基于深度學習的遙感影像目標檢測系統設計

張云飛

(河海大學 計算機與信息學院, 南京 211100)

0 引言

遙感影像是指一切能夠記錄地物景觀電磁波數值水平的照片或膠片，所有經過計算機處理后的遙感圖像都能保持數字信號的存在形式，但通過攝影方式獲得的模擬圖像信號，必須先經過圖像掃描儀等設備的模/數轉換處理后，才能以數字信息的方式轉存至一般的數字計算機通用載體之上。對于待處理的計算機圖像數據，為得到理想化的處理結果，必須在特定的圖像處理系統中才可以順利執行[1-2]。所謂圖像處理系統是由磁帶機、數字化儀、顯示器、計算機等多個硬件設備及數據輸入、校正變換等多個軟件程序共同組成應用系統，可在完成圖片信息分類的同時，實現對數據參量的校正、結合與變換處理。

近年來，隨著航空航天、衛星通信等多項技術手段的共同發展，遙感影像檢測已經成為了一種最為有效的監測地球表面景觀變化情況的應用手段，也是現階段遙感控制領域的重點研究內容之一。傳統卷積網絡型檢測系統借助GPU加速服務器監測地物景觀電磁波輸出波段的變化情況，再將所獲數據信息參量與原始信息模型對比，并以此突出遙感影像目標的應用有效性[3]。在面對單一遙感影像圖片時，此系統并不能完全剔除遙感影像中原始存在的雜質像素，易導致所獲圖像在適應自然環境復雜性方面存在一定的欠缺。

針對傳統方法存在的問題，引入深度學習網絡，結合邊緣紋理系數條件，設計一種新型的遙感影像目標檢測系統。引入Caffe卷積神經網絡框架，該框架能夠與影像輸入模塊、預處理模塊等多個下級執行結構間建立穩定的定向連接關系，實現目標信息的準確調取與處理。系統硬件分設遙感影像輸入模塊、圖像幀預處理模塊等多個硬件結構設備，在提取遙感影像多特征參量的同時，軟件通過目標節點分割及特征小波分解，準確剔除圖像噪聲，通過小波分解結果計算邊緣紋理系數，使檢測值與遙感影像圖片的邊緣密度水平更加匹配，完成遙感影像目標檢測系統設計。

1 遙感影像目標檢測系統硬件設計

結合深度學習框架，設計新型的遙感影像目標檢測系統硬件模塊，按需連接圖像幀預處理模塊、影像目標輸出模塊等多個結構化設備元件，目標檢測系統硬件整體框架如圖1所示。

圖1 Caffe深度學習框架的部分結構圖

如圖1所示，在深度學習框架的基礎結構上，設計遙感影像輸入模塊、圖像幀預處理模塊及影像目標輸出模塊，以下展開系統硬件設計的詳細介紹。

1.1 深度學習框架

Caffe(卷積神經網絡框架)是一種清晰且高效的深度學習型框架體系，在純粹C++/CUDA架構單元的支持下，該結構主體允許Python接口與Matlab接口同時存在，因此運用該框架的檢測型應用系統可自由在CPU模式與GPU模式之間來回切換。常見的Caffe深度學習框架主要包含Blob、Solver、Net、Layer共4大類組件結構，在執行檢測目標的前向訓練指令時，它們之間的結構化連接關系如圖2所示。

圖2 Caffe深度學習框架的部分結構圖

Blob結構掌管遙感影像目標檢測系統中的所有信息提取函數，在已知遙感地物景觀維度信息的基礎上，函數所指示的梯度信息，即為當前時刻檢測系統所顯示的維度條件[4]。在Caffe深度學習框架中，該結構可直接與遙感影像輸入模塊、圖像幀預處理模塊等多個下級執行結構建立定向連接關系。Net結構直接面對檢測系統中暫存的遙感影像目標信息，可借助Caffe深度學習框架，實現目標信息參量的調取與調試處理。

1.2 遙感影像輸入模塊

遙感影像輸入模塊負載于Caffe深度學習框架的Layer結構之下，可按照土地區塊所屬位置，對其進行編號處理，并可綜合邊緣紋理系數，設置測量周長、測量面積等多個指標參量。針對于待采集的遙感影像信息來說，檢測系統輸入模塊采用C170攝像頭監測既定環境中的地物景觀表現情況，再經由錄入信道，將這些信息參量傳輸至區塊元件編輯器結構之中[5]。遙感影像輸入模塊原理如圖3所示。

圖3 遙感影像輸入模塊原理圖

由于所處位置及邊緣地表環境的不同，每一土地區塊所表現出來的屬性參量數值也會有所不同。因此，為獲得更為準確的遙感影像輸入結果，模塊主機內的編輯器結構可按照人為指定編號的物理先后順序，對不同土地區塊進行識別，且只有在經過人為確認后，檢測系統才會將已錄入信息傳輸至下級元件結構之中。土地區塊元件編輯器結構中的所有人為輸入信息都可進行自由修改，且已選中區域的邊界線條也會明顯區別于未選中區域，相鄰土地區塊也總是呈現不同的顏色特征[6]。

1.3 圖像幀預處理模塊

如圖4所示，圖像幀預處理模塊作為遙感影像輸入模塊的下級執行結構，可針對遙感影像圖片中存在的突出性問題，進行定向化處理，如條紋去噪等[7]。經由遙感影像輸入模塊錄入的圖片信息往往包含大量的混合像素雜質，不僅會模糊原始圖像中的目標檢測信息，也會造成圖片質量水平的不斷下降。針對條紋處理指令來說，原始遙感影像圖片中存在大量的橫向、縱向或斜向條紋遮擋物，但由于其存在形式始終保持半透明狀態，因此所覆蓋像素目標并不會被完全遮擋，只是會呈現非典型雜質混合形式。在此情況下，檢測系統雖然也能夠分辨遙感影像圖像中的目標信息，但卻極難剔除這種混合狀態的雜質像素。為解決此問題，圖像幀預處理模塊可定向去除圖片中的所有條紋遮擋物，并對處理后圖像進行原始像素恢復，一方面保障了遙感影像目標的提取完整性，另一方面也可避免雜質像素對原始目標信息的影響，從而使得最終系統檢測結果具有較強的可參考性價值[8]。在深度學習框架的支持下，預處理模塊所經歷的去條紋指令不必針對所有圖片像素節點，而是可借助檢測主機自行選擇所需處理的影像區域，從而大幅節省了系統檢測指令所需的執行時間。

圖4 圖像幀預處理模塊的去條紋處理

1.4 影像目標輸出模塊

影像目標輸出模塊可針對遙感影像圖片中的既定像素區域進行放大處理，隨著放大倍數值的增加，非輸出區域的目標信息被不斷弱化，而待輸出區域的目標信息被不斷凸顯，因此遙感影像目標檢測系統最終所輸出的影像圖片中必然包含待監測區域的全部目標信息。若以比率為3∶46的條件對遙感影像圖片進行放大，放大前圖像邊緣信息的極大值反饋情況更為明顯，而目標影像信息的極大值反饋情況較為薄弱；而放大后圖像邊緣信息的極大值反饋情況相對來說得到了弱化，目標影像信息的極大值反饋情況卻得到了明顯促進[9-10]。對于深度學習框架來說，影像目標輸出模塊的這種應用需求可較好避免目標影像目標不突出的問題，在深化目標信息表現價值的同時，實現了對信息參量的有效整合，從而最大化發揮遙感影像信息的實際應用價值。針對不同遙感影像圖片來說，影響目標區域所遵從的放大標注也有所不同，但總的來說，與放大前圖片匹配的數值參量越小、與放大后圖片匹配的數值參量越大，最終所得的遙感影像目標檢測結果也就越精準，如圖5所示。

圖5 遙感影像目標的輸出結果

2 融合深度學習的遙感影像目標檢測系統軟件設計

在硬件框架的基礎上設計遙感影像目標檢測系統的軟件程序。為提升遙感影像目標檢測的準確性及圖像質量，需最大程度地剔除遙感影像中存在混合的雜質像素。結合深度學習框架下的遙感影像目標檢測系統硬件設計方案，通過影像多特征提取、目標節點分割、影像特征小波分解、邊緣紋理系數計算，提升遙感影像目標檢測的去噪能力，從而有效剔除混合雜質像素，準確匹配遙感影像圖片的邊緣，完成基于深度學習網絡的遙感影像目標變化能力檢測。

2.1 遙感影像多特征提取

在執行遙感影像目標檢測指令時，首先需要劃分框架區域和遙感影像區域，前者限定了待檢測遙感影像目標的實際波動范圍，后者則針對個別像素信息進行甄別。待確保框架區域與遙感影像區域完全穩定后，迫使兩個框架相互融合，當二者處于相融但未完全相融的表現狀態時，其相交區域就是系統目標檢測框架所處位置。與框架區域與遙感影像區域相比，目標檢測區域內遙感影像像素的覆蓋量更為密集，其中雜質像素的存在量也會成倍增加。針對此問題，經由目標檢測算法模塊的遙感影像圖片會再次進入圖像幀預處理模塊，當確保所有雜質混合問題都得到解決后，原始影像圖片才會以信息編碼的形式，進入影像目標輸出模塊中[11-12]。考慮到Caffe深度學習框架的影響作用能力，目標檢測算法模塊所框取的遙感影像區域不應過大，應以適應土地區塊原始面積信息為宜，一般情況下，土地區塊原始面積越大，目標檢測算法模塊所框取的遙感影像區域也就越大，反之則越小。而針對于大范圍的遙感影像環境來說，目標檢測算法模塊則需將待檢測目標分割成多個小型方正平面結構，且每個圖片區域中應盡可能多地包含多個類型相同的遙感影像目標信息。

深度學習框架通過統計遙感影像目標樣本所處位置的方式，確定圖片中影像節點處的多特征信息參量條件，再通過查詢影像目標輸出模塊中圖片放大倍數值的方式，計算得到最終的遙感影像多特征提取結果[13]。處于地表環境中的任何遙感目標都同時具備發射、吸收與反射電磁波的能力，且同種類地物景觀總是保持相同的電磁波譜表現情況，而非同種地物景觀也始終保持相異的電磁波譜表現情況[14]。在單一遙感影像圖片中，地物反射波譜特征能夠直觀反應影像中地物內容的變化情況，而目標檢測系統的設計就恰好利用了影像目標光譜的特征差異情況進行處理。設i代表既定影像目標的原始遙感信息參量，e代表該影像目標的實際遙感信息參量，xi代表權限量為i時的遙感影像系數值，xe代表權限量為e時的遙感影像系數值，聯立上述物理量，可將遙感影像目標的多特征提取結果表示為：

(1)

其中:r表示深度學習網絡中目標信息參量的下限區分條件，c表示學習網絡中目標信息參量的上限區分條件，ur表示遙感影像目標的待檢極小值，uc表示遙感影像目標的待檢極大值，δ1、δ2分別代表兩個不同的信息量分辨系數。

2.2 目標節點分割

(2)

2.3 遙感影像特征小波分解

小波分解是一種特有的頻率成分分析手段，可將已定義的母函數在時間軸與尺度軸上進行同步收縮處理，從而使得待檢測的遙感影像目標輸出波能夠更適應深度學習框架的實際執行需求：一方面分析目標檢測算法模塊中已存儲遙感影像目標信息的實際應用價值；另一方面從整體化層面描述目標節點處遙感影像信息的非平穩特性水平。小波分解可將連貫的遙感影像數據分割成不同頻率的分布式函數或小型算子，對于深度學習網絡來說，為獲得理想化的檢測結果，系統主機只需針對每一小節內的信息參量進行按需分析，再建立完整的小基波序列條件，從而實現對遙感影像特征信息的重排處理。設ΔT代表遙感影像目標檢測指令的單位執行時長，f代表小基波序列的分布函數量條件，聯立公式(2)，可將遙感影像特征的小波分解條件定義為：

(3)

其中：χ代表遙感影像目標在時間軸上的母函數定義參量，P代表遙感影像目標在尺度軸上的母函數定義實際數值，P0代表遙感影像目標在尺度軸上的母函數定義初始數值。

2.4 邊緣紋理系數

采用深度學習網絡對遙感影像圖像中目標波段的邊緣紋理參量進行提取，首先需要將待處理的紋理參量值作為影像圖片的最邊緣特征值。利用已獲得的小波分解結果對紋理系數值進行二次整改，從而使得計算結果能夠與遙感影像圖片的邊緣密度水平更加匹配。

邊緣紋理系數計算流程如圖6所示。

圖6 邊緣紋理系數計算流程圖

設bmin代表最小的深度學習網絡整改系數，bmax代表最大的深度學習網絡整改系數，聯立公式(3)，可將邊緣紋理系數計算結果表示為：

(4)

式中，j1、j2分別代表兩個不同的遙感影像圖片邊緣特征值參量，k代表小基波作用系數，ΔA代表單位時間內的影像目標信息傳輸變化量，得到遙感影像目標檢測。

綜上，所設計遙感影像目標檢測系統軟件流程如圖7所示。

圖7 遙感影像目標檢測系統軟件流程

通過上述流程完成系統軟件設計，在結合Caffe深度學習網絡框架的同時，完成對新型遙感影像目標檢測系統的設計。

3 實驗結果與分析

3.1 實驗方法

為驗證所設計基于深度學習的遙感影像目標檢測系統的應用性能，本次實驗在Matlab仿真平臺中運行。以檢測系統輸入模塊采集到的遙感圖像為例，將單一遙感影像圖片中的光譜信息、邊緣信息與紋理特征數據組合作為實驗對象，分別將所獲取目標數據參量輸入實驗組與對照組系統中，以檢測相關指標參量的具體變化情況，其中，實驗組采用基于深度學習的遙感影像目標檢測系統，對照組采用卷積網絡型檢測系統。

3.2 結果分析

在單一遙感影像圖片中，分別針對光譜信息、邊緣信息與紋理特征數據組合進行提取處理，獲得圖8所示的待檢測目標圖像。

圖8 單一遙感影像圖片的目標特征

針對圖8中的(a)圖像進行檢測分析，繪制圖8所示的光譜信息樣本變化情況對比圖，已知其中暗色像素代表雜質像素、亮色像素代表有效像素。

分析圖9可知，實驗組、對照組光譜信息樣本始終保持相同的分布情況，但從光合度對比角度來看，對照組圖像的灰暗程度明顯高于實驗組，且暗色像素、亮色像素之間的對比性并不十分明顯。綜上可知，實驗組光譜信息樣本中有效像素的占比量較大、雜質像素的占比量較小，二者之間對比明顯，極其便于后續的檢測與剔除處理。

圖9 光譜信息樣本變化情況

針對圖8中的(b)圖像進行檢測分析，繪制表1，已知effective、impurity分別記錄了原始圖像中有效像素節點與雜質像素節點的具體數量值水平。

分析表1中數值記錄結果可知，實驗組Effective數值始終保持相對較高的存在水平，而impurity數值則保持相對較低的存在水平，二者相加數值始終與遙感影像圖片中目標像素節點的總數值水平相等。對照組Effective數值水平與impurity數值水平相差不大，前者的數值水平遠不及實驗組，后者的數值水平卻遠高于實驗組，二者相加數值也始終小于遙感影像圖片中目標像素節點的總數值，最大值僅達到了9.9×1015·DPI。綜上可知，實驗組邊緣信息樣本的有效像素節點數量遠高于雜質像素節點數量，在一定程度上可避免雜質像素覆蓋有效像素行為的出現。

表1 邊緣信息樣本變化情況

針對圖8中的(c)圖像進行檢測分析，繪制圖10所示的紋理特征數據組合樣本變化情況對比圖，由于繪制圖像的灰度水平較高，因此若最終圖像中存在明顯的亮色像素線條，即代表有效像素節點與雜質像素節點可得到有效區分。

圖10 紋理特征數據組合樣本變化情況

分析圖10可知，對照組紋理特征數據組合樣本呈現完全灰暗的表現情況，全圖中不存在明顯的亮色像素線條，甚至不存在明顯的亮色像素節點。實驗組紋理特征數據組合樣本的灰度水平雖然相對較高，但在圖像中部依然存在明顯的亮色像素線條，且邊緣區域處亮色像素節點與暗色像素節點間的對比也極為明顯。綜上可知，實驗組紋理特征數據組合樣本中有效像素節點的占比量較大、雜質像素節點的占比量較小，且二者之間的對比情況極為明顯，可實現對影響目標像素的有效分析。

基于深度學習的遙感圖像目標檢測系統的應用價值主要表現在3個方面：光譜信息樣本處理、邊緣信息樣本處理、紋理特征數據組合樣本處理。對實驗結果進行分析對比可以看出，在像素節點數不變的情況下，經過所設計檢測系統處理后，原始圖像中有效像素節點所占比例更大、雜質像素節點所占比率更小，且二者之間存在清晰可見的敏感性對比關系，符合剔除混合雜質像素的實際應用需求，在自然環境多樣性適應方面也具備更強的實用價值。

4 結束語

本文設計基于深度學習的遙感影像目標檢測系統，在深度學習框架的作用下，遙感影像目標檢測系統針對圖像幀預處理模塊、目標檢測算法模塊等多個硬件設備結構體的應用功能進行完善，一方面使得目標檢測節點得到了有效的分割處理；另一方面也計算得到了更為準確的邊緣紋理系數值結果。對比實驗結果表明，在單一遙感影像圖片中，無論待檢測目標怎樣變化，原始圖像中的有效像素節點與雜質像素節點都能得到有效區分，不僅可以適應更加復雜且多變的自然環境，還能夠從中獲得更為準確的地表景觀變化監測結果。