于执行步骤：对训练数据集的目标面积进行建模，根据面积数据的分布情况，将其分布离散化为若干个箱,计算每个箱的中心值，根据每个箱与其中心值增加检测窗口的尺寸。

优选地，还包括校正模块，用于计算检测窗口位置的中心与训练数据的中心的欧氏距离，基于所述欧氏距离进行检测窗口的偏移修正，对修正后的检测窗口进行卷积、采样以更新检测窗口的检测特征，基于softmax函数以进行检测特征的精确分类。

本发明采用的技术方案一方面为一种遥感图像处理模型构建方法，包括步骤：A、基于平均池化将所述浅卷积层的语义特征、深卷积层的语义特征归一化处理；B、通过特征通道扩增的方式结合所述浅卷积层、深卷积层；C、设置用于生成目标的检测窗口的RPN单元。

优选地，所述卷积网络模块基于公式处理输入x和输出y，其中，β为控制上层输入的系数，为基于神经网络卷积的输出值，W为卷积层的权值。

优选地，步骤B、C之间还包括步骤D：

设置修正激活函数其中，x_i为待修正值，η为修正激活函数的负梯度系数。