刘祥
(中国电信股份有限公司河南分公司,河南 郑州 450016)
遥感可以远距离、不直接接触目标就可采集目标信息,近些年,随着传感器技术、航天技术、通信技术的不断发展,他们和遥感技术进行有效融合,产生了大量的光学遥感图像[1-2]。相对于普通图像,遥感图像具有分辨率高、信息量更大等优点,在灾害预测、军事侦探、现代农业等领域得到了广泛的应用[3]。在遥感技术实际应用中,图像中通常具有多个目标,如:飞机、船舶、河流、道路、汽车,不同用户对不同的目标感兴趣,因此要进行遥感图像目标检测,提取用户感兴趣的目标。由于遮挡、复杂背景、阴影等影响,给遥感图像中目标检测带来困难,因此设计精度高、适合性强的遥感图像目标检测方法具有十分重要的意义[4-5]。
最初遥感图像目标检测是通过人工方式实现的,对于数量少的遥感图像,目标单一的检测问题,人工方法可获得较好的遥感图像目标检测结果;但当前遥感图像呈线性增加趋势,当前遥感图像具有海量特点,同时目标类型多,人工方式的缺陷就比较明显了,如遥感图像目标检测效率低,出现遥感图像目标检测错误的概率高,同时检测结果具有较强的主观性,可信度低[6]。近些年,随着人工智能技术的不断发展,遥感图像目标检测已经进入了自动化阶段。最初基于专家系统的遥感图像目标检测,该方法通常情况下要提取目标特征,只有在理想的条件下,才能获得较好的遥感图像目标检测结果,无法应用于复杂场景的遥感图像目标检测[7]。随后出现基于机器学习理论的遥感图像目标检测,如轻量化网络的遥感图像目标检测方法、深度深念网络的遥感图像目标检测方法、支持向量机的遥感图像目标检测方法等,它们获得了较优的遥感图像目标检测结果[8-11]。在实际应用中,当前方法存在一定的局限性,如遥感图像目标检测精度低、实时性差,复杂场景目标检测结果不稳定等[12]。
为了提高遥感图像目标检测精度,改善遥感图像目标检测结果,提出了基于卷积神经网络的遥感图像目标检测,该方法首先对遥感图像进行预处理,提取目标候选区域,然后采用卷积神神经网络设计遥感图像目标检测模型,最后通过仿真对比测试验证了本文方法的遥感图像目标检测优越性。
采集遥感图像时,受到多种因素的影响,强背景可能会淹没一些弱小目标,因此需要对原始遥感图像进行预处理,增强一些弱小目标存在性,便于后续目标检测。
选择形态学滤波法对遥感图像进行预处理,f表示原始遥感图像;z表示预处理后的遥感图像,那么形态学滤波法可以表示为式(1)。
(1)
式中,g和n分别表示遥感图像的结构元以及结构元数量;ω表示权重值。
卷积神经网络是一种基于卷积计算的神经网络算法,它不仅具有一般神经网络算法的特征,如:误差反向传播,梯度下降学习能力等,同时具有表征学习能力,使用卷积运算进行数据处理,卷积神经网络结构如图1所示。
图1 卷积神经网络的基本结构
遥感图像作为卷积神经网络的输入,进行卷积操作,提取目标特征,下采样层对卷积结果相加,利用非线性函数得到目标特征映射图。
l表示卷积神经网络的卷积层数量,卷积操作可以表示为式(2)。
(2)
式中,c表示卷积核;b表示偏置向量;Mj表示特征映射图集合。
down表示采样框中的像素,下采样操作可以表示为式(3)。
(3)
式中,φ表示乘性偏置。
设tn和yn分别表示样本的输出和实际值,那么误差的计算为式(4)。
(4)
误差变化率计算为式(5)。
(5)
误差变化率可以通过偏置体现,卷积神经网络在学习过程中,不断更新偏置参数,使输出和实际值之间的误差不断减小,当误差处于实际应用的范围内时,就获得了最优的遥感图像目标检测特征。
提取遥感图像目标检测特征后,就采用规则方块卷积操作提取目标选区,规则区域R定义为式(6)。
R={(-1,-1),(-1,0),…,(0,1),(1,1)}
(6)
qn表示规则区域内元素,目标选区y的中心点为q0,那么有式(7)。
(7)
将偏移量{Vqn|n=1,2,…,N}加入形变卷积操作中,那么式(7)变为式(8)。
(8)
(9)
(10)
其中
(11)
候选目标区域的预测损失函数为式(12)。
(12)
式中,μm表示加权系数。
根据预测损失函数提取遥感图像的目标候选区。
基于卷积神经网络的目标检测步骤如下。
(1)采集遥感图像并对遥感图像进行预处理,去除遥感图像复杂背景,增强遥感图像的目标对比度。
(2)通过卷积神经网络的卷积操作提取遥感图像目标检测特征,并根据预测损失函数提取遥感图像目标候选区域。
(3)采用卷积神经网络对遥感图像目标候选区域进行学习,建立遥感图像目标候选区域的分类器,根据分类器实现遥感图像目标检测。
NWPU VHR-10是一种公开的遥感图像目标检测数据集,包含800幅遥感图像,遥感图像600×800,有很多种类别的目标,如:飞机、车辆、船只、房屋、球场、油罐、港口等,部分图像示例如图2所示。
图2 NWPU VHR-10数据集的部分图像示例
NWPU VHR-10数据集包含了正类子集和负类子集,正类子集的遥感图像至少包含一类目标,而负类子集的遥感图像不包含任何类别目标。采用Python3.6 程序设计语言编程实现卷积神经网络的遥感图像目标检测算法,选择经典方法进行对比实验,具体为:轻量化网络和深度信念网络的遥感图像目标检测方法,选择目标检测的精度、漏警率、虚警率、复杂场景适应性作为评价指标。
采用3种方法对NWPU VHR-10数据集中的遥感图像目标进行检测,检测精度如图3所示。
图3 不同方法的遥感图像目标检测精度
从图3可知,卷积神经网络的遥感图像目标检测精度均值为94.08%,轻量化网络的遥感图像目标检测精度均值为91.97%,深度信念网络的遥感图像目标检测精度均值为90.00%,相对于对比方法,卷积神经网络提升了遥感图像目标检测精度,降低了目标检测误差。
计算3种方法的遥感图像目标检测漏警率,具体如图4所示。从图4可知,相对于对比方法,卷积神经网络的遥感图像目标检测漏警率更低,获得更简便结果。
图4 不同遥感图像目标检测方法的漏警率
计算3种方法的遥感图像目标检测虚警率,具体如图5所示。
图5 不同遥感图像目标检测方法的虚警率
由图5可知,卷积神经网络的遥感图像目标检测虚警率低于轻量化网络和深度信念网络,能提高目标检测成功率。
设复杂场景具体为:光照、遮挡、阴影、旋转和复杂背景,遥感图像目标检测精度如表1所示。
表1 复杂场景的遥感图像目标检测精度/%
从表1可以看出,对于复杂场景中的遥感图像目标,卷积神经网络的遥感图像目标检测效果同样更优,进一步验证了本文设计的遥感图像目标检测方法的优越性。
遥感图像目标检测是当前遥感研究领域一个重要的方法,直接影响到遥感技术的实际应用范围,为了解决当前遥感图像目标检测误差大的问题,提出了基于卷积神经网络的遥感图像目标检测的检测方法,NWPUVHR-10数据集的仿真测试结果表明,本文方法克服当前遥感图像目标检测检测方法存在的缺陷,是一种精度高、漏警率低的遥感图像目标检测检测方法,并且对复杂场景的遥感图像目标具有较强的适合能力,遥感图像目标检测的准确性要明显优于当前经典方法,具有更高的实际应用价值。