[发明专利]一种基于深度学习的高分辨率图像中极小目标的识别方法

说明书

本发明涉及一种基于深度学习的高分辨率图像中极小目标的识别方法，通过步骤一到步骤七的逐步分解和训练，通过多种算法优化叠加，构建深度学习网络模型，采用训练集对构建深度学习网络模型进行训练，并进行程序自主学习，使图像处理系统可以在高分辨率图像中有效识别极小目标，有效提高对极小目标的识别能力，提升工作效率和图片利用率。

技术领域

本发明涉及一种目标识别技术，具体是一种基于深度学习的高分辨率图像中极小目标的识别方法。

背景技术

在图像处理技术中，需要对卫星图像中的极小目标进行识别，但是现行的图像处理技术都不能很好的进行识别，影响图片的使用效能。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于深度学习的高分辨率图像中极小目标的识别方法，可以快速进行极小目标的识别，可以有效地提高图片利用率。

为了实现上述目的，本发明通过以下技术方案实现：一种基于深度学习的高分辨率图像中极小目标的识别方法，包括：

步骤一：根据退化模型模糊和N倍下采样，处理第一分辨率图像形成第二分辨率图像，使其放大；

步骤二：获取SAR图像的高分辨率图像HR和低分辨率图像LR，构成LR-HR图像对，构建训练集和测试集；

步骤三：通过步骤二获得的训练集和测试集，训练所述第一分辨率图像和所述第二分辨率图像形成图像学习字典；

步骤四：分别对高分辨率图像HR和低分辨率图像LR进行图像学习字典分解；

步骤五：构建深度学习网络模型，采用训练集对构建深度学习网络模型进行训练，包括：将LR-HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练，将LR-HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练，调整模型参数，直至深度学习网络模型收敛，得到训练完成后的深度学习网络模型；

步骤六：利用边缘提取算法，根据所述第二分辨率图像确定图像信息量固定阈值；

步骤七：将待处理的SAR图像输入训练后的深度学习网络模型，从而识别图片中极小目标。

所述步骤三中，训练所述第一分辨率图像和所述第二分辨率图像形成图像学习字典，包括：

根据特征提取算法提取图像特征，获得第一分辨率图像特征信息和第二分辨率图像特征信息；

根据K-SVD算法，对所述第一分辨率图像特征信息和所述第二分辨率图像特征信息进行训练以获得第一图像学习字典和第二图像学习字典。

所述步骤五中，获取模块，其被配置为：获取SAR图像的高分辨率图像HR和低分辨率图像LR，构成LR-HR图像对，构建训练集和测试集；

卡通纹理分解模块，其被配置为：分别对高分辨率图像HR和低分辨率图像LR进行卡通纹理分解；

模型构建与训练模块，其被配置为：构建深度学习网络模型，采用训练集对构建深度学习网络模型进行训练，包括：将LR-HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练，将LR-HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练，调整模型参数，直至深度学习网络模型收敛，得到训练完成后的深度学习网络模型；

超分辨SAR图像转化模块，其被配置为：将待处理的SAR图像输入训练后的深度学习网络模型，得到超分辨SAR图像。

所述步骤四中，将所述第二分辨率图像按照设定长宽进行区块划分形成第二分辨率图像块，利用边缘提取算法提取所述第二分辨率图像块的边缘信息量；

根据所述第二分辨率图像块的边缘信息量的分布情况选取X个所述边缘信息量作为候选信息量阈值；