[发明专利]遥感图像检索方法、装置、电子设备和计算机可读介质

说明书

本公开的实施例公开了遥感图像检索方法、装置、电子设备和计算机可读介质。该方法的具体实施方式包括：接收待处理遥感图像；将上述待处理遥感图像导入预先训练的多尺度图像识别模型，得到目标图像特征，其中，上述多尺度图像识别模型用于获取遥感图像在预设尺度下的图像特征，并将上述预设尺度下的图像特征融合为目标图像特征；基于上述目标图像特征，从预设的图像库中匹配出对应上述待处理遥感图像的目标图像。该实施方式提高了获取对应待处理遥感图像的目标图像的准确性和有效性。

技术领域

本公开的实施例涉及遥感技术领域，具体涉及遥感图像检索方法、装置、电子设备和计算机可读介质。

背景技术

随着遥感观测技术的发展，对地观测卫星的数量不断增加，遥感图像的分辨率和数量都有了很大的提高。根据用户的需求，高效、准确地从多源异构的遥感大数据中搜索出感兴趣的目标或场景，从而有效地管理海量数据，是后续资源共享与解译应用的基础。基于内容的遥感图像检索可以根据图像的视觉特征从海量遥感图像中检索到感兴趣的遥感影像，成为了目前的研究热点。

一般情况下，遥感图像检索主要包含特征提取和图像检索两部分。其中，特征提取侧重于提取遥感图像的代表性特征，而图像检索则用于衡量查询图像与目标图像的相似度，并从大规模图像库中查询出最相似的图像。由于传统的颜色、纹理和形状等人工选择的特征无法有效表达图像的语义信息，特征描述与高层语义之间存在“语义鸿沟”，近年来以卷积神经网络为代表的深度学习方法，具有较强的特征学习能力，可以从原始图像中提取抽象和高层的语义特征，迅速成为解决遥感图像检索问题的主流方法。

然而，相较于主体明确、背景单一的自然图像，遥感图像特征提取的难点之一是遥感图像内容复杂。例如，遥感图像中可能包含多类型的土地覆盖数据，导致图像中的地物对象类型多样，尺度(例如可以是图像的大小)差异巨大。此外，由于传感器、拍摄角度、拍摄天气等成像条件的差异，属于同一语义类别的场景在不同图像中可能会有较大的视觉差异性。因此，有效的特征提取方法是提高遥感图像检索效果的关键问题，使图像特征既能从全局的角度捕捉上下文场景信息，又能从局部的角度挖掘地物目标的多尺度信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了遥感图像检索方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种遥感图像检索方法，该方法包括：接收待处理遥感图像；将上述待处理遥感图像导入预先训练的多尺度图像识别模型，得到目标图像特征，其中，上述多尺度图像识别模型用于获取遥感图像在预设尺度下的图像特征，并将上述预设尺度下的图像特征融合为目标图像特征；基于上述目标图像特征，从预设的图像库中匹配出对应上述待处理遥感图像的目标图像。

可选的，所述多尺度图像识别模型包括多尺度卷积层，所述多尺度卷积层包含至少一个卷积核；以及，所述将所述待处理遥感图像导入预先训练的多尺度图像识别模型，得到目标图像特征，包括：在多尺度卷积层中，使用不同扩张率的卷积核提取待处理遥感图像不同尺度的特征；将所述不同尺度的特征融合为对应所述待处理遥感图像的目标图像特征。

可选的，所述多尺度图像识别模型包括软化池，所述软化池用于获取图像细节；以及，所述在多尺度卷积层中，使用不同扩张率的卷积核提取待处理遥感图像不同尺度的特征，包括：通过对应的卷积核获取对应待处理遥感图像的多尺度图像特征；通过所述软化池使得所述多尺度图像特征在池化过程中保留细节特征。

可选的，所述多尺度图像识别模型通过以下步骤训练得到：通过训练样本图像集合训练得到所述多尺度图像识别模型。