[发明专利]基于难样本挖掘的机场检测方法

说明书

本发明提供了一种基于难样本挖掘的机场检测方法，所述方法包括以下步骤：将光学遥感图像与对应标注真值作为光学遥感图像的训练数据；候选区域提取网络的训练；区域分类网络的训练；候选区域提取与区域分类网络的耦合训练；基于难样本挖掘的端到端深度卷积网络的微调；端到端深度卷积神经网络的机场检测。将深度卷积神经网络引入到遥感图像机场检测，不仅利用卷积网络提取遥感图像中目标的高层语义特征信息，通过高层语义特征筛选机场候选区域，同时还对候选区域是否为机场进行二次确认，提升遥感图像中机场检测的查全率与准确率。

技术领域

本发明涉及数字图像处理技术领域，更具体的说是涉及一种基于难样本挖掘的机场检测方法。

背景技术

近年来，随着遥感成像技术的提升，遥感数据量成爆炸式增长。针对海量的遥感数据，利用机器自动挖掘大数据中包含的关键信息，有利于将人们从繁琐重复性地判别任务中解放出来，其中针对机场检测问题，由于其在军民两方面都具有较强的应用性而受到了广泛关注。

由于遥感图像中旋转角度、尺度、光照等因素的影响，使得机场检测仍然是一个相当具有挑战性的问题。目前大多数机场检测方法都是先在全幅面的遥感图像中提取机场候选区域，然后针对候选区域提取机场特有的几何、纹理等底层特征用于确认该候选区域是否为机场。同时为了提升大幅面遥感图像中机场检测的速度与效率，部分方法将视觉中显著性检测的方法引入到机场检测中，假定机场区域在遥感图像中具有较高的显著性，从而加速机场候选区域的定位过程。

然而，当前大多数机场检测方法都是基于底层特征(如尺度不变的特征描述子SIFT等)或是基于人为设计机场特有的几何特征来进行检测，由于手动设计的特征泛化能力较差，难以满足多尺度条件下的机场检测的应用需求。

因此，如何提供一种基于难样本挖掘的机场检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于难样本挖掘的机场检测方法，本发明将深度卷积神经网络引入到遥感图像机场检测，不仅利用卷积网络提取遥感图像中目标的高层语义特征信息，通过高层语义特征筛选机场候选区域，同时还对候选区域是否为机场进行二次确认，提升遥感图像中机场检测的查全率与准确率。

为了达到上述目的，本发明采用如下技术方案：

一种基于难样本挖掘的机场检测方法，所述方法包括以下步骤：

将光学遥感图像与对应标注真值作为所述光学遥感图像的训练数据；

候选区域提取网络的训练；

区域分类网络的训练；

候选区域提取与区域分类网络的耦合训练；

基于难样本挖掘的端到端深度卷积网络的微调；

端到端深度卷积神经网络的机场检测。

优选的，在上述基于难样本挖掘的机场检测方法中，所述将光学遥感图像与对应标注真值作为所述光学遥感图像的训练数据的步骤具体包括：

对全幅面光学遥感图像进行图像标注，获取全幅面光学遥感图像中标注真值；

在标注的全幅面光学遥感图中以250个像素为步长，滑动提取固定窗口大小的图像数据，垂直、水平方向滑动次数分别记为row与col；根据全幅面光学遥感图像标注真值，记录滑动窗口截取到的机场区域图像数据的真值框坐标；

滑动窗口中真值框坐标与所述全幅面光学遥感图像中标注真值的关系表达式为：