基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)

劉祥

(中國(guó)電信股份有限公司河南分公司，河南 鄭州 450016)

0 引言

遙感可以遠(yuǎn)距離、不直接接觸目標(biāo)就可采集目標(biāo)信息，近些年，隨著傳感器技術(shù)、航天技術(shù)、通信技術(shù)的不斷發(fā)展，他們和遙感技術(shù)進(jìn)行有效融合，產(chǎn)生了大量的光學(xué)遙感圖像[1-2]。相對(duì)于普通圖像，遙感圖像具有分辨率高、信息量更大等優(yōu)點(diǎn)，在災(zāi)害預(yù)測(cè)、軍事偵探、現(xiàn)代農(nóng)業(yè)等領(lǐng)域得到了廣泛的應(yīng)用[3]。在遙感技術(shù)實(shí)際應(yīng)用中，圖像中通常具有多個(gè)目標(biāo)，如：飛機(jī)、船舶、河流、道路、汽車，不同用戶對(duì)不同的目標(biāo)感興趣，因此要進(jìn)行遙感圖像目標(biāo)檢測(cè)，提取用戶感興趣的目標(biāo)。由于遮擋、復(fù)雜背景、陰影等影響，給遙感圖像中目標(biāo)檢測(cè)帶來(lái)困難，因此設(shè)計(jì)精度高、適合性強(qiáng)的遙感圖像目標(biāo)檢測(cè)方法具有十分重要的意義[4-5]。

最初遙感圖像目標(biāo)檢測(cè)是通過(guò)人工方式實(shí)現(xiàn)的，對(duì)于數(shù)量少的遙感圖像，目標(biāo)單一的檢測(cè)問(wèn)題，人工方法可獲得較好的遙感圖像目標(biāo)檢測(cè)結(jié)果；但當(dāng)前遙感圖像呈線性增加趨勢(shì)，當(dāng)前遙感圖像具有海量特點(diǎn)，同時(shí)目標(biāo)類型多，人工方式的缺陷就比較明顯了，如遙感圖像目標(biāo)檢測(cè)效率低，出現(xiàn)遙感圖像目標(biāo)檢測(cè)錯(cuò)誤的概率高，同時(shí)檢測(cè)結(jié)果具有較強(qiáng)的主觀性，可信度低[6]。近些年，隨著人工智能技術(shù)的不斷發(fā)展，遙感圖像目標(biāo)檢測(cè)已經(jīng)進(jìn)入了自動(dòng)化階段。最初基于專家系統(tǒng)的遙感圖像目標(biāo)檢測(cè)，該方法通常情況下要提取目標(biāo)特征，只有在理想的條件下，才能獲得較好的遙感圖像目標(biāo)檢測(cè)結(jié)果，無(wú)法應(yīng)用于復(fù)雜場(chǎng)景的遙感圖像目標(biāo)檢測(cè)[7]。隨后出現(xiàn)基于機(jī)器學(xué)習(xí)理論的遙感圖像目標(biāo)檢測(cè)，如輕量化網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法、深度深念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法、支持向量機(jī)的遙感圖像目標(biāo)檢測(cè)方法等，它們獲得了較優(yōu)的遙感圖像目標(biāo)檢測(cè)結(jié)果[8-11]。在實(shí)際應(yīng)用中，當(dāng)前方法存在一定的局限性，如遙感圖像目標(biāo)檢測(cè)精度低、實(shí)時(shí)性差，復(fù)雜場(chǎng)景目標(biāo)檢測(cè)結(jié)果不穩(wěn)定等[12]。

為了提高遙感圖像目標(biāo)檢測(cè)精度，改善遙感圖像目標(biāo)檢測(cè)結(jié)果，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)，該方法首先對(duì)遙感圖像進(jìn)行預(yù)處理，提取目標(biāo)候選區(qū)域，然后采用卷積神神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)遙感圖像目標(biāo)檢測(cè)模型，最后通過(guò)仿真對(duì)比測(cè)試驗(yàn)證了本文方法的遙感圖像目標(biāo)檢測(cè)優(yōu)越性。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法

1.1 遙感圖像的預(yù)處理

采集遙感圖像時(shí)，受到多種因素的影響，強(qiáng)背景可能會(huì)淹沒(méi)一些弱小目標(biāo)，因此需要對(duì)原始遙感圖像進(jìn)行預(yù)處理，增強(qiáng)一些弱小目標(biāo)存在性，便于后續(xù)目標(biāo)檢測(cè)。

選擇形態(tài)學(xué)濾波法對(duì)遙感圖像進(jìn)行預(yù)處理，f表示原始遙感圖像；z表示預(yù)處理后的遙感圖像，那么形態(tài)學(xué)濾波法可以表示為式(1)。

(1)

式中，g和n分別表示遙感圖像的結(jié)構(gòu)元以及結(jié)構(gòu)元數(shù)量；ω表示權(quán)重值。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種基于卷積計(jì)算的神經(jīng)網(wǎng)絡(luò)算法，它不僅具有一般神經(jīng)網(wǎng)絡(luò)算法的特征，如：誤差反向傳播，梯度下降學(xué)習(xí)能力等，同時(shí)具有表征學(xué)習(xí)能力，使用卷積運(yùn)算進(jìn)行數(shù)據(jù)處理，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

1.3 提取遙感圖像目標(biāo)檢測(cè)特征

遙感圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行卷積操作，提取目標(biāo)特征，下采樣層對(duì)卷積結(jié)果相加，利用非線性函數(shù)得到目標(biāo)特征映射圖。

l表示卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)量，卷積操作可以表示為式(2)。

(2)

式中，c表示卷積核；b表示偏置向量；Mj表示特征映射圖集合。

down表示采樣框中的像素，下采樣操作可以表示為式(3)。

(3)

式中，φ表示乘性偏置。

設(shè)tn和yn分別表示樣本的輸出和實(shí)際值，那么誤差的計(jì)算為式(4)。

(4)

誤差變化率計(jì)算為式(5)。

(5)

誤差變化率可以通過(guò)偏置體現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中，不斷更新偏置參數(shù)，使輸出和實(shí)際值之間的誤差不斷減小，當(dāng)誤差處于實(shí)際應(yīng)用的范圍內(nèi)時(shí)，就獲得了最優(yōu)的遙感圖像目標(biāo)檢測(cè)特征。

1.4 提取遙感圖像的目標(biāo)候選區(qū)

提取遙感圖像目標(biāo)檢測(cè)特征后，就采用規(guī)則方塊卷積操作提取目標(biāo)選區(qū)，規(guī)則區(qū)域R定義為式(6)。

R={(-1,-1),(-1,0),…,(0,1),(1,1)}

(6)

qn表示規(guī)則區(qū)域內(nèi)元素，目標(biāo)選區(qū)y的中心點(diǎn)為q0，那么有式(7)。

(7)

將偏移量{Vqn|n=1,2,…,N}加入形變卷積操作中，那么式(7)變?yōu)槭?8)。

(8)

(9)

(10)

其中

(11)

候選目標(biāo)區(qū)域的預(yù)測(cè)損失函數(shù)為式(12)。

(12)

式中，μm表示加權(quán)系數(shù)。

根據(jù)預(yù)測(cè)損失函數(shù)提取遙感圖像的目標(biāo)候選區(qū)。

1.4 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)

基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)步驟如下。

(1)采集遙感圖像并對(duì)遙感圖像進(jìn)行預(yù)處理，去除遙感圖像復(fù)雜背景，增強(qiáng)遙感圖像的目標(biāo)對(duì)比度。

(2)通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的卷積操作提取遙感圖像目標(biāo)檢測(cè)特征，并根據(jù)預(yù)測(cè)損失函數(shù)提取遙感圖像目標(biāo)候選區(qū)域。

(3)采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)遙感圖像目標(biāo)候選區(qū)域進(jìn)行學(xué)習(xí)，建立遙感圖像目標(biāo)候選區(qū)域的分類器，根據(jù)分類器實(shí)現(xiàn)遙感圖像目標(biāo)檢測(cè)。

2 仿真測(cè)試

2.1 測(cè)試對(duì)象來(lái)源

NWPU VHR-10是一種公開的遙感圖像目標(biāo)檢測(cè)數(shù)據(jù)集，包含800幅遙感圖像，遙感圖像600×800，有很多種類別的目標(biāo)，如：飛機(jī)、車輛、船只、房屋、球場(chǎng)、油罐、港口等，部分圖像示例如圖2所示。

圖2 NWPU VHR-10數(shù)據(jù)集的部分圖像示例

NWPU VHR-10數(shù)據(jù)集包含了正類子集和負(fù)類子集，正類子集的遙感圖像至少包含一類目標(biāo)，而負(fù)類子集的遙感圖像不包含任何類別目標(biāo)。采用Python3.6 程序設(shè)計(jì)語(yǔ)言編程實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)算法，選擇經(jīng)典方法進(jìn)行對(duì)比實(shí)驗(yàn)，具體為：輕量化網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法，選擇目標(biāo)檢測(cè)的精度、漏警率、虛警率、復(fù)雜場(chǎng)景適應(yīng)性作為評(píng)價(jià)指標(biāo)。

2.2 遙感圖像目標(biāo)檢測(cè)精度

采用3種方法對(duì)NWPU VHR-10數(shù)據(jù)集中的遙感圖像目標(biāo)進(jìn)行檢測(cè)，檢測(cè)精度如圖3所示。

圖3 不同方法的遙感圖像目標(biāo)檢測(cè)精度

從圖3可知，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)精度均值為94.08%，輕量化網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)精度均值為91.97%，深度信念網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)精度均值為90.00%，相對(duì)于對(duì)比方法，卷積神經(jīng)網(wǎng)絡(luò)提升了遙感圖像目標(biāo)檢測(cè)精度，降低了目標(biāo)檢測(cè)誤差。

2.3 遙感圖像目標(biāo)檢測(cè)的漏警率

計(jì)算3種方法的遙感圖像目標(biāo)檢測(cè)漏警率，具體如圖4所示。從圖4可知，相對(duì)于對(duì)比方法，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)漏警率更低，獲得更簡(jiǎn)便結(jié)果。

圖4 不同遙感圖像目標(biāo)檢測(cè)方法的漏警率

2.4 遙感圖像目標(biāo)檢測(cè)的虛警率

計(jì)算3種方法的遙感圖像目標(biāo)檢測(cè)虛警率，具體如圖5所示。

圖5 不同遙感圖像目標(biāo)檢測(cè)方法的虛警率

由圖5可知，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)虛警率低于輕量化網(wǎng)絡(luò)和深度信念網(wǎng)絡(luò)，能提高目標(biāo)檢測(cè)成功率。

2.5 復(fù)雜場(chǎng)景的遙感圖像目標(biāo)檢測(cè)效果

設(shè)復(fù)雜場(chǎng)景具體為：光照、遮擋、陰影、旋轉(zhuǎn)和復(fù)雜背景，遙感圖像目標(biāo)檢測(cè)精度如表1所示。

表1 復(fù)雜場(chǎng)景的遙感圖像目標(biāo)檢測(cè)精度/%

從表1可以看出，對(duì)于復(fù)雜場(chǎng)景中的遙感圖像目標(biāo)，卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)效果同樣更優(yōu)，進(jìn)一步驗(yàn)證了本文設(shè)計(jì)的遙感圖像目標(biāo)檢測(cè)方法的優(yōu)越性。

3 總結(jié)

遙感圖像目標(biāo)檢測(cè)是當(dāng)前遙感研究領(lǐng)域一個(gè)重要的方法，直接影響到遙感技術(shù)的實(shí)際應(yīng)用范圍，為了解決當(dāng)前遙感圖像目標(biāo)檢測(cè)誤差大的問(wèn)題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)的檢測(cè)方法，NWPUVHR-10數(shù)據(jù)集的仿真測(cè)試結(jié)果表明，本文方法克服當(dāng)前遙感圖像目標(biāo)檢測(cè)檢測(cè)方法存在的缺陷，是一種精度高、漏警率低的遙感圖像目標(biāo)檢測(cè)檢測(cè)方法，并且對(duì)復(fù)雜場(chǎng)景的遙感圖像目標(biāo)具有較強(qiáng)的適合能力，遙感圖像目標(biāo)檢測(cè)的準(zhǔn)確性要明顯優(yōu)于當(dāng)前經(jīng)典方法，具有更高的實(shí)際應(yīng)用價(jià)值。