[发明专利]基于迁移学习的遥感图像舰船分割方法及系统

说明书

本发明提供了一种基于迁移学习的遥感图像舰船分割方法及系统，包括：迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型；对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集；根据反向传播法，用所述数据集训练所述迁移学习模型；将待分割图像输入训练好的所述迁移学习模型中进行预测分割。本发明采用迁移学习技术，不需要人工提取特征，其可以自主提取特征，降低了人工的工作量；解决了因遥感数据集量小，造成模型结果不佳的问题；解决了因自己设计模型，而导致结果不佳问题。

技术领域

本发明涉及图像处理技术领域，具体地，涉及基于迁移学习的遥感图像舰船分割方法及系统。

背景技术

众所周知，对于遥感卫星监视来说，其具有成像范围大，数据信息量大等优点，其被广泛应用于运动目标的跟踪、监视等领域，尤其在军事领域，更是显得非常重要。在军事领域中，其关注的重点往往是具有运动属性的目标，比如海上航行的舰艇船舶等，同时通过遥感卫星监视可以了解相关国家在某一地区的军事部署和目标动向。通过对于监视目标舰艇可以实时获取其移动位置，从而可以了解敌方舰艇的动态，为我方制定详细的战略部署提供了可靠依据。此外，在民用领域，通过对民用船只进行位置获取，可以很好的对其进行管理，为海上的救援也提供了一定的基础，故不论是军用还是民用，其都具有一定的价值。但是要想获取船只的位置，首先需要从图像中，检测出船只。

随着计算机视觉技术的崛起，越来越多的技术被应用在实际的图像处理领域。同样，其也被广泛应用于遥感图像处理方法，故其可解决从原始图像中，检测出相关船只。近些年来说，随着深度学习的崛起，以及深度学习技术所带来的高精度结果，故其也越来越广泛于各种图像处理领域。但是对于深度学习技术来说，其往往需要大量数据集的支持，而对于某些方面来说，与该方面相关的数据集往往很难大量获取(比如医学图像数据集以及军事图像数据集)。

而现有技术的缺点在于：

(1)对于现有的技术来说，大多数采用CFAR方法，其检测的准确率较低；

(2)需要人工提取舰船特征，从而完成分割等操作，增加了用户的操作；

(3)由于特征是人工选择，对于不同的图像，其存在一定的差异性，特征选取也可能不能很好满足鲁棒性。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于迁移学习的遥感图像舰船分割方法及系统。

根据本发明提供的一种基于迁移学习的遥感图像舰船分割方法，包括：

迁移学习模型构建步骤：迁移已训练好的分割模型，结合遥感舰船图像对分割模型的参数和结构进行调整，得到迁移学习模型；

数据集构建步骤：对遥感舰船图像进行灰度化、归一化和标注处理，得到数据集；

训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测分割步骤：将待分割图像输入训练好的所述迁移学习模型中进行预测分割。

较佳的，所述分割模型包括U-net模型。

较佳的，所述归一化处理包括图像尺寸归一化，将遥感舰船图像的尺寸归一化为统一的尺寸；

所述标注处理包括对遥感舰船图像进行逐像素标注，划分每一个像素是属于舰船部分或不属于舰船部分。

较佳的，所述反向传播法包括：

步骤1：随机初始化迁移学习模型的每条神经元连接线的权重和每层的偏置；

步骤2：对输入数据执行前向传输得到预测值；

步骤3：根据真实值与预测值之间的误差，逆向反馈更新每条神经元连接线的权重和每层的偏置；