[发明专利]一种基于模型融合的卫星图像检测方法

说明书

本发明提出了一种基于模型融合的卫星图像检测方法，包括以下步骤：对原始图像进行随机旋转，随机改变图像对比度，对原始图像添加噪声；使用检测效果有差异性的三种神经网络模型对卫星图像中的飞机场、飞机、油罐、港口、船进行检测；对结果文件采用模型融合方式进行融合；将最终结果文件中的坐标，类别反映到图片上，实现检测。一种基于模型融合的卫星图像检测方法，将深度学习技术、集成学习技术和图片处理技术相结合，提高了目标检测的速度和精度。

技术领域

本发明涉及到图片处理、深度学习、集成学习，具体涉及到一种基于模型融合的卫星图像检测方法。

背景技术

卫星图像具有较高的使用价值，通过它可以观察地面情况还能记录地面的变化。但是，卫星图像的处理还存在着一些问题：在卫星图像中，感兴趣目标的相对尺寸都较小而且通常很密集，与平常数据集中的显著物体不同；卫星图像中的物体朝着的方向是任意的，而常见的数据集中大多是垂直方向的；训练数据的匮乏，对于卫星图像而言，缺少高质量的训练集，卫星图像的像素值是很大的。

近年来，随着深度学习的兴起，利用它对目标进行检测也越来越普及，基于深度学习的目标检测算法，减少了人的干预，它能够自动提取出目标的各种特征，有利于物体的识别与检测。利用卷积神经网络进行卫星图像中物体(飞机场、飞机、港口、船、油罐)的识别，增加了物体检测的准确性。基于YOLO算法改进的高效卫星图像目标检测算法(YOLT：YouOnly Look Twice)，主要对大分辨率的输入和密集的小物体进行了改善。Mask RCNN是基于Faster RCNN架构提出的卷积神经网络，同时实现了物体检测和实例分割。SSD既采用了YOLO检测算法中回归边界框和分类概率的方法，又使用了Faster RCNN中的anchor来提升识别的精度。因此，SSD可以保持准确率不变的前提下，提高目标检测的速度。

发明内容

为了解决卫星图像中的目标检测效果不理想的问题，本发明的目的是提供一种基于模型融合的卫星图像检测方法。该方法大幅度地提高了卫星图像的检测效果。

发明的一种基于模型融合的卫星图像检测方法，包括：

步骤1：对原始图像进行随机旋转，随机改变图像对比度，对原始图像添加噪声；

步骤2：使用检测效果有差异性的三种神经网络模型对卫星图像中的飞机场、飞机、油罐、港口、船进行检测；

步骤3：对结果文件采用模型融合的方式进行融合；

步骤4：将最终结果文件中的坐标，类别反映到图片上，实现检测；

进一步的，在所述步骤1中，所提到的对原始图像进行随机旋转，随机改变图像对比度，对原始图像添加噪声，具体包括：对所有的原始图像进行0-360度的随机旋转和改变对比度，对图像添加不同程度的高斯噪声和椒盐噪声。

进一步的，在所述步骤3中，对结果文件采用模型融合的方式进行融合，具体包括：

得到差异性较大的三种神经网络模型检测结果的文件，对目标的存在性和类别的度量采用多数表决的模型融合方式：当三个检测结果中有两个检测结果认为此处有目标，则认为此处有目标，得到最终的检测文件。

本发明的有益效果是：

(1)将深度学习技术和图片处理技术相结合，用三种深度学习的方法对卫星图像进行检测，提高了目标检测的速度和精度；

(2)用集成学习的方法：模型融合，对检测结果进行多数表决融合，提高了检测的准确率，得到最终结果。

附图说明