高分辨率遥感图像中飞机目标识别技术研究

高分辨率遥感图像中飞机目标识别技术研究

何保军冀少敏

山西省大同市32133部队邮编：037000

摘要：本文以高分辨率遥感图像中飞机目标识别为导向，提出一种基于分层的目标识别算法模型，构建基于神经网络的飞机目标检测结构模型，以期提高飞机目标识别效率，以期实现飞机目标的高精度、自动化识别。

关键词：遥感图像；目标识别；深度网络；机器学习

在遥感图像目标识别中，传统的目标识别效率低下，远远跟不上遥感数据获取的能力，导致遥感图像利用效率大大降低。针对该问题，有必要建立基于数据分层的深度学习模型，通过设定分层方法建立检测目标语义表征及约束表征，利用深度网络挖掘遥感图像数据之间的联系，获取不同数据之间的深层次关联，进而获取目标特征，并通过进行算法模型自动学习和训练，提高算法模型检测识别精度。经遥感图像目标识别试验，证明该方法有效。

一、深度学习理论

1958年，DavidHubel和TorstenWiesel发现了大脑皮层神经元与动物瞳孔区域之间的关联，得出了惊人的研究成果：人的逻辑思维是不断迭代发展、抽象的过程。外界事物通过瞳孔以像素的方式进入大脑，大脑皮层对接受的信息进行处理，发现边缘及方向信息，并通过抽象化处理，判断出目标对象类型。

深度学习理论是借鉴人脑对事物抽象、识别的过程，通过提取输入数据特征，并经初步抽象和进一步抽象，实现识别目标与场景的分离。深度学习的过程无需人工干预，每一次对目标特征的学习和抽象都是自动的。

二、目标识别模型的构建

根据深度学习理论，为了在复杂场景中识别飞机目标，本文提出了一种基于图像分层的深度学习算法模型，借助模型复杂函数拟合能力，最终将图像中的飞机目标标记出来。

1、模型建立流程

首先，通过对获得的遥感图像进行处理，将图像块进行多方向旋转扩展，以便于解决飞机朝向多样性的难点问题。

其次，为适应模型输入要求，对飞机目标像素进行归一化处理，进而获得符合训练集的飞机目标样本。

再次，将不包括飞机目标的图像进行像素分割，得到大量的图像块，将所得的的图像块聚合成多个类，通过对不同类别的图像块进行归集，得出飞机检测目标的不相关样本。

最后，通过对模型参数进行调优和构造分类器等步骤，得到飞机目标识别初步模型。

在获得飞机目标识别模型后，基于深度学习理论，利目标样本与负样本进行样本训练，从而增强模型目标识别能力，提高目标检测性能。

2、遥感图像处理方法

在传统的飞机目标识别算法中，训练样本的数量对目标识别准确性影响不大，而基于深度学习算法，必须通过大量、包含各种场景训练样本才能有效提高目标识别模型的准确性。针对该问题，应借助超像素分割的方法，将图像中位置相近、颜色、亮度、纹理等特征相似的像素点组合为像素块，即通过探索目标图像像素之间的关联性，降低干扰因素对目标识别的影响，改善了图像处理的过于复杂的问题。图像处理方法包括基于图论的超像素分割方法和基于梯度下降的超像素分割方法。

（1）基于图论的超像素分割方法

该方法将无向图类比与正常的图像进行类比，通过不同的权值将图像划分为不同的区域，将无向图每条边对应正常图像像素之间的关系，以无向边权重对应像素特征间的相似程度，去掉图中多个不同连通区域，从而完成遥感图像像素分割的过程。基于图论的超像素分割方法与人脑识别事物的模式相同，通过模拟人类视觉、信息处理方式，实现各类特征区域的分割，在获取有效数据的同时，降低了后期图像处理的工作量。

（2）基于梯度下降的超图像分割方法

该方法是一种常见的图像优化算法，根据参数随机选取中心点，依据中心点进行初步聚类，当聚类初步满足条件时以梯度下降进行比对，直至图像各区域聚类得到有效的识别，从而完成整个分割过程（如图4所示）。

相较于图论超像素分割方法，基于梯度下降的超图像分割方法能够有效控制图像分割的精细度，并有助于限制算法搜索区域，从而提高了模型算法的灵活度，实现超像素块的快速分割。本文即采用基于梯度下降的超图像分割方法。

3、训练样本获得

借助于谷歌地球遥感图像，空间分辨率为0.5m，通过人工方式标记处每架飞机的中心，以此为中心点截取160×160像素大小的图像共计3000个。在遥感图像中，由于飞机目标的朝向存在较大的差异，可能对目标识别结果造成影响，因此，在样板训练前对训练样本进行旋转，从而获得各种朝向的训练样本。经试验对比，对飞机图像样本旋转8个方向锁达到的效果最好，并通过对已获得样本量进行旋转，得到最终样本量24000个。

在获取目标识别样本的同时，必须进行大量负样本训练，排除分辨率、光照、拍摄角度对目标识别的影响。在对负样本进行超像素分割时，需要考虑两个问题，一个是超像素分割区域的大小问题，二是区域分割的规则问题。由于目标样本像素大小为160×160，为了确保目标样本的完整性，不至于丢失机头、机翼、机尾等特征，在负样本区域分割时，设置超像素分割区域为150×150。从而得到106140个负样本，包括草坪、森林、机场跑道、房屋、飞机局部等。

4、模型训练与检测阶段

由于光线、背景及拍摄角度的复杂性，在模型训练前应对目标样本与负样本进行预处理，将彩色的样本转化为合理的灰度图像，降低光线、背景对目标识别效率的影响。然后，分别借助贪心算法模型和二值模型，分批次将目标样本和负样本输入到模型中，实现模型目标识别的自动化。在完成模型训练后，通过BP反向算法对模型进行精度调整，通过多次循环操作直至获得模型全局最优值或达到符合停止条件。模型建立后，基于目标识别模型算法，能够实现遥感图像中目标样本的自动扫描、识别、标记，最终实现飞机样本识别全部识别。

三、试验结果与分析

为了验证该模型的有效性，从谷歌地球搜集相关遥感图像共计15张，作为检测样本输入，初始识别率不高，但随着BP反向算法进行调整，模型识别准确率不断提升，当迭代达到40次左右时，识别率达到最高，当BP算法迭代次数继续增加时，样本识别率不再继续增加。该模型将所有的飞机目标都检测出来并进行了标记，甚至将非飞机目标也标记出来，有一个机场连廊，其外观与飞机目标类似，如将其去掉可能会导致飞机目标识别精确度下降，影响目标检测效率。经试验验证，该模型检测准确度超过90%，虚警小于10%，能够实现遥感图像中特定目标的准确识别，具有良好的目标识别性能。

四、结束语

针对大量的遥感图像中的特定目标识别，传统的检测方法低效，难以满足目标识别的要求，通过基于神经网络的飞机目标检测结构模型，对遥感图像进行超像素图像分割为图像块，并借助贪心算法和BP神经算法优化，建立了飞机目标识别模型。经试验验证，该模型在检测质量方面具有显著的优势，能够有效提升目标识别效率。

参考文献:

[1]衣世东.基于深度学习的图像识别算法研究[D].战略支援部队信息工程大学,2018.

[2]梁虎.基于纹理细节估计的多帧图像超分辨率重建算法研究[D].华中科技大学,2016.