[发明专利]基于CNN与超像素结合的组合核遥感影像目标检测方法

说明书

本发明提供了基于CNN与超像素结合的组合核遥感影像目标检测方法，首先，通过熵率超像素分割算法将原始的遥感影像分割成多个超像素，其次，在基于超像素索引的遥感影像上，直接提取光谱信息得到光谱核，采用深度神经网络以及加权平均滤波分别得到超像素内的深度空间核和超像素间的空间核。最后，将这三个核加权组合，并采用核支持向量机分类器，来对遥感影像进行目标检测。此方法能够用于军用船舶、机场、跑道等军事目标检测，快速有效，方法巧妙，构思新颖，具有良好的应用前景。

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及一种基于超像素分割、深度空谱特征提取的组合核支持向量机分类的遥感影像目标检测方法。

背景技术

随着光谱技术的快速发展，极大地促进的遥感领域的发展，但是目前由于遥感影像具有“图谱合一”，空间分辨率低，光谱信息冗余等特点，对光谱遥感影像的处理技术仍有很大的发展空间，例如遥感影像的分类、解混、融合、去噪、目标检测等。为了解决这些问题，需要对遥感影像有深刻的了解，以及对机器学习方法有熟练的掌握。

作为遥感影像处理中焦点，遥感影像目标检测逐渐被重视起来。如何节省训练时间，在训练样本不足的情况下得到较高的检测精度，这是一个很广阔的课题。

发明内容

本发明的目的是克服现有技术存在的不足。本发明公开了一种基于CNN与超像素结合的组合核遥感影像目标检测方法，首先，通过熵率超像素分割算法将原始的遥感影像分割成多个超像素，其次，在基于超像素索引的遥感影像上，直接提取光谱信息得到光谱核，采用深度神经网络以及加权平均滤波分别得到超像素内的深度空间核和超像素间的空间核。最后，将这三个核加权组合，采用核支持向量机分类器，来对遥感影像进行目标检测。此方法能够用于军事、农业、城乡规划等目标检测，快速有效，方法巧妙，构思新颖，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

基于CNN与超像素结合的组合核遥感影像目标检测方法，包括以下步骤：

步骤1，将原始的遥感影像进行超像素分割，将超像素分割图与所述原始的遥感影像结合生成带有超像素索引的遥感影像；

步骤2，获得超像素分割后的遥感影像的光谱核；

步骤3，利用深度神经网络对超像素分割后的遥感影像超像素内的空间特征进行提取，得到超像素内的深度空间核；

步骤4，利用加权平均算法提取超像素间的空间特征，得到超像素间的空间核；

步骤5，将所得的光谱核、超像素内深度空间核和超像素间空间核进行组合，形成多核支持向量机分类器，将遥感影像数据集分成训练集和测试集，利用分类器对所述训练集进行训练得到模后，通过所述模型对遥感影像测试集进行目标检测。

进一步地，在一种实现方式中，所述步骤1，包括以下步骤，

步骤1-1，将所述原始的遥感影像进行主成分分析(Principal ComponentAnalysis，PCA)处理，生成主成分分析降维后的特征；

步骤1-2，选择主成分分析降维后特征的前三个主成分，生成三个各不相关的主成分图像，根据选择出的所述主成分图像计算超像素数L，所述超像素数L根据纹理的复杂程度来进行选择，所述超像素数L的计算公式如下：

L＝L_base×R_texture

其中，L_base是基超像素数，R_texture是纹理比率，n表示经过Sobel滤波后的主成分图像中的非零元素数量，N表示经过Sobel滤波前的主成分图像中非零元素的数量；