[发明专利]基于遥感影像的蝶形卫星天线形态解析方法

说明书

本发明公开了一种基于遥感影像的蝶形卫星天线形态解析方法，首先采用深度学习实现遥感影像中天线目标的语义分割。由于基于深度学习的图像语义分割方法需要大量遥感影像数据作为支撑，因此本发明搜集并下载各类遥感影像资源，并人工逐像素标注天线目标的位置，构建天线目标影像库和标注库作为本发明实验数据支撑，用于深度学习模型的训练。随后采用训练得到的模型对影像进行语义分割，生成二值图作为分割结果。最后对二值图进行椭圆轮廓拟合，并对椭圆轮廓进行角度计算得到天线的俯仰角与方位角实现天线形态解析。通过将计算得到的俯仰角和方位角与天线实际形态数据相对比可证明，本发明可以较为精准的实现天线形态的自动解析。

技术领域

本发明属于遥感图像智能处理技术领域，更为具体地讲，涉及在图像情报挖掘需求下一种基于遥感影像的蝶形卫星天线形态解析方法。

背景技术

遥感数据已经在农业、林业、国土安全、灾害管理等行业领域有了广泛的应用，当前遥感影像智能化技术主要针对目标检测任务，然而目标检测应用范围相对局限，各类用户不仅关注目标在哪儿，而且在一定程度上更关注目标当前工作状态，因此需要对遥感影像进行语义解析。对天线目标语义解析任务来说，其主要目的在于解析得到当前天线形态数据，即俯仰角与天线角。

针对遥感语义解析开展了大量研究工作，如条件随机场等算法。以上传统语义解析算法在一定程度上实现了处理的自动化，提高了人工处理的效率，但始终无法突破准确率受限的瓶颈，无法达到业务化、自动化运行的精度要求。蝶形卫星天线主要用于对卫星数据进行接收，包括对地观测数据、电子侦察数据、通信数据等等，基于遥感影像对蝶形卫星天线形态解析有助于发现天线对接卫星型号与状态，预测天线执行任务内容，从而获取高价值情报信息。因此研究自动化、高精度的遥感天线目标形态解析技术具体深远意义。

目前已有的形态解析方法，

(1)当前常用图像解析的传统方法主要是条件随机场，但是主要实现前视摄影图像的解析，遥感影像具有幅宽大，目标尺度较小，环境较为复杂的特点，条件随机场在此类影像中应用效果较差。

(2)随着人工智能的发展，深度学习技术开始广泛应用于图像语义解析，主要采用超像素方法对影像进行分割，随后对分割后影像块采用CNN卷积神经网络进行建模，通过大量标注数据训练模型，从而实现较好的解析效果。

(3)本发明创新性地提出采用全卷积网络进行图像语义分割，对分割后结果通过轮廓拟合与轮廓角度计算的方法实现天线形态的有效解析。实验证明，本发明提出的方法相比以往的方法在天线目标解析效果上具有较大提升。

发明内容

本发明的目的在于克服现有技术的不足，提出基于遥感影像的蝶形卫星天线形态解析方法，实现天线方位角与俯仰角的计算。

本发明的目的是这样实现的，本发明包括步骤：

一种基于遥感影像的蝶形卫星天线形态解析方法，包括以下步骤：

(1)获取蝶形卫星天线遥感影像；

(2)对蝶形卫星天线遥感影像进行逐像素标注得到的标注文件；

(3)构建全卷积深度学习网络；

(4)采用蝶形卫星天线遥感影像与对应的标注文件训练全卷积深度学习网络，得到深度学习模型；

(5)采用深度学习模型对待解析的蝶形卫星天线遥感影像进行语义分割，得到像素级的检测与分割结果，对像素级的检测与分割结果进行椭圆轮廓拟合，对椭圆轮廓进行角度计算得到天线的俯仰角与方位角；

完成蝶形卫星天线形态解析。

其中，步骤(3)中全卷积深度学习网络具体为：