[发明专利]基于深度学习的单帧星图背景暗弱目标提取方法有效

专利信息
申请号: 201810340376.5 申请日: 2018-04-17
公开(公告)号: CN108734717B 公开(公告)日: 2021-11-23
发明(设计)人: 孙瑾秋;薛丹娜;郑雨舒;李海森;张艳宁 申请(专利权)人: 西北工业大学
主分类号: G06T7/136 分类号: G06T7/136;G06N3/04;G06K9/46
代理公司: 西北工业大学专利中心 61204 代理人: 刘新琼
地址: 710072 *** 国省代码: 陕西;61
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 星图 背景 暗弱 目标 提取 方法
【说明书】:

发明涉及一种基于深度学习的单帧星图暗弱目标提取方法,构建了一个全卷积网络,实现了端到端的图像像素级分类,即通过多层卷积提取空间图像不同尺度的特征,再通过反卷积进行图像上采样,并融合不同尺度的特征,完成对各像素的分类,通过准确标注的空间图像数据集有监督地训练网络参数,根据训练得到网络模型最终实现暗弱目标的有效提取。

技术领域

本发明涉及星空图像处理方法,具体是基于深度学习的单帧星图背景暗弱目标提取方法。

背景技术

由于空间环境复杂,相机受到空间高能粒子影响,产生辐射噪声不易与目标区分,容易造成错检,又由于暗弱目标信噪比低、面积小,容易淹没在背景噪声中,可能产生漏检。目前,国内外关于星图背景下暗弱目标提取的研究主要为阈值分割方法。文献“王敏,赵金宇,陈涛等。基于时空域的暗弱空间运动点目标检测算法[J]2017”,该方法提供了一条利用相邻像素间相互关系进行检测的思路,计算序列图像小窗口中的相关系数矩阵,设置目标提取阈值,提取相似系数大于设定阈值的区域从而完成暗弱目标检测,该方法计算整个序列图像中的灰度相关性,当目标较暗弱的时候,序列图像中像素间的灰度相关性很低,此时阈值的选取较为困难,阈值选择过低容易将部分噪声检测出来,造成错检,此外,阈值选择过高则很容易将暗弱目标丢失,造成漏检,阈值分割方法提取效果过于依赖分割阈值的选择,导致目标提取效果不好。

发明内容

要解决的技术问题

星空图像中恒星和目标尺寸都比较小,部分暗弱目标甚至仅占几个像素,且会受到空间辐射噪声、杂散光、热像元等各类噪声的耦合影响。采用阈值分割方法进行目标提取,其提取效果很大程度上依赖分割阈值的选择,且部分辐射噪声灰度与目标近似,无法直接区分。本发明将目标提取问题转化为目标分类问题,利用深度学习方法,从大量星图数据中挖掘目标像素间的内在规律,根据其特征向量,对目标和背景区域进行有效分类,不需要人工设定分割阈值,通过结合特征特点设计分类网络,利用标定样本进行监督学习,从而达到空间目标提取的目的,消除目标分割对阈值选取的依赖。

技术方案

一种基于深度学习的单帧星图背景暗弱目标提取方法,其特征在于步骤如下:

步骤a:利用星图仿真随机生成不同仿真星图数据及与其对应的二值化分割后的标记图数据,将星图数据和与星图数据集对应的进行二值化分割后的标记图数据集作为训练数据集;

步骤b:训练5个网络模型,分别为SN-32S、SN-16S、SN-8S、SN-4S、SN-2S;其中SN-32S用VGG16模型对其进行网络参数初始化后,直接利用深层特征对图像像素进行分类;而SN-16S、SN-8S、SN-4S、SN-2S依次用上一网络模型对其进行网络参数的初始化,分别用图像的深层特征与不同层次的浅层特征进行图像特征融合,SN-2S为最终的目标提取网络模型,网络模型融合的图像不同层次的特征最多;所述的SN-32S模型的网络为11层,SN-16S模型的网络为12层,SN-8S模型的网络为13层,SN-4S模型的网络为14层,SN-2S模型的网络为15层;每个模型的训练包括卷积操作、池化操作、上采样操作、特征融合操作、图像大小修正操作与损失计算操作;

步骤c:调用训练好的SN-2S模型,利用该网络模型初始化用于最终目标提取的测试网络的各层网络参数,将待目标提取的图像输入初始化网络参数后的测试网络中,利用该测试网络提取目标的多层特征并融合不同层次特征,最终得到的输出图像便为目标提取的结果。

所述的步骤b具体步骤如下:

步骤1:获取训练数据集,设定初始化训练参数,通过读取数据集路径及生成的训练数据集图像名的文本文档,读入训练图像;设定初始化训练参数:批量次数设为100;测试间隔设为10000;平均损失设为20;学习率设为1e-17;学习策略设为fixed;梯度更新权重为0.99;批处理图像数目设置为200;最大训练次数设为100000,权重衰减项设为0.0005;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西北工业大学,未经西北工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810340376.5/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top