[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

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及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。

背景技术

用计算机处理的遥感图像必须是数字图像。以摄影方式获取的模拟图像必须用图像扫描仪等进行模数(A/D)转换；以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上。计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入，输出，校正，变换，分类等功能)构成。图像处理内容主要包括校正、变换和分类。然而，现有遥感图像处理识别效率低，识别精度低。

综上所述，现有技术存在的问题是：现有遥感图像处理识别效率低，识别精度低。

发明内容

针对现有技术存在的问题，本发明提供了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。

本发明是这样实现的，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w_i1^(jk),w_i2^(jk),…,w_ini^(jk)；

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；