基于深度學(xué)習(xí)的遙感圖像微小目標(biāo)檢測(cè)方法研究

商俊燕

(常州工業(yè)職業(yè)技術(shù)學(xué)院 信息工程學(xué)院，江蘇 常州 213164)

0 引言

遙感技術(shù)為人們快速、全面了解地表覆蓋變化提供了技術(shù)支持，在高分辨率遙感技術(shù)不斷發(fā)展的大背景下，大量高品質(zhì)遙感圖像的采集越來(lái)越方便。遙感圖像是利用遙感技術(shù)生成的遠(yuǎn)距離圖像，可以對(duì)目標(biāo)進(jìn)行有效的處理[1]。目標(biāo)檢測(cè)是遙感圖像處理的基礎(chǔ)任務(wù)之一，通過對(duì)遙感圖像的分析可以分辨出水體、植被等目標(biāo)，同時(shí)遙感影像可以識(shí)別更小的目標(biāo)，如具體的樹木、人、交通標(biāo)志、足球場(chǎng)標(biāo)志線等等，因此遙感圖像目標(biāo)檢測(cè)已經(jīng)成為當(dāng)前研究的熱點(diǎn)問題。遙感設(shè)備拍攝圖像時(shí)由于設(shè)備距離目標(biāo)較遠(yuǎn)，包含的地面范圍大，受到分辨率的限制，待檢測(cè)目標(biāo)可能以微小形式顯示在遙感圖像中，這些檢測(cè)目標(biāo)具有尺度小、特征弱等特點(diǎn)，為圖像目標(biāo)的檢測(cè)工作帶來(lái)較大難度。

為了精準(zhǔn)地檢測(cè)到遙感圖像中的微小目標(biāo)，提出遙感圖像微小目標(biāo)檢測(cè)方法。歐巧鳳[2]等人提出了基于深度學(xué)習(xí)的車檢圖像多目標(biāo)檢測(cè)與識(shí)別方法。應(yīng)用輕量級(jí)神經(jīng)網(wǎng)絡(luò)YOLOv3檢測(cè)并識(shí)別車輛圖像中的細(xì)小目標(biāo)，再利用多任務(wù)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)定位圖像中的關(guān)鍵點(diǎn)，利用關(guān)鍵點(diǎn)坐標(biāo)對(duì)其進(jìn)行校正，最后以卷積神經(jīng)網(wǎng)絡(luò)分類車牌底色，最終實(shí)現(xiàn)字符識(shí)別。該方法提高了檢測(cè)與識(shí)別精度，但是響應(yīng)時(shí)間較長(zhǎng)，檢測(cè)與識(shí)別效率較低。杜澤星[3]等人提出了基于半監(jiān)督學(xué)習(xí)的遙感飛機(jī)圖像檢測(cè)方法。應(yīng)用深度卷積生成式對(duì)抗網(wǎng)絡(luò)，提取待檢測(cè)目標(biāo)的邊緣特征信息以及深度語(yǔ)義特征，再以生成式對(duì)抗網(wǎng)絡(luò)設(shè)計(jì)目標(biāo)檢測(cè)的網(wǎng)絡(luò)模型，進(jìn)而實(shí)現(xiàn)對(duì)遙感圖像的檢測(cè)。該方法具有更快的收斂速度，在訓(xùn)練時(shí)需要的標(biāo)記樣本較少，但是存在準(zhǔn)確率較低和重復(fù)率較高的問題。

為解決上述存在的問題，本文基于深度學(xué)習(xí)對(duì)遙感圖像微小目標(biāo)檢測(cè)方法進(jìn)行研究。深度學(xué)習(xí)是傳統(tǒng)機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)新興領(lǐng)域，其本質(zhì)是基于前向結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的多層感知器，主要用于模擬輸入數(shù)據(jù)的過程，并由此得到更高層次的語(yǔ)義特性[4]。深度學(xué)習(xí)多層結(jié)構(gòu)能夠從多個(gè)層面上抽象并結(jié)合底層特征，從而使其能夠更好地理解更復(fù)雜的函數(shù)關(guān)系。在不同的圖像處理領(lǐng)域中，深度學(xué)習(xí)可以很好地提取出圖像的本質(zhì)特性，而在深部神經(jīng)網(wǎng)絡(luò)中，它的推廣性能也得到了進(jìn)一步的提高[5]。將深度學(xué)習(xí)算法應(yīng)用到遙感圖像微小目標(biāo)的檢測(cè)工作中，以期能夠提升微小目標(biāo)的檢測(cè)精度性能。

1 遙感圖像微小目標(biāo)檢測(cè)方法設(shè)計(jì)

遙感圖像微小目標(biāo)的檢測(cè)思路是：判別當(dāng)前遙感圖像是否包含指定目標(biāo)，如果存在，則獲取目標(biāo)的數(shù)量和位置信息，若不存在則退出，進(jìn)行下一張遙感圖像的檢測(cè)處理。在深度學(xué)習(xí)算法的支持下，優(yōu)化方法的檢測(cè)過程如圖1所示。

圖1 遙感圖像微小目標(biāo)檢測(cè)流程圖

最終輸出的檢測(cè)內(nèi)容包括遙感圖像中微小目標(biāo)的數(shù)量、位置等。

1.1 實(shí)時(shí)采集遙感圖像樣本

根據(jù)地面物體的光學(xué)特性，利用無(wú)人機(jī)以及相機(jī)裝置，分別在靜止或運(yùn)動(dòng)遙感平臺(tái)上進(jìn)行遙感成像[6]。在遙感圖像開始采集之前，需要利用公式(1)對(duì)相機(jī)內(nèi)部參數(shù)進(jìn)行標(biāo)定。

(1)

公式(1)中,變量F為采集遙感圖像畫幅大小，fx為采集相機(jī)的焦距，最終的計(jì)算結(jié)果α為相機(jī)的水平視角參數(shù)。將標(biāo)定好的相機(jī)安裝到無(wú)人機(jī)設(shè)備上，按照既定路線航行后得出實(shí)時(shí)遙感圖像的采集結(jié)果。

1.2 遙感初始圖像預(yù)處理

1.2.1 遙感圖像幾何校正

在獲取圖像過程中，因設(shè)備自身原因以及外部信號(hào)干擾等因素，導(dǎo)致獲取的遙感圖像存在畸變現(xiàn)象，影響圖像目標(biāo)的檢測(cè)結(jié)果，因此有必要對(duì)初始圖像進(jìn)行校正處理[7]。幾何校正的基本原則是利用選定的一套地面控制點(diǎn)，通過空間坐標(biāo)轉(zhuǎn)換，得到修正空間的象素值，從而達(dá)到幾何校正的目的。具體的校正過程可以表示為式(2)：

(2)

式(2)中,u、v、x和y分別為幾何校正處理前后圖像空間中像元的行和列，p(·)和q(·)對(duì)應(yīng)的是幾何校正的坐標(biāo)變換函數(shù)[8]。按照上述流程，將初始采集遙感圖像中的所有坐標(biāo)數(shù)據(jù)代入到公式(2)中，得出的結(jié)果即為圖像的幾何校正處理結(jié)果。

1.2.2 遙感圖像灰度化轉(zhuǎn)換

遙感圖像的顏色不會(huì)影響微小目標(biāo)的檢測(cè)結(jié)果，但會(huì)大大增加檢測(cè)過程中計(jì)算量，因此需要將彩色圖像處理為灰度圖像，從而提高圖像目標(biāo)檢測(cè)效率[9]。假設(shè)fR(x,y)、fG(x,y)和fB(x,y)為初始遙感圖像f(x,y)中任意像素的3個(gè)顏色分量，通過加權(quán)平均得到圖像的灰度轉(zhuǎn)換結(jié)果為式(3)：

G(x,y)=

0.3fR(x,y)+0.59fG(x,y)+0.11fB(x,y)

(3)

按照上述方式，通過對(duì)圖像中多個(gè)像素點(diǎn)的處理，實(shí)現(xiàn)遙感圖像的灰度化轉(zhuǎn)換。

1.2.3 遙感圖像噪聲抑制

從遙感圖像采集的基本原理及傳播過程中可以看出，在這些客觀條件下，都會(huì)對(duì)影像造成很大的干擾。在不過濾的情況下，圖像的處理效率將受到影響。遙感影像中存在著大量的噪聲，其中有條形噪聲和隨機(jī)噪聲[10]。條帶噪音是一種周期性的噪音，濾除的方法主要是空域?yàn)V波，濾波過程可以表示為式(4)：

(4)

式(4)中，w(x,y)為空域模板的響應(yīng)值，T表示的是設(shè)定的非負(fù)閾值。此外，受到遙感圖像采集設(shè)備的影響，初始遙感圖像會(huì)存在少量的隨機(jī)噪聲，噪聲類型為加性噪聲，可使用中值濾波方法，能夠很好地去除噪聲，同時(shí)不會(huì)對(duì)圖像本身造成影響，最大程度地保留遙感圖像中的微小目標(biāo)[11]。

1.2.4 遙感圖像去霧處理

天氣對(duì)圖片質(zhì)量的影響很大，若圖像采集環(huán)境水汽較多，采集的圖像就會(huì)出現(xiàn)多霧的情況，此時(shí)需要根據(jù)暗通道原理進(jìn)行圖像去霧處理[12]。對(duì)于遙感圖像f(x,y)，其暗通道可以表示為式(5)：

fdark(x)=miny∈Ω(x)(minfg(y))

(5)

在式(5)中，Ω(x)為包含像素x的一個(gè)窗口，參數(shù)g為用于表示遙感圖像的灰度情況的灰度系數(shù)。根據(jù)霧的生成原理可以得出去霧處理過程如式(6)所示：

(6)

式(6)中，λ為大氣中的均折透率，A為大氣成分系數(shù)[13]。與傳統(tǒng)去霧方法相比，暗通道去霧方法生成的色彩噪聲干擾較少、由此得到的視覺效果較好、生成圖像的細(xì)節(jié)部分信息較為多樣。

1.2.5 遙感圖像增強(qiáng)

選擇圖像的自適應(yīng)對(duì)比度增強(qiáng)方式得出圖像增強(qiáng)處理結(jié)果，如式(7)所示：

fenhance(i,j)=M(i,j)+G(f(i,j)-M(i,j))

(7)

式(7)中，M(i,j)為圖像的全局均值。對(duì)于深度學(xué)習(xí)模型而言，目標(biāo)特征越明顯可以獲得越好的學(xué)習(xí)效果。

1.2.6 遙感圖像前景目標(biāo)分割

合理的背景描述模型能夠?yàn)槟繕?biāo)提取提供有效的依據(jù)，構(gòu)建背景模型，通過計(jì)算遙感圖像與背景模型之間的差異值，判斷任意一個(gè)坐標(biāo)是否屬于運(yùn)動(dòng)前景[14]。如果背景模型與得到的運(yùn)動(dòng)前景像素之間的差值高于已設(shè)定的閾值，那么便判斷該像素屬于前景圖像，否則為背景部分。

1.3 選擇遙感圖像檢測(cè)微小目標(biāo)

利用遙感圖像中背景不變的特征建立背景模型如式(8)所示：

Bt(x,y)=(1-γ)Bt(x,y)+γG(x,y)

(8)

式(8)中，Bt(x,y)為t時(shí)刻遙感圖像中背景幀中(x,y)位置的像素值，G(x,y)的具體取值可通過公式(3)計(jì)算得出，而參數(shù)γ為背景像素的移動(dòng)速率，由采集遙感圖像無(wú)人機(jī)的航行速度決定，該參數(shù)取值越大說(shuō)明背景更新越快[15]。在遙感圖像微小檢測(cè)目標(biāo)的選擇過程中，只需判斷當(dāng)前遙感圖像中任意像素點(diǎn)與圖像背景的像素值是否一致，若像素值一致則說(shuō)明該像素點(diǎn)屬于圖像背景，無(wú)法作為微小檢測(cè)目標(biāo)，若像素值與背景不一致，則確定該位置屬于前景圖像。但還需要判斷該點(diǎn)是否滿足微小目標(biāo)的尺寸條件，從而確定該像素點(diǎn)是否可以作為遙感圖像中微小目標(biāo)的檢測(cè)點(diǎn)。

1.4 利用深度學(xué)習(xí)算法提取遙感圖像特征

在此次遙感圖像特征的提取工作中，以深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)深度學(xué)習(xí)算法，深度卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示。

圖2 深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖2，在輸入層中，深度卷積神經(jīng)網(wǎng)絡(luò)會(huì)把輸入的影像轉(zhuǎn)碼為立體矩陣的形式[16]，以矩陣的長(zhǎng)寬比來(lái)表示影像的長(zhǎng)度和寬度，由于輸入的初始遙感圖像為灰色圖像，因此設(shè)置深度為1。卷積神經(jīng)網(wǎng)絡(luò)是利用不同的網(wǎng)絡(luò)結(jié)構(gòu)，從輸入層到最終的全連通層，從而達(dá)到對(duì)目標(biāo)特性的轉(zhuǎn)移[17]。卷積層是圖像局部特征提取環(huán)節(jié)的主要工作環(huán)境，卷積層的每一個(gè)結(jié)點(diǎn)都只是上層的一個(gè)局部，記為感知場(chǎng)，感知場(chǎng)的大小決定著每一次處理的局部面積[18]。卷積層采用不同尺寸的卷積對(duì)輸入的圖像進(jìn)行了詳細(xì)的分析，使其能夠更好地提取出更高級(jí)的抽象特征，并能更好地表示出對(duì)象的特性。在卷積運(yùn)算中，卷積核在輸入的局部特征區(qū)域上進(jìn)行矩陣的乘法運(yùn)算，計(jì)算出偏移量，然后根據(jù)所設(shè)置的步長(zhǎng)量，使其在圖像上來(lái)回滑動(dòng)。一般情況下，在完成卷積運(yùn)算后，節(jié)點(diǎn)的矩陣深度將會(huì)得到進(jìn)一步的提高。在不改變矩陣深度的情況下，采用了對(duì)矩陣進(jìn)行降維的方法。池化層運(yùn)算可以減少圖像的解析度[19]。利用池化層，使上一次全連接層中的結(jié)點(diǎn)數(shù)目得到了進(jìn)一步減少，從而降低了總的網(wǎng)絡(luò)參數(shù)值。通常將池處理分成平均池和最大池。卷積和池化操作的基本原理如圖3所示。

圖3 卷積和池化操作原理圖

卷積層的卷積處理過程可以表示為式(9)：

(9)

在式(9)中，D、W和H分別為網(wǎng)絡(luò)層輸出的通道總數(shù)，卷積核的長(zhǎng)度與寬度，ql(x+i,y+j,dl-1)表示的是l層輸入的dl-1通道對(duì)應(yīng)坐標(biāo)(x+i,y+j)的像素值，d和dl-1表示的是網(wǎng)絡(luò)層的輸入和輸出通道，wl(i,j,d,dl-1)為通道卷積核的權(quán)重值。在卷積神經(jīng)網(wǎng)絡(luò)中，以激活函數(shù)來(lái)構(gòu)建以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的非線性模型，該工作一般用于卷積層和池化層以后，保留了學(xué)習(xí)到的特征，去除了相關(guān)的信息。此次構(gòu)建的深度卷積神經(jīng)網(wǎng)絡(luò)中選擇Sigmoid作為激勵(lì)函數(shù)，其表達(dá)式如式(10)所示：

(10)

式(10)中，e為趨于無(wú)窮大時(shí)的極限值。在卷積神經(jīng)網(wǎng)絡(luò)終端通常會(huì)有一個(gè)或兩個(gè)完整的連接層次來(lái)判定和輸出。在對(duì)圖像進(jìn)行卷積和池化處理后，在進(jìn)入卷積層之前，圖像的特征就會(huì)轉(zhuǎn)化為更高的抽象意義。在特征抽取完畢后，全連通層集成了先前層次的一些類型信息，最后一層完全連通層向輸出層輸入信息，并通過輸出端實(shí)現(xiàn)結(jié)果的分類和輸出[20]。在實(shí)際的特征提取過程中，將采集并預(yù)處理完成的遙感圖像作為輸入項(xiàng)直接導(dǎo)入到深度卷積網(wǎng)絡(luò)的輸入層中，網(wǎng)絡(luò)按照?qǐng)D4所示的流程進(jìn)行訓(xùn)練迭代，最終輸出圖像特征的提取結(jié)果。

圖4 訓(xùn)練流程圖

在網(wǎng)絡(luò)訓(xùn)練過程中需要實(shí)時(shí)更新權(quán)重參數(shù)和偏置參數(shù)。最終遙感圖像邊緣輪廓特征的提取結(jié)果可以表示為式(11)：

(11)

公式(11)中，Mi(Ci)和Mu(Ci)分別為遙感特征耗散函數(shù)和光線吸收量，Simage為初始遙感圖像面積。同理利用深度卷積神經(jīng)網(wǎng)絡(luò)能夠得出其他類型的特征，在經(jīng)過規(guī)范化處理與融合處理之后，輸出得到最終的綜合特征的提取結(jié)果。

1.5 實(shí)現(xiàn)遙感圖像微小目標(biāo)檢測(cè)

根據(jù)選擇的遙感圖像微小檢測(cè)目標(biāo)的形狀、輪廓以及遙感圖像采集高度，設(shè)置微小目標(biāo)的特征向量，以此作為微小目標(biāo)的檢測(cè)比對(duì)標(biāo)準(zhǔn)。利用公式(12)計(jì)算深度學(xué)習(xí)算法提取圖像特征與設(shè)置特征之間的匹配度。

(12)

公式(12)中，χtotal和χset分別為提取的綜合圖像特征和設(shè)置比對(duì)特征，若計(jì)算得出的匹配度高于閾值simχ，則認(rèn)為當(dāng)前目標(biāo)即為待檢測(cè)的遙感圖像微小目標(biāo)，直接進(jìn)入目標(biāo)定位程序，否則需要進(jìn)行下一個(gè)目標(biāo)點(diǎn)的判定，直到遙感圖像中所有微小目標(biāo)檢測(cè)完成為止。除了遙感圖像中微小目標(biāo)的數(shù)量外，還需要確定各個(gè)目標(biāo)的位置坐標(biāo)，最終以可視化的方式輸出遙感圖像微小目標(biāo)的檢測(cè)結(jié)果。

2 檢測(cè)性能測(cè)試實(shí)驗(yàn)分析

以測(cè)試優(yōu)化設(shè)計(jì)的基于深度學(xué)習(xí)的遙感圖像微小目標(biāo)檢測(cè)方法的檢測(cè)性能為目的，設(shè)計(jì)測(cè)試實(shí)驗(yàn)。為保證實(shí)驗(yàn)結(jié)果的可信度，此次實(shí)驗(yàn)設(shè)置多個(gè)微小檢測(cè)目標(biāo)，采用多組實(shí)驗(yàn)取平均值的方式，避免偶然事件對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的影響。最終通過與傳統(tǒng)目標(biāo)檢測(cè)方法的對(duì)比，體現(xiàn)出優(yōu)化設(shè)計(jì)方法的性能優(yōu)勢(shì)。

2.1 構(gòu)建遙感圖像實(shí)驗(yàn)數(shù)據(jù)集

根據(jù)數(shù)據(jù)來(lái)源可以將實(shí)驗(yàn)使用的遙感圖像樣本分為兩個(gè)部分，第一部分圖像樣本來(lái)源于UCM、WHU-RS19、NWPU45等數(shù)據(jù)集，用來(lái)專門存儲(chǔ)以飛機(jī)、艦船為主要內(nèi)容的遙感圖像。另一部分圖像樣本采用實(shí)時(shí)拍攝采集的方式獲取，為目標(biāo)檢測(cè)訓(xùn)練提供充足樣本。初始準(zhǔn)備的遙感圖像尺寸差異較大、背景復(fù)雜，圖像背景相似性較高，且每個(gè)圖像的形狀尺寸也不同，圖像包含了大量的非目標(biāo)信息，且細(xì)節(jié)結(jié)構(gòu)較為復(fù)雜。為了降低遙感圖像微小目標(biāo)檢測(cè)程序的工作量，將初始遙感圖像尺寸調(diào)整為1 024×1 024，以0.25的概率隨機(jī)增加圖像亮度。準(zhǔn)備的實(shí)驗(yàn)數(shù)據(jù)集中一共包含8 000張遙感圖像，所用到的數(shù)據(jù)樣本在進(jìn)入檢測(cè)程序前都要經(jīng)過人為的標(biāo)記，而人工標(biāo)記則是將遙感圖像中的特定地點(diǎn)及分類標(biāo)示出來(lái)，標(biāo)記包含遙感圖像名稱、檢測(cè)目標(biāo)數(shù)量、檢測(cè)目標(biāo)位置坐標(biāo)等。將標(biāo)記完成的遙感圖像縮小100倍作為測(cè)試數(shù)據(jù)，以達(dá)到微小目標(biāo)的尺寸需求，并將測(cè)試圖像與標(biāo)記信息一一對(duì)應(yīng)，標(biāo)記信息即為驗(yàn)證檢測(cè)性能的對(duì)比數(shù)據(jù)。

2.2 選擇遙感圖像檢測(cè)目標(biāo)

根據(jù)遙感圖像的拍攝內(nèi)容，針對(duì)不同的測(cè)試樣本設(shè)置不同的檢測(cè)目標(biāo)。本次實(shí)驗(yàn)采用的檢測(cè)目標(biāo)，主要包含了飛機(jī)、車輛、艦船和橋梁。

2.3 配置深度學(xué)習(xí)算法運(yùn)行參數(shù)

由于優(yōu)化設(shè)計(jì)的遙感圖像微小目標(biāo)檢測(cè)方法應(yīng)用了深度學(xué)習(xí)算法，為保證該算法的正常運(yùn)行，需要對(duì)相關(guān)參數(shù)進(jìn)行配置。深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中32×64尺寸的卷積核數(shù)量設(shè)置為822個(gè)，64×64以及64×128尺寸的卷積核設(shè)置數(shù)量分別為2 754和2 408，而128×128的卷積核數(shù)量共852個(gè)。設(shè)定深度學(xué)習(xí)算法訓(xùn)練的最大迭代數(shù)是1 000次，設(shè)置初始的學(xué)習(xí)率是0.005，該參數(shù)的數(shù)值會(huì)隨著重復(fù)次數(shù)的增加而降低，在300次重復(fù)的情況下，學(xué)習(xí)率下降到0.001，而在600次重復(fù)的情況下，學(xué)習(xí)率下降到0.000 1。該方法通過隨機(jī)梯度法來(lái)更新加權(quán)。為加快訓(xùn)練速度，本文提出了一種批量訓(xùn)練方法，以48次隨機(jī)抽取48個(gè)遙感圖像樣本進(jìn)行訓(xùn)練。

2.4 描述目標(biāo)檢測(cè)實(shí)驗(yàn)過程

選擇交叉訓(xùn)練的方式進(jìn)行訓(xùn)練和驗(yàn)證，提高泛化能力的同時(shí)避免產(chǎn)生實(shí)驗(yàn)誤差。安裝CPU AMD Athlon64 X2 4 000+ AM2的計(jì)算機(jī)作為遙感圖像微小目標(biāo)檢測(cè)方法的運(yùn)行與測(cè)試設(shè)備，為了給測(cè)試樣本提供充足的存儲(chǔ)空間，上位機(jī)連接一個(gè)8.2 TB的硬盤。采用編程工具將優(yōu)化設(shè)計(jì)的基于深度學(xué)習(xí)的遙感圖像微小目標(biāo)檢測(cè)方法轉(zhuǎn)換成計(jì)算機(jī)可以直接讀取并運(yùn)行的程序代碼，經(jīng)過軟件調(diào)整保證檢測(cè)正常運(yùn)行的情況下，隨機(jī)選擇實(shí)驗(yàn)樣本，將其代入到檢測(cè)程序中，得出微小目標(biāo)檢測(cè)結(jié)果。橋梁目標(biāo)和艦船目標(biāo)的檢測(cè)結(jié)果如圖5所示。

圖5 遙感圖像中微小目標(biāo)的檢測(cè)結(jié)果

從圖5中可以直觀地看出，輸出的檢測(cè)界面中顯示了遙感圖像中微小目標(biāo)的數(shù)量和位置坐標(biāo)。按照上述流程可以得出所有遙感圖像樣本中的目標(biāo)檢測(cè)結(jié)果。

2.5 設(shè)置檢測(cè)性能量化測(cè)試指標(biāo)與實(shí)驗(yàn)對(duì)比項(xiàng)

此次實(shí)驗(yàn)分別從檢測(cè)精度性能和檢測(cè)方法運(yùn)行性能兩個(gè)方面進(jìn)行測(cè)試，其中檢測(cè)性能可以細(xì)分成目標(biāo)數(shù)量檢測(cè)和目標(biāo)位置檢測(cè)兩個(gè)部分。設(shè)置查準(zhǔn)率和查全率作為目標(biāo)數(shù)量檢測(cè)性能的測(cè)試指標(biāo)，查準(zhǔn)率描述了檢測(cè)目標(biāo)數(shù)量與實(shí)際目標(biāo)數(shù)量的比值，查全率反映的是檢測(cè)結(jié)果中正確目標(biāo)數(shù)量的占比，上述兩個(gè)指標(biāo)的數(shù)值結(jié)果可表示為式(13)：

(13)

公式(13)中，Ncorrect、Nout和Nset分別為檢測(cè)結(jié)果中微小目標(biāo)的正確數(shù)量、實(shí)際輸出目標(biāo)數(shù)量以及遙感圖像中設(shè)置的目標(biāo)數(shù)量，計(jì)算得出查準(zhǔn)率ηaccuracy和查全率ηrecall的值越高，證明對(duì)應(yīng)方法的檢測(cè)性能越優(yōu)。而目標(biāo)位置檢測(cè)性能設(shè)置的量化測(cè)試指標(biāo)為位置檢測(cè)誤差，其數(shù)值結(jié)果如式(14)所示：

(14)

式(14)中，(xactual,i,yactual,i)和(xtesting,i,ytesting,i)分別為微小目標(biāo)點(diǎn)i的實(shí)際坐標(biāo)和檢測(cè)坐標(biāo)，參數(shù)n表示微小目標(biāo)點(diǎn)的數(shù)量。由于優(yōu)化設(shè)計(jì)的檢測(cè)方法可能出現(xiàn)漏檢的情況，因此在位置檢測(cè)誤差的測(cè)試過程中只考慮檢測(cè)結(jié)果中的目標(biāo)點(diǎn)。計(jì)算得出指標(biāo)εposition取值越大，證明對(duì)應(yīng)方法的檢測(cè)性能越差。另外，設(shè)置檢測(cè)響應(yīng)時(shí)間作為檢測(cè)方法運(yùn)行性能的衡量指標(biāo)，該指標(biāo)關(guān)系到深度學(xué)習(xí)算法在實(shí)際應(yīng)用中的可實(shí)現(xiàn)性和處理效率，其測(cè)試結(jié)果在調(diào)取上位機(jī)后臺(tái)運(yùn)行數(shù)據(jù)后，能夠直接獲得。

為了體現(xiàn)出優(yōu)化設(shè)計(jì)檢測(cè)方法的性能優(yōu)勢(shì)，本實(shí)驗(yàn)設(shè)置了兩個(gè)對(duì)比方法作為對(duì)照組。分別為以仿射不變離散哈希理論為基礎(chǔ)的遙感圖像目標(biāo)檢測(cè)方法，簡(jiǎn)稱為傳統(tǒng)方法1；和以半監(jiān)督學(xué)習(xí)為基礎(chǔ)的遙感圖像目標(biāo)檢測(cè)方法，簡(jiǎn)稱傳統(tǒng)方法2。利用相同的編程工具得出運(yùn)行程序，處理相同的遙感圖像樣本，最大程度地保證實(shí)驗(yàn)變量的唯一性。

2.6 性能測(cè)試結(jié)果分析

2.6.1 檢測(cè)精度性能測(cè)試結(jié)果

通過多組實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)與處理，最終得到的檢測(cè)精度性能的測(cè)試數(shù)據(jù)結(jié)果，具體如表1所示。

表1 遙感圖像微小目標(biāo)檢測(cè)精度性能測(cè)試數(shù)據(jù)表

將表1中的計(jì)算結(jié)果代入到公式(13)中，可以得出傳統(tǒng)目標(biāo)檢測(cè)方法查準(zhǔn)率和查全率指標(biāo)的平均值分別為92.35%和86.74%，而優(yōu)化設(shè)計(jì)目標(biāo)檢測(cè)方法的平均查準(zhǔn)率為98.65%，平均查全率為97.48%，均高于設(shè)置的對(duì)比方法，由此證明優(yōu)化設(shè)計(jì)方法在目標(biāo)數(shù)量檢測(cè)方面的具有更高優(yōu)勢(shì)。提取檢測(cè)輸出結(jié)果中的坐標(biāo)數(shù)據(jù)和目標(biāo)的實(shí)際位置坐標(biāo)，通過公式(14)的計(jì)算，得出目標(biāo)位置檢測(cè)誤差的測(cè)試結(jié)果，如圖6所示。

圖6 遙感圖像微小目標(biāo)位置檢測(cè)誤差測(cè)試對(duì)比結(jié)果

從圖6中可以看出，基于深度學(xué)習(xí)的遙感圖像微小目標(biāo)檢測(cè)方法的位置檢測(cè)誤差始終低于對(duì)比方法，由此證明優(yōu)化設(shè)計(jì)方法的檢測(cè)精度性能更優(yōu)。

2.6.2 檢測(cè)方法運(yùn)行性能測(cè)試結(jié)果

通過上位機(jī)后臺(tái)運(yùn)行數(shù)據(jù)的讀取，得出兩種目標(biāo)檢測(cè)方法響應(yīng)時(shí)間的測(cè)試對(duì)比結(jié)果，如表2所示。

通過平均值計(jì)算，可以得出優(yōu)化設(shè)計(jì)方法與實(shí)驗(yàn)對(duì)比方法的平均響應(yīng)時(shí)間分別為3 830 ms和6 270 ms，由此證明優(yōu)化設(shè)計(jì)檢測(cè)方法的響應(yīng)速度更快，運(yùn)行性能更優(yōu)。

3 結(jié)束語(yǔ)

目標(biāo)檢測(cè)是一種利用物體的幾何特性和統(tǒng)計(jì)特性來(lái)進(jìn)行圖像分割的方法，由于目標(biāo)檢測(cè)具有快速定位目標(biāo)的特點(diǎn)，因此被廣泛地應(yīng)用于導(dǎo)航、遠(yuǎn)程監(jiān)測(cè)等諸多領(lǐng)域中。遙感技術(shù)以及遙感圖像的出現(xiàn)，擴(kuò)大了目標(biāo)檢測(cè)的維度，同時(shí)也為目標(biāo)檢測(cè)工作帶來(lái)巨大的難度與挑戰(zhàn)。通過深度學(xué)習(xí)算法的應(yīng)用，在保證檢測(cè)速度的同時(shí)，極大地提高了對(duì)于遙感圖像中微小目標(biāo)的檢測(cè)精度，說(shuō)明本文提出的方法可以在實(shí)際應(yīng)用中發(fā)揮一定的作用。然而由于深度學(xué)習(xí)算法需要經(jīng)過多次迭代并產(chǎn)生大量的迭代數(shù)據(jù)，因此優(yōu)化設(shè)計(jì)的目標(biāo)檢測(cè)方法需要占用較大內(nèi)存空間，針對(duì)這個(gè)問題還需要在今后的研究工作中進(jìn)一步優(yōu)化。