[发明专利]一种基于分辨率增强的遥感图像小目标检测方法

权利要求书

1.一种基于分辨率增强的遥感图像小目标检测方法，其特征在于，所述方法具体包括以下步骤：

步骤一、给定原始遥感图像X以及原始遥感图像X中包含的小目标所对应的标签向量Y，所述原始遥感图像X中包含的小目标是指包含的像素个数在(0,100]范围内的目标；

对原始遥感图像X进行上采样和预分割处理，获得一组尺寸相同的图像X₁,X₂,...,X_m，以及图像X₁,X₂,...,X_m所各自对应的标签向量Y₁,Y₂,…,Y_m；

步骤二、分别生成图像X₁,X₂,...,X_m对应的超分辨率图像S₁,S₂,...,S_m，并基于标签向量Y₁,Y₂,…,Y_m，获得超分辨率图像S₁,S₂,...,S_m所各自对应的标签向量K₁,K₂,…,K_m；

所述步骤二的具体过程为：

步骤二一、建立由生成器子网络和鉴别器子网络组成的生成对抗网络；

步骤二二、给定一组具有较高分辨率的遥感图像通过对遥感图像进行下采样处理，获得与遥感图像相对应的一组具有较低分辨率的遥感图像N是每组中包含的遥感图像的个数；

步骤二三、利用遥感图像训练生成器子网络则利用公式(1)来描述生成器子网络需要解决的问题：

式中，θ_G是生成器子网络所有权重和偏置的参数集合，为将遥感图像输入生成器子网络时，生成器子网络输出的重建图像；l^SR为生成器子网络的损失函数；

损失函数l^SR由以下三个部分组成：

其中，为内容损失函数，γ₁为的权重参数，为对抗损失函数，γ₂为的权重参数，为正则化损失函数，γ₃为的权重参数；

其中，W_i,j和H_i,j分别表示鉴别器子网络第i个最大池化层之前的第j个卷积层输出的特征图的宽度和高度；表示当鉴别器子网络输入为时，鉴别器子网络中第i个最大池化层之前的第j个卷积层输出的特征图中像素点(x,y)的值，表示当鉴别器子网络输入为重建图像时，鉴别器子网络中第i个最大池化层之前的第j个卷积层输出的特征图中像素点(x,y)的值；x＝1,2，…，W_i,j，y＝1,2，…，H_i,j；

其中，代表将重建图像输入鉴别器子网络时，鉴别器子网络的输出；

其中，||·||代表1范数，r表示重建图像的维度，W和H表示重建图像的宽和高，代表对重建图像逐像素求偏导，(x′,y′)代表重建图像中的像素点，x′＝1,2，…，rW，y′＝1,2,…,rH；

利用遥感图像和重建图像来训练鉴别器子网络则利用公式(6)来描述鉴别器子网络需要解决的问题：

其中，代表当输入为时，鉴别器子网络输出的概率值；代表当输入为重建图像时，鉴别器子网络输出的概率值；E[·]代表求期望；θ_D是鉴别器子网络所有权重和偏置的参数集合；

求解出满足公式(1)和公式(6)的θ_G和θ_D后，即获得了训练好的生成对抗网络；

步骤二四、将图像X₁,X₂,...,X_m输入到训练好的生成对抗网络中，通过生成对抗网络中的生成器子网络输出图像X₁,X₂,...,X_m对应的超分辨率图像S₁,S₂,...,S_m；

利用matlab或python程序将标签向量Y₁,Y₂,…,Y_m的坐标乘4，获得处理后的标签向量K₁,K₂,…,K_m；

步骤三、利用超分辨率图像S₁,S₂,...,S_m以及超分辨率图像S₁,S₂,...,S_m所对应的标签向量K₁,K₂,…,K_m对基于区域的可变形全卷积网络进行训练，直至达到设置的最大迭代次数时停止训练，获得训练好的基于区域的可变形全卷积网络；

所述步骤三的具体过程为：

步骤三一、将超分辨率图像S₁,S₂,...,S_m以及超分辨率图像S₁,S₂,...,S_m所对应的标签向量K₁,K₂,…,K_m输入基于区域的可变形全卷积网络，利用基于区域的可变形全卷积网络中的ResNet-101提取出超分辨率图像S₁,S₂,...,S_m的特征图像，利用RPN输出超分辨率图像S₁,S₂,...,S_m中的感兴趣区域RoI；

步骤三二、将感兴趣区域RoI映射到超分辨率图像S₁,S₂,...,S_m的特征图像中，获得映射后的特征图像；

步骤三三、对映射后的特征图像进行池化操作，获得池化结果，再对池化结果进行取均值操作，获得目标分类结果；

步骤三四、在提取超分辨率图像S₁,S₂,...,S_m的特征图像时，同时学习目标的边界框坐标，在对映射后的特征图像进行池化操作时，同时为每个RoI区域生成一个位置向量，再通过取均值操作将边界框坐标和位置向量聚合到一个4维向量t＝(t_x,t_y,t_w,t_h)中，t_x为目标检测框的左上角x坐标，t_y为目标检测框的左上角y坐标，t_w为目标检测框的宽度，t_h为目标检测框的高度；

步骤四、对于待检测的原始遥感图像M，对原始遥感图像M进行步骤一至步骤二的处理后，获得原始遥感图像M的一组尺寸相同的超分辨率图像M₁,M₂,...,M_m；

将超分辨率图像M₁,M₂,...,M_m输入步骤三训练好的基于区域的可变形全卷积网络，获得对图像M₁,M₂,...,M_m的目标检测结果；

步骤五、将步骤四获得的目标检测结果进行合并，得到原始遥感图像M的目标检测结果N。