[发明专利]一种基于层次化增强学习的低分辨率机场目标检测方法

摘要

一种基于层次化增强学习的低分辨率机场目标检测方法，其步骤为：①将输入的遥感图像进行超像素分割；②提取输入图像的边界超像素构造背景信息集；③通过最小距离相似性测量算子学习每个超像素与背景信息集间的特征相似度，提取出深层特征；④定义学习过程的结束条件，判断步骤③是否满足结束条件，若满足执行⑥，否则执行⑤；⑤利用反向传播理论，将③中所述深层特征作为增强因子作用于本层输入图像，将增强处理后的图像作为下一层学习过程的输入图像，执行①，继续下一层学习；⑥停止学习，将步骤③所述本层学习到的深层特征作为超像素的显著特征，获得最终显著图；⑦生成原始图像的直线特征图，将其与显著图融合，通过显著区域定位和区域合并，确定机场目标区域，完成目标检测。

主权项

1.一种基于层次化增强学习的低分辨率机场目标检测方法，其特征在于包括如下步骤：步骤1：将输入的遥感图像利用简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)进行超像素分割，将图像中近邻区域内具有颜色相似性的像素聚类，采用超像素来表示聚为一类的区域，得到分割后的图像；步骤2：提取分割后图像中超像素的颜色特征作为各个区域的底层特征，构建特征集；再提取出位于图像边界位置的所有超像素的底层特征构造背景信息集，利用图论的方法来提取背景信息集；步骤3：学习每个超像素与背景信息集间的特征相似度，采用基于最小距离的相似性测量算子(Least Distance Similarity Measure operator,LDSM)，学习每个超像素与背景之间的特征差异，突出与背景信息集差别超过预定阈值的超像素，压制与背景信息集差别小于预定阈值的超像素，使越接近背景信息集的超像素的学习系数越趋近于0，从而得到一种能够反映图像子区域与背景区域差异程度的深层特征；步骤4：定义学习过程的结束条件，判断步骤3中所有超像素的深层特征是否满足该结束条件，若满足则停止学习，执行步骤6，若不满足，则继续下一层的学习，执行步骤5；步骤5：利用反向传播的理论，将步骤3中学习得到的深层特征作为增强因子，反向传播至本层的输入图像，对本层经过超像素分割后的图像进行增强处理，并将增强后的新图像作为下一层学习的输入图像，执行步骤1；这样，通过多次无监督的学习，逐层将图像子区域与背景区域的差异明显化，使深层特征能够辨别背景与目标差异的能力不断增强；步骤6：停止学习后，将步骤3中学习得到的深层特征作为对应超像素区域的显著特征，从而得到最终的显著图；步骤7：生成原始遥感图像的直线特征图，将其与显著图进行融合得到特征融合图，根据特征融合图中的最显著区域确定机场位置，同时通过区域合并确定机场范围；在遥感图像中标注相应区域，即可获得机场目标检测的最终结果。