[发明专利]基于深度学习的单帧星图背景暗弱目标提取方法

摘要

本发明涉及一种基于深度学习的单帧星图暗弱目标提取方法,构建了一个全卷积网络，实现了端到端的图像像素级分类，即通过多层卷积提取空间图像不同尺度的特征，再通过反卷积进行图像上采样，并融合不同尺度的特征，完成对各像素的分类，通过准确标注的空间图像数据集有监督地训练网络参数，根据训练得到网络模型最终实现暗弱目标的有效提取。

主权项

1.一种基于深度学习的单帧星图背景暗弱目标提取方法，其特征在于步骤如下：步骤a：利用星图仿真随机生成不同仿真星图数据及与其对应的二值化分割后的标记图数据，将星图数据和与星图数据集对应的进行二值化分割后的标记图数据集作为训练数据集；步骤b：训练5个网络模型，分别为SN‑32S、SN‑16S、SN‑8S、SN‑4S、SN‑2S；其中SN‑32S用VGG16模型对其进行网络参数初始化后，直接利用深层特征对图像像素进行分类；而SN‑16S、SN‑8S、SN‑4S、SN‑2S依次用上一网络模型对其进行网络参数的初始化，分别用图像的深层特征与不同层次的浅层特征进行图像特征融合，SN‑2S为最终的目标提取网络模型，网络模型融合的图像不同层次的特征最多；所述的SN‑32S模型的网络为11层，SN‑16S模型的网络为12层，SN‑8S模型的网络为13层，SN‑4S模型的网络为14层，SN‑2S模型的网络为15层；每个模型的训练包括卷积操作、池化操作、上采样操作、特征融合操作、图像大小修正操作与损失计算操作；步骤c：调用训练好的SN‑2S模型，利用该网络模型初始化用于最终目标提取的测试网络的各层网络参数，将待目标提取的图像输入初始化网络参数后的测试网络中，利用该测试网络提取目标的多层特征并融合不同层次特征，最终得到的输出图像便为目标提取的结果。