本發(fā)明涉及計算機(jī)圖像處理，更具體的說是涉及結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法及系統(tǒng)。

背景技術(shù)：

1、發(fā)射車狀態(tài)辨識在軍事應(yīng)用中至關(guān)重要，快速、準(zhǔn)確地獲取敵方發(fā)射車的位置和狀態(tài)信息對于戰(zhàn)略決策和戰(zhàn)術(shù)實施具有關(guān)鍵作用，而遙感技術(shù)因其偵照范圍廣、高效實時的特點，成為獲取發(fā)射車狀態(tài)信息的重要手段，利用遙感技術(shù)獲取發(fā)射車狀態(tài)能夠為戰(zhàn)略決策提供必要的信息，可以有效縮短決策周期，具有重大的研究價值。

2、目前，流行的深度學(xué)習(xí)方法已經(jīng)能夠較好地實現(xiàn)遙感圖像發(fā)射車狀態(tài)辨識，但是，也面臨著日益嚴(yán)峻的挑戰(zhàn)，包括由于視點變化、遮擋、云霧干擾等導(dǎo)致的目標(biāo)視覺外觀的巨大變化等，尤其是在云霧條件下，發(fā)射車的視覺特征容易被掩蓋，使得傳統(tǒng)算法難以對發(fā)射車狀態(tài)進(jìn)行準(zhǔn)確辨識，這些復(fù)雜背景干擾因素使得目標(biāo)容易漏檢或錯檢，導(dǎo)致發(fā)射車狀態(tài)辨識精度難以進(jìn)一步提升。

3、因此，如何提高淺層云霧干擾下遙感圖像的發(fā)射車狀態(tài)辨識的精確度是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法及系統(tǒng)以解決背景技術(shù)中提到的技術(shù)問題。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，包括以下步驟：

4、s101、獲取原始光學(xué)遙感圖像數(shù)據(jù)；

5、s102、對原始光學(xué)遙感圖像數(shù)據(jù)進(jìn)行預(yù)處理，并輸入至云去除網(wǎng)絡(luò)和目標(biāo)檢測網(wǎng)絡(luò)順序連接的端到端一體化網(wǎng)絡(luò)；

6、s103、通過端到端一體化網(wǎng)絡(luò)中的dehazenet云去除網(wǎng)絡(luò)對預(yù)處理后的光學(xué)遙感圖像數(shù)據(jù)進(jìn)行淺層云霧去除；

7、s104、利用端到端一體化網(wǎng)絡(luò)中的級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)對去除淺層云霧后的圖像數(shù)據(jù)進(jìn)行目標(biāo)特征提取、特征整合、發(fā)射車定位檢測以及發(fā)射車狀態(tài)分類辨識；

8、s105、通過計算dehazenet云去除網(wǎng)絡(luò)、級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)各自的損失函數(shù)進(jìn)行監(jiān)督訓(xùn)練，并將級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)的發(fā)射車定位檢測結(jié)果反饋給dehazenet云去除網(wǎng)絡(luò)，調(diào)整云霧去除時的云去除權(quán)重；

9、s106、獲取待測光學(xué)遙感圖像數(shù)據(jù)輸入訓(xùn)練好的端到端一體化網(wǎng)絡(luò)，輸出發(fā)射車定位檢測結(jié)果以及發(fā)射車狀態(tài)分類辨識結(jié)果。

10、優(yōu)選的，步驟s102中，對原始光學(xué)遙感圖像數(shù)據(jù)進(jìn)行預(yù)處理的具體內(nèi)容為：對獲得的原始遙感圖像進(jìn)行線性量化和圖像塊裁切，標(biāo)注目標(biāo)真值框和目標(biāo)發(fā)射車狀態(tài)。

11、優(yōu)選的，dehazenet云去除網(wǎng)絡(luò)包括特征提取塊、特征強(qiáng)化塊和圖像重建塊；

12、特征提取塊、特征強(qiáng)化塊和圖像重建塊依次連接，特征提取塊和圖像重建塊之間在相同特征圖尺度上進(jìn)行跳躍連接；

13、特征提取塊的輸入為原始圖像，經(jīng)過兩次卷積層和下采樣層，獲取圖像的深層特征圖；特征強(qiáng)化塊利用swin-transformer編碼器和解碼器對深層特征圖進(jìn)行特征強(qiáng)化還原發(fā)射車紋理特征；圖像重建塊對特征強(qiáng)化后的圖像經(jīng)過兩次卷積層和上采樣層并結(jié)合跳躍連接獲取的多尺度特征進(jìn)行圖像重建，獲得去除淺層云霧的清晰圖像。

14、優(yōu)選的，級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)包括依次連接的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、目標(biāo)檢測頭和狀態(tài)分類頭；

15、主干網(wǎng)絡(luò)用于從去除淺層云霧后的圖像數(shù)據(jù)逐步提取不同層次的特征圖，頸部網(wǎng)絡(luò)用于進(jìn)行多尺度特征融合，目標(biāo)檢測頭用于通過多尺度融合特征圖對發(fā)射車進(jìn)行檢測和定位，狀態(tài)分類頭用于基于目標(biāo)檢測頭的輸出結(jié)果對發(fā)射車的具體狀態(tài)進(jìn)行辨識。

16、優(yōu)選的，目標(biāo)檢測頭以多尺度融合特征圖為輸入，以發(fā)射車外觀特征為真值，首先經(jīng)過兩個3×3卷積層處理，接著分別通過邊界框回歸層和1×1卷積層處理后，輸出原始圖像中發(fā)射車的邊界框位置。

17、優(yōu)選的，狀態(tài)分類頭基于檢測頭的輸出進(jìn)行進(jìn)一步的狀態(tài)辨識，以發(fā)射車切片為輸入，以發(fā)射車不同狀態(tài)信息為真值，經(jīng)過2×2卷積層、展平層和兩個全連接層后，輸出發(fā)射車的狀態(tài)辨識結(jié)果。

18、優(yōu)選的，步驟s105中，調(diào)整云霧去除時的云去除權(quán)重的反饋調(diào)節(jié)損失函數(shù)具體為：

19、

20、其中，i為圖像的第i個像素點，x為待去云圖像，y為帶有目標(biāo)檢測框的反饋圖像，即發(fā)射車定位檢測結(jié)果，λ為目標(biāo)檢測框周圍區(qū)域的云去除權(quán)重系數(shù)。

21、一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識系統(tǒng)，基于所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，包括：遙感圖像獲取模塊、預(yù)處理模塊、端到端一體化網(wǎng)絡(luò)、監(jiān)督訓(xùn)練模塊和云去除權(quán)重反饋調(diào)節(jié)模塊，端到端一體化網(wǎng)絡(luò)包括順序連接的dehazenet云去除網(wǎng)絡(luò)和級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)。

22、一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識裝置，包括圖像獲取設(shè)備、存儲器和處理器；

23、圖像獲取設(shè)備，用于采集待檢測的光學(xué)遙感圖像；

24、存儲器中存儲有可在處理器上運行的計算機(jī)程序；

25、處理器與圖像獲取設(shè)備、存儲器數(shù)據(jù)連接，處理器執(zhí)行計算機(jī)程序時實現(xiàn)所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，對圖像獲取設(shè)備采集的待檢測的光學(xué)遙感圖像中的發(fā)射車狀態(tài)進(jìn)行自動辨識分類。

26、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法。

27、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法及系統(tǒng)，優(yōu)化云霧覆蓋條件下發(fā)射車外觀特征減弱導(dǎo)致的發(fā)射車狀態(tài)難以辨識問題，提高了淺層云霧干擾下發(fā)射車狀態(tài)辨識的精確度，同時在一定程度上降低了虛警率，得到高精確度的發(fā)射車狀態(tài)辨識結(jié)果。

技術(shù)特征：

1.一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，步驟s102中，對原始光學(xué)遙感圖像數(shù)據(jù)進(jìn)行預(yù)處理的具體內(nèi)容為：對獲得的原始遙感圖像進(jìn)行線性量化和圖像塊裁切，標(biāo)注目標(biāo)真值框和目標(biāo)發(fā)射車狀態(tài)。

3.根據(jù)權(quán)利要求1所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，dehazenet云去除網(wǎng)絡(luò)包括特征提取塊、特征強(qiáng)化塊和圖像重建塊；

4.根據(jù)權(quán)利要求1所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)包括依次連接的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、目標(biāo)檢測頭和狀態(tài)分類頭；

5.根據(jù)權(quán)利要求4所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，目標(biāo)檢測頭以多尺度融合特征圖為輸入，以發(fā)射車外觀特征為真值，首先經(jīng)過兩個3×3卷積層處理，接著分別通過邊界框回歸層和1×1卷積層處理后，輸出原始圖像中發(fā)射車的邊界框位置。

6.根據(jù)權(quán)利要求4所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，狀態(tài)分類頭基于檢測頭的輸出進(jìn)行進(jìn)一步的狀態(tài)辨識，以發(fā)射車切片為輸入，以發(fā)射車不同狀態(tài)信息為真值，經(jīng)過2×2卷積層、展平層和兩個全連接層后，輸出發(fā)射車的狀態(tài)辨識結(jié)果。

7.根據(jù)權(quán)利要求1所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，其特征在于，步驟s105中，調(diào)整云霧去除時的云去除權(quán)重的反饋調(diào)節(jié)損失函數(shù)具體為：

8.一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識系統(tǒng)，其特征在于，基于權(quán)利要求1-7任意一項所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法，包括：遙感圖像獲取模塊、預(yù)處理模塊、端到端一體化網(wǎng)絡(luò)、監(jiān)督訓(xùn)練模塊和云去除權(quán)重反饋調(diào)節(jié)模塊，端到端一體化網(wǎng)絡(luò)包括順序連接的dehazenet云去除網(wǎng)絡(luò)和級聯(lián)sc-yolo目標(biāo)檢測網(wǎng)絡(luò)。

9.一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識裝置，其特征在于，包括圖像獲取設(shè)備、存儲器和處理器；

10.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-7任意一項所述的一種結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法。

技術(shù)總結(jié)
本發(fā)明公開了結(jié)合遙感影像淺層云霧去除的發(fā)射車狀態(tài)辨識方法及系統(tǒng)，包括：獲取原始光學(xué)遙感圖像數(shù)據(jù)，并進(jìn)行預(yù)處理，輸入至端到端一體化網(wǎng)絡(luò)；通過網(wǎng)絡(luò)中的DehazeNet云去除網(wǎng)絡(luò)對預(yù)處理后圖像進(jìn)行淺層云霧去除；利用級聯(lián)SC?Yolo目標(biāo)檢測網(wǎng)絡(luò)對去除淺層云霧后圖像進(jìn)行目標(biāo)特征提取、特征整合、發(fā)射車定位檢測以及狀態(tài)分類辨識；通過計算云去除網(wǎng)絡(luò)、目標(biāo)檢測網(wǎng)絡(luò)各自損失函數(shù)進(jìn)行監(jiān)督訓(xùn)練，并將發(fā)射車定位檢測結(jié)果反饋給云去除網(wǎng)絡(luò)，調(diào)整云去除權(quán)重；待測光學(xué)遙感圖像數(shù)據(jù)輸入訓(xùn)練好的端到端一體化網(wǎng)絡(luò)，輸出發(fā)射車定位檢測結(jié)果以及狀態(tài)分類結(jié)果；本發(fā)明提高了淺層云霧干擾下發(fā)射車狀態(tài)辨識精度，降低了虛警率。

技術(shù)研發(fā)人員：徐其志,孔子陽,馬峰,鄧宏彬
受保護(hù)的技術(shù)使用者：北京理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/17