[发明专利]一种基于云计算存储和深度学习的遥感图像目标检测方法

权利要求书

1.一种基于云计算存储和深度学习的遥感图像目标检测方法，其特征在于，所述基于云计算存储和深度学习的遥感图像目标检测方法包括以下步骤：

步骤一，读取遥感图像，并进行伪彩色合成；对合成后的图像进行归一化；

步骤二，通过云计算批处理存储采集的遥感图像，将遥感图像存储到HDFS中，利用历史数据对归一化后的图像构建训练数据集，利用MapReduce训练卷积神经网络，得到最优的卷积神经网络参数，进行深度学习的训练；

所述深度学习的方法包括：

1)设目标与决策层中有决策指标p₁,p₂,…,p_m，目标与决策层下的网络架构层有C₁,C₂,…,C_N个指标集，其中C_i中有元素

2)以目标与决策层决策指标p_s为准则，其中，s＝1,2,…,m，以C_j中元素e_jk(k＝1,2,…,n_j)为次准则，将指标集C_i中指标按其对e_jk的影响力大小进行间接优势度比较，即在准则p_s下构造判断矩阵：

并由特征根法得权重向量

3)对于k＝1,2..,n_i重复上述步骤，得到式(1)所示矩阵W_ij；

其中，W_ij的列向量为C_i中的元素对C_j中元素的影响程度排序向量；若C_j中元素不受C_i中元素影响，则W_ij＝0；

4)对于i＝1,2,...,N；j＝1,2,...,N重复2)，获得决策准则p_s下的超矩阵W:

5)在所述超矩阵W中，元素W_ij反映元素i对元素j的一步优势度；还计算W²，其元素w_ij²表示元素i对元素j的二步优势度，W²仍然列为归一化矩阵，以此类推，计算W³，W⁴，…，当W^∞存在时，W^∞的第j列就是准则p_s下网络架构层中各元素对于j的极限相对权重向量，则

其中每一行的数值，即为相应元素的局部权重向量；当某一行全部为0时，则相应的局部权重为1；将局部权重按元素顺序排列即得到局部权重向量；

步骤三，将实时遥感图像解码为帧图像之后将其作为Storm的输入源，将每一帧图像传入Storm中进行处理；具体包括：

一)、将输入的图像变换成灰度图像；通过下面的表达式进行灰度变换；

Y＝-0.299R+0.587G+0.114B(5)；

Y：像素值，R：红色成分，G：绿色成分，B：蓝色成分。

二)、对灰度图像进行图像平滑处理，接着进行梯度计算；梯度计算用于计算在特定的像素和相邻像素之间的亮度值的程度差；

三)、将图像的像素根据亮度值分成若干个图层，每一图层中的图像的边界由闭合曲线构成；

四)对于亮度最低的图层以及亮度最大的图层，先进行直方图均衡化处理，再去除噪点；

五)对于其它的图层，先去除噪点，再进行直方图均衡化处理；

六)、将处理过后的若干个所述图层合并为一幅增强图像；

所述梯度计算中的具体计算方法：平滑化的剪裁图像的特定像素的亮度值表示为f(a，b)时，使用下面所示的表达式(6)计算所有像素的梯度矢量；其中，特定像素的坐标为(a，b)；

梯度矢量表示在特定像素和相邻像素之间亮度值的程度差的物理量；基于公式(7)中所示的梯度矢量的x成分的值和公式(8)中所示的梯度矢量的y成分的值，通过公式(9)中所示的表达式计算梯度矢量的方向θ；

通过图像数据的离散化计算标准图像处理中的梯度计算，并且使用公式(10)和公式(11)中所示的表达式中的微分计算相邻像素之间的梯度；

三)中，将图像的像素根据亮度值分成若干个图层，每一图层中的图像的边界都是由闭合曲线构成具体包括：假设图像I的每个像素的亮度值i＝I(x,y)，将图像I以一组阈值i1,i2,i3分为I0图层、I1图层、I2图层和I3图层；

对于所述I0图层，其中每个像素的亮度值i满足：0≤i＜i1；

对于所述I1图层，其中每个像素的亮度值i满足：i1≤i＜i2；

对于所述I2图层，其中每个像素的亮度值i满足：i2≤i＜i3；

对于所述I3图层，其中每个像素的亮度值i满足：i3≤i≤255；

显然I＝I0+I1+I2+I3相当于4层胶片叠加，每一层图像的边界都是由闭合曲线构成；对于每一层图像单独做噪声去除，其过程显然是非线性的；或将图像分为三层或者五层等其它层数，最大亮度值为其它数值或为2的10次方；

在六)中，将处理过后的若干个所述图层合并为一幅增强图像具体包括：把所述的I0图层、I1图层、I2图层、I3图层按照公式I＝I0×j0+I1×j1+I2×j2+I3×j3合并为一幅增强图像，j0、j1、j2、j3为非线性系数或线性系数；其中，j＝a×s+b，s＝crγ，a、b为系数且当j为j0、j1、j2、j3时各不相同，s为指数校准函数，c、r和γ都为正常数；在s＝crγ中，当c取1，γ取不同值Γ时，得到一簇变换曲线，c＝1时，不同γ值的变换曲线；

当γ＜1时，幂次变换将窄带输入暗值映射到宽带输出值，将宽带输入亮值映射到窄带输出值；

当γ＞1时，幂次变换将宽带输入暗值映射到窄带输出值，将窄带输入亮值映射到宽带输出值；

当γ＝1时，为正比线性变换；

对于夜晚有灯光不均匀照明的图片，阴暗部分有大量细节，明亮部分易过曝；采用分四层，对于阴暗部分层的γ值小于1，用于提高暗处视觉效果；同时，对于明亮部分层，使用的校准值γ值大于1，使得明亮部分内部的对比度增强；

步骤四，对归一化后的图像利用均值漂移算法进行图像分割；

步骤五，对分割后的图像利用步骤二得到的训练集，使用K最近邻算法进行识别，得到输入遥感图像的识别结果。