[发明专利]一种区域显著性引导的光学遥感图像飞机检测方法及装置

权利要求书

1.一种区域显著性引导的光学遥感图像飞机检测方法，其特征在于，所述方法包括以下步骤：

步骤S101：扫描原始图像，提取机场区域及检测飞机目标；

所述机场区域提取包括：对所述原始图像按多尺度因子进行切片，基于训练好的特征集成深度学习网络，对所述切片进行分类；根据分类结果预测所述原始图像中存在机场区域的切片，用高斯加权的方式生成所述原始图像中存在机场区域的显著图；对所述显著图进行处理，作为所述机场区域的提取结果；

所述飞机目标检测，包括：将原始图像输入骨干网络，依据几何先验知识修正样本标注框，提取特征并检测飞机目标；

步骤S102：将所述机场区域的显著图转化为机场区域的凸多边形；

步骤S103：基于所述机场区域的凸多边形，将所述原始图像划分为三个级别关注度的子区域，使用双阈值加权方法对检测出的飞机目标的置信度进行加权处理。

2.如权利要求1所述的区域显著性引导的光学遥感图像飞机检测方法，其特征在于，所述机场区域提取包括：对所述原始图像按多尺度因子进行切片，基于训练好的特征集成深度学习网络，对所述切片进行分类；根据分类结果预测所述原始图像中存在机场区域的切片，用高斯加权的方式生成所述原始图像中存在机场区域的显著图；对所述显著图进行处理，作为所述机场区域的提取结果，包括：

步骤S201：将所述原始图像S_A按照多尺度因子α₁,…,α_L-1,α_L有重叠地切分并下采样，得到尺寸相同的切片S₁,S₂,…,S_N；

步骤S202：将切片{S₁,S₂,…,S_N}∈S_A输入到特征集成深度学习网络中，所述特征集成深度学习网络对其是否属于机场区域进行预测，若属于则将该切片分类结果T_n置为1，否则T_n置为0；

步骤S203：根据分类结果T_n，对所述原始图像中存在机场的区域进行预测，用高斯加权的方式生成所述原始图像中存在机场区域的显著图；

步骤S204：对所述机场区域的显著图使用阈值分割法生成二值图，该二值图作为机场区域的提取结果。

3.如权利要求2所述的区域显著性引导的光学遥感图像飞机检测方法，其特征在于，所述特征集成深度学习网络训练过程中，损失函数L_joint为L_joint＝L_I+λ·L_C+μ·L_A (公式1)，其中

L_A＝-log A(S_n,R₁,R₂,…,R_K) (公式4)

其中，C为分类的置信度，I为特征金字塔网络给出的信息量得分，i为遍历候选局部区域的第一控制变量，j为遍历候选局部区域的第二控制变量，M为超参数，R_i为第i个候选局部区域，R_j为第j个候选局部区域，I(R_i)为第i个候选局部区域的信息量得分，I(R_j)为第j个候选局部区域的信息量得分；S_n为切片，M为特征金字塔网络筛选出的候选局部区域的个数，-log C(S_n)表示整个切片S_n的交叉熵损失，表示局部区域的交叉熵损失的总和；K为置信度最高的局部区域R_i的个数，函数A(·)代表网络的特征集成和分类预测模块；λ、μ均为常数。