文摘
科学卫星的发展使其成为现实的人们认为地球的天空。然而,由于图像的分辨率,遥感图像的有效和准确的解释一直是该行业追求的目标之一。在这篇文章中,我们将可变邻域搜索算法,减少遥感图像的准确性,干净的无效信息数据,使用无监督分类方法来快速定位小目标,把它作为验证信息,比较和选择通过样本图像数据信息,区分背景和目标的结果,得到稳定的检测结果。实践表明,该方法能有效检测遥感图像中的小目标。
1。介绍
数量不断增加的感知图像、遥感已成为理解地球的重要方法之一。它使用卫星和地面无人机获取的光谱图像对象不碰对象和分析图像的光谱特性,不断识别功能(1,2]。图像目标提取的有效检测的概率特性分布不同的小目标图像分布结果(3,4]。其应用领域和方向广泛,如城市优化布局、目标识别和检测,和生态环境监测4,5]。作为解释的重要方式之一,是非常重要的准确、有效地识别目标,挖掘目标。传统的检测方法可以通过统计数据,进行目标探测目标探测通过现有的知识,并通过建立目标探测模型。所有的这些需要设置优先级条件,很难大规模图像判读自动化(6- - - - - -8]。
传统遥感图像判读,它可以分为监督分类和非监督分类根据解释方法。监督分类是先确定一个特定的示例和提取基于样本相似的目标,但样品的采集是全面限制图像采集、光谱采集和样本的选择也有一定的限制。因此,如何选择特定的监督分类的结果有效的图像判读以满足最终的分类要求?非监督分类是没有样品直接进行解释和分类并获得最终结果(9,10]。虽然这个方法很简单,容易实现,因为没有样品,经常会有错过的判断或误判,这为后期大量的工作(11,12]。
因此,为了应对这一问题,本文结合可变邻域搜索算法来检测和处理小型多媒体目标在遥感图像中,分离目标和背景空间根据小目标,并区分遥感图像多媒体检测和处理。
2。多媒体基于高光谱遥感图像的小目标检测方法
多媒体的小目标检测是通过综合全面分析遥感图像非监督分类的支持向量机,并自适应反馈确定规则是明确的,包括遥感图像的降维,验证信息提取,自适应调整和优化、多媒体和小目标检测和分析;具体流程图如图1:
2.1。高光谱遥感图像降维,收购后的信息
尽管遥感图像可以提供丰富的光谱信息,邻近地面物体的光谱有明显呼吸相关性,这很容易导致错误的分类相邻地图和加剧的增加地图的大小计算和信息。因此,有必要消除冗余信息和澄清的主要提取信息。基于获得的图像,因此,本文对地图信息,执行主成分分析计算高维数据映射到低维数据,并消除冗余和无效的信息,大大减少了数据量,降低了计算。数据是基于主成分分析对遥感图像数据进行降维分析。
在此基础上,无监督分类方法用于定位小目标遥感图像,准确识别验证奠定了基础,降低了检测的工作量,提高检测的效率(13- - - - - -15]。
2.2。自适应确定支持向量机核函数参数基于内核空间散度标准
在小目标检测的过程中,最重要的是遥感图像的光谱数据检测。基于核空间扩大,本文进一步澄清,核函数的参数进行了优化组内和组内的距离差异或距离比例最大的核空间,给出了相应的快速迭代公式。
为和两个像素之间,内核空间中的内积可以间接计算核函数使用以下公式:
中央像素的计算公式内核空间的某种类型的像素和中央像素的像素下列公式所示:
组内散度的计算公式在内核空间如下公式所示:
中间代表了th元素集中内核的矩阵内的类。
类似的推导方法 ,组内的散度的计算公式在内核空间中可以得到如下公式所示: 在哪里类型的总数吗问像素,问= 1,2,…C, , 类型的总数吗像素,p= 1,2,…,C, ,和代表了 组内的集中内核矩阵的元素。
和可以通过以下公式计算:
然后,内核参数的迭代公式e是
其中,兰德的值范围(0,1),符号函数 ,和迭代步长由λ。
2.3。算法总体流程
针对小目标探测的问题,设计了一种多目标迷走神经刺激法(MOVNS)算法得到帕累托解集的问题。让x是当前解决方案的问题, 的相邻解集x下kth社区结构,P帕累托解集维护期间的操作算法。MOVNS算法的总体流程如下:第一步:生成初始解x,P= (x),迭代麦克斯特的最大数量,数= 0;步骤2:虽然(数≤maxlter)为k= 1, ;随机选择P %的解决方案,随机选择目标函数r为优化∈{1,2};执行本地搜索基于邻域结构得到局部最优解x′;如果x′是帕累托解P: = P∪{x′};删除解决方案由x′P;数= 0;其他数+ +;步骤3:输出帕累托解集P。MOVNS算法的初始解和社区结构描述在前面两个部分。
2.4。最初的解决方案生成过程
合同中调度问题在这项研究中,每个工作订单的生产流程已经确定,即单位通过这个过程是已知的。合同调度从第一天开始和结束的来的一天。使用正向和反向计算方法,最早开始时间和最新的开始时间可以计算出每个单元的每个工作秩序。最初的解决方案生成过程只考虑优化目标(2),和过程如下。
最初的解决方案生成过程:步骤1:对要处理的工作指令单位m∈m,递增的顺序排序工作订单列表 ;步骤2:为t= 1 | T |为米| |米= 1根据订单的顺序工作和考虑能力约束的单位米天,工作订单安排生产t的单位米。如果安排成功,工作秩序将被删除 ;步骤3:输出初始解。
2.5。社区结构
在搜索过程中,迷走神经刺激法算法需要在社区或者测试新的解决方案不同的结构来改善当前的解决方案。MOVNS算法本文使用三个社区结构,也就是说,N2 (x)=插入街区,N2 (x)=互换社区和N3 (x)= 2插入附近。
插入邻域搜索过程删除工作订单从当前解决方案和统治者成其它时间段溶液中获得一个新的解决方案。在实施过程中,由于大量的工作指令,为了节约算法的运行时间,400年,500年,600年、700年和800年工作指令被随机选中插入邻域搜索,而不是社区搜索所有工作指令。
交换邻域搜索过程选择两个订单处理相同的过程反过来与交流处理时间在每个单位获得一个新的解决方案。
插入邻域搜索过程类似于插入邻域搜索过程。所不同的是,两个相邻工作指令选择和插入到最佳位置在当前的解决方案来获得一个新的解决方案。
上面的邻居都是执行搜索操作的前提下满足实际问题的约束。因此,它是可能的搜索尽可能多的社区,增加的概率找到一个更好的解决方案,节约算法的执行时间。
3所示。实验分析
3.1。实验平台和数据
为了验证性能的变邻域搜索算法在遥感图像的多媒体检测小目标,生产规模大,介质,并根据相关数据集小目标,收集典型数据集,如飞机和体育领域,通过遥感图像目标和收集工作,测试训练样本扩大。这次的样品收集的数据提供2600件,其中440件是用于验证数据集和测试数据集330件。统计样本的目标分布如图2。部门和小目标的集合,各种数据集的分布和基于中小目标的识别。
为了判断检测的有效性和准确性,交互式比较是基于现有的数据集,然后,判断是基于内置的预测的可靠性检测小目标识别的有效性。
在这项研究中,首先,根据高光谱多媒体小目标检测方法的检测变邻域搜索算法,大量的小目标多媒体进行检测,并与现有的RX方法相比(第一法)和核RX方法(第二种方法)。相比较而言,可以使用直方图分割方法提取小目标对第一种方法和第二种方法。根据设置的参数特征的遥感图像。相比,本文的方法有三种比较方法确保方法的优越性和验证方法的不敏感性根据检测的所有澄清错误值。
使用定义的检出率Pd和Pf假警报率定量分析检测结果。具体计算如下公式所示: 在哪里发现真正的目标像素的数量,真正的目标像素的总数,误警率发现是假警报的数量的像素,在整个图像的像素总数。
3.2。培训变邻域搜索算法的分析
数据增强使用过程如裁剪、旋转和缩放衰减分析。具体的衰减曲线如图3:
执行批处理损失函数。具体训练曲线如图4。的最终价值损失可以控制的范围内(0,1),和收敛效果相对较好。变邻域搜索算法多媒体的小目标检测可以有效地训练,和反向不容易发散,这验证了算法结构的有效性。
3.3。变邻域搜索算法的精度分析
为了验证变邻域搜索算法的性能,使用训练集训练快R-CNN和R-FCN基于候选框方法作为比较,和准确性验证进行验证集。快R-CNN,分别。两个网络,ResNet50 ResNetlO1,作为基本的网络。R-FCN使用ResNetl01作为基础网络和使用更精确的Inceptionv2网络取代的VGG16 SSD算法。它还参与的比较实验。上述算法的输入大小图像是800 pixll×800像素。除了变邻域搜索算法,另一个算法都使用pretrained可可数据集对迁移学习模型,和可变邻域搜索算法使用上面提到的迁移方法。参数迁移执行的一部分。上述算法训练和迭代1.5×105次,进行了精度分析和统计验证集和测试集,分别。单一图像的比较结果预测耗时和验证设置精度指标如图5。
从图可以看出6模型参数的变邻域搜索算法只增加了6.4 MB与SSD + Inceptionv2相比,但快R-CNN和R-FCN算法相比,要低得多,特别是R-FCN + ResNet101只有23%。从的角度预测单个图像的时间成本,可变邻域搜索算法增加47女士与SSD + Inceptionv2相比,但减少更快R-CNN和R-FCN算法相比,尤其是与快R-CNN + ResNet101相比。它减少了45.7 ms。从精度指标的角度,变邻域搜索算法的检测精度降低1.38%大目标验证集, ,R-FCN + ResNet101相比,和其他指标都优于其他方法,特别是在检测小目标。在测试集,增加了13.92%,第二个最高R-FCN + ResNet101,这表明,可变邻域搜索算法在中小目标检测具有明显的优势。从结果可以看出,越快R-CNN和R-FCN算法收敛速度比可变邻域搜索算法,表明改进的SSD算法收敛时间相对较长,这有一定的关系的一些参数的随机初始化。域搜索算法和SSD + Inceptionv2算法表明,SSD的准确性+ Inceptionv2波动较大的迭代步骤,特别是小目标的准确性突变是最明显的。这表明SSD算法小目标数据集训练效果很差,这是进一步证实。SSD的低级特征是可怜的小目标识别,但变邻域搜索算法能够更好地适应小的目标数据,和每个的精度指标变量的变化邻域搜索算法通常是相对稳定的。
从上面的计算结果,与SSD算法相比,R-CNN算法,和R-FCN算法,变邻域搜索算法具有更明显的优势在小目标检测;从时间的角度来看,变邻域搜索算法有效地减少所需的时间,与此同时,它可以解决贫穷的问题适应算法的小目标样本数据集。因此,对于可变邻域搜索算法,其优势更加明显,结果更准确,效率更高效。
3.4。检测结果的比较
根据检测结果,主要原因是综合检测。没有预设的过程样本。变邻域搜索算法可以有效地预测小目标,并验证信息不受无监督的检测分析。与别人相比,该算法而言,可变域搜索算法有明显的稳定和迭代检测小目标的有效性。
4所示。结论
遥感图像小目标检测是一种重要的遥感图像的困难。摘要可变域搜索算法集成检测小目标分别使用降维、非监督分类、适应性的决心和支持向量机对小目标探测。实践结果证明,该方法是有效的。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这个研究是由基本科研业务收费项目浙江大学(项目号频21 yb022)。