輕量級光學遙感圖像探測目標識別方法

摘 "要：常規的光學遙感圖像探測目標識別方法使用改進損失函數生成探測目標識別網絡，易受識別計算量的影響，導致探測目標的識別效果不佳，因此需要設計一種常規的光學遙感圖像探測目標識別方法。即結合探測目標的正交匹配識別殘差，設計光學遙感圖像探測目標識別跟蹤算法，再利用多尺度特征融合法構建輕量級光學遙感圖像探測目標識別網絡，從而完成遙感圖像探測目標識別。實驗結果表明，設計的光學遙感圖像探測目標輕量級識別方法的識別效果較好，識別精度較高，具有一定的應用價值，為提高各個領域的遙感圖像應用有效性作出一定的貢獻。

關鍵詞：輕量級；光學；遙感；圖像；探測；目標識別

中圖分類號：TP751 " " " 文獻標志碼：A " " " " "文章編號：2095-2945（2023）20-0067-04

Abstract： The conventional detection target recognition method of optical remote sensing image uses the improved loss function to generate detection target recognition network， which is easy to be affected by the amount of identification calculation， resulting in poor detection target recognition effect. Therefore， it is necessary to design a conventional detection target recognition method of optical remote sensing image. In this paper， the detection target recognition and tracking algorithm of optical remote sensing image is designed by combining the detection target's orthogonal matching recognition residual. The lightweight detection target recognition network of optical remote sensing image is constructed by multi-scale feature fusion method， so as to complete the detection target recognition of remote sensing image. The experimental results show that the lightweight recognition method designed for optical remote sensing image detection targets has good recognition effect and high recognition accuracy， and has certain application value， and makes a contribution to improving the effectiveness of remote sensing image application in various fields.

Keywords： lightweight; Optics; Remote sensing; Image; Probe; Target recognition

遙感圖像是一種通過航空/衛星生成的圖像，在我國各個領域都得到了廣泛的應用[1]。可以按照其成像方式、感知電磁波波長、傳感器類型等進行劃分。通過遙感圖像可以有效采集對地信息與數據[2]，降低測繪等工作的難度。光學遙感圖像是遙感圖像的一種，其成像難度較高，易受天氣、光線等自然因素影響[3]，無法在全天生成有效的遙感圖像。但光學遙感圖像的分辨率較高，具備紋理信息，可以有效獲取光譜數據，采集真實的地物數據。研究表明，常見的光學遙感圖像采集區域的天氣變化復雜[4]，經常難以識別探測目標，針對該問題，需要設計一種有效的光學遙感圖像探測目標識別方法。

事實上，光學遙感圖像可以根據采集的像素光譜特性進行分類，不同的地物呈現的空間紋理存在較大差異，生成的光學遙感圖像也具備不同的特征[5]。相關研究人員針對遙感圖像探測目標識別特征設計了幾種常規的遙感圖像探測目標識別方法。第一種是基于深度學習的遙感圖像目標識別方法，其主要通過遙感圖像識別表征完成探測目標識別[6]，第二種是利用YOLOv5網絡的遙感圖像目標識別方法，其主要利用改進損失函數進行探測目標識別。但上述2種遙感圖像探測目標識別方法在目標識別過程中易受計算量的影響，識別效果不佳，為了解決上述問題，本文設計了一種輕量級光學遙感圖像探測目標識別方法。

1 "光學遙感圖像探測目標輕量級識別方法設計

1.1 "設計光學遙感圖像探測目標識別跟蹤算法

為了解決識別計算量導致的光學遙感圖像探測目標識別效果不佳問題，本文設計了有效的遙感圖像探測目標識別跟蹤算法。若給定的識別觀測點較多，此時生成的識別目標就會缺乏統一性[7]，難以有效地進行識別，因此，在進行光學遙感圖像探測目標識別時，應該預設一個標準的Hilbert遙感識別空間[8]，生成一個線性基函數，帶入遙感探測識別觀測值進行迭代，此時可以計算遙感圖像的正交匹配識別殘差Rk，如下

Rk=lt;rk，ggt;gm+rk+1， （1）

式中：lt;rk，ggt;代表識別向量的內積，gm代表更新正交參數，rk+1代表更新的識別殘差。在殘差分解過程中，不同的觀測值始終呈動態變化進行追蹤逼近，需要使用貪婪算法進行殘差分解，分解式fN如下

式中：？琢代表設置的迭代閾值，經過分解的殘差閾值與實際的遙感圖像檢測目標識別閾值一致，但在迭代次數達到一定值后，生成的觀測值超脫了最優范圍，難以進行探測目標識別，因此本文使用擬合修正法對生成的探測識別匹配殘差進行修正處理，添加修正基函數，此時的殘差能量a如下

式中：fn代表修正擬合參數，y代表調整系數。經過多次識別發現，上述步驟的識別耗時過長，經常在一次迭代計算還未結束時就開始下一次計算，效率過低，因此本文利用匹配追溯算法將上述殘差與原始的識別原子項相交[9]，使其滿足所有目標的識別需求。為了適當提升計算效率，在信號分解前，預先將遙感圖像探測識別數據進行正交化處理，從而降低該算法的收斂精度。

在上述追蹤匹配的基礎上，若想進一步提升探測目標識別跟蹤算法的性能，可以使用選擇基系數生成識別函數字典，從而進一步得到遙感圖像探測目標識別決策函數f（X）如下

式中：g（x）代表Mercer識別條件值。使用上述設計的光學遙感圖像探測目標識別跟蹤算法可以在提升遙感圖像探測目標識別效率的同時保證識別精度，進一步提高識別方法的識別效果。

1.2 "構建輕量級光學遙感圖像探測目標識別網絡

為了提高光學遙感圖像探測目標識別的抗干擾性，本文結合上文式（3）中獲取的殘差能量利用多尺度特征融合法構建了輕量級光學遙感圖像探測目標識別網絡。設計的輕量級光寫遙感圖像探測目標識別網絡主要改自FPN結構，其可以降低干擾導致的識別網絡退化問題，及時調整網絡的識別狀態，一旦出現識別任務，該網絡可以立即將要求轉化為相應的識別映射，進一步提高識別網絡的識別有效性，構建的輕量級光學遙感圖像探測目標識別網絡結構如圖1所示。

由圖1可知，上述輕量級光學遙感圖像探測目標識別網絡結構可以有效地解決識別梯度消失問題，降低誤差損失量，有效地改變綜合損失參數。除此之外，該網絡內部的改變力度較大，可以進一步減少識別回轉損失，推動了網絡優化進程。

若在遙感圖像探測目標識別的過程中，識別計算量達到某一個極值，其已經處于最優識別狀態，此時可能會出現一定的識別錯誤問題，此時該網絡可以通過殘差模塊調整識別支路，將網絡權值設置為0，從而保持最優的遙感圖像探測目標識別狀態，提高遙感圖像探測目標識別網絡的綜合性能，此時該輕量級遙感圖像探測目標識別網絡參數FLOPS如下

FLOPS=DKgＭ·Ｐarams ， （5）

式中：DK代表輕量級卷積特征，Ｍ代表識別特征參數，Ｐarams代表輸出特征指數。使用上述輕量級遙感圖像探測目標識別網絡可以有效地調整遙感圖像探測目標識別狀態，最大程度上優化識別參數，降低識別難度。

2 "實驗

為了驗證設計的光學遙感圖像探測目標輕量級識別方法的識別效果，本文搭建了實驗平臺，將其與文獻[1]、文獻[2]兩種遙感圖像探測目標識別方法對比，進行如下實驗。

2.1 "實驗準備

結合光學遙感圖像探測目標識別實驗需求，本文將Geo Pre遙感圖像判讀整編平臺作為實驗平臺，進行后續的輕量級光學遙感圖像探測目標識別。Geo Pre遙感圖像判讀整編平臺具有多樣化功能，能識別jpg、jpeg、bmp、png和tif等多種格式的遙感圖像，滿足各個場景的遙感圖像探測目標識別需求，該實驗平臺主要按照標準布局法布局，示意圖如圖2所示。

由圖2可知，待實驗初始界面開啟后可以根據實驗需求，依次點擊功能菜單，生成遙感實驗圖像，開始探測目標識別。為了提高實驗效率，該實驗平臺設置了若干實驗快捷工具，可以快速獲取目標標準位置，放大、縮小影像、跳到下一影像。待目標識別完畢后，可在右側的對應區域中生成識別結果，從而完成遙感圖像探測目標識別實驗。

為了提高實驗的真實性，本文使用SRU構建了實驗場景，選取IM集成模型進行實驗場景分類。選取的實驗場景均來自Resnet-101-MobileNetV3和Teacher-Student網絡，需要使用NWPU-RESISC45進行集中處理，從而完成場景預訓練，本文從場景數據集中隨機抽取9個場景，生成大小為256 pixel×256 pixel的實驗示例圖像，未設置探測目標識別點的實驗遙感示例圖像如圖3所示。

由圖3可知，上述實驗遙感示例圖像共包括9個不同的場景（按從左至右，從上至下順序依次編號為A001—I009），其內部分別預設了一個探測目標，不同遙感圖像預設的探測目標參數見表1。

結合表1中的探測目標參數可以使用Geo Pre遙感圖像判讀整編平臺生成遙感圖像標準探測目標點，如圖4所示。

由圖4可知，此時每個場景內均包含一個探測目標點，可以根據上述探測目標點進行后續的實驗。經過多次分析發現，在實驗過程中存在遙感探測實驗數據過擬合問題，直接影響最終的實驗結果，為了解決該問題，本文使用RESISC45數據集進行了數據增強，進行了遙感圖像探測數據標準化處理，此時生成的實驗超參數：Weight decay為0.05；Batch size為32；Learning rate

0.1（iterationslt;3 750）、0.01（3 750lt;iterationslt;5 600）、0.001（iterationsgt;5 600）；Momentum為0.9；Iterations為7 500。結合上述的遙感圖像標準探測超參數即可進行后續的遙感圖像探測目標識別實驗。

2.2 "實驗結果與討論

結合上述的實驗準備，在選取的Geo Pre實驗平臺中可以進行光學遙感圖像探測目標識別實驗。即分別使用本文設計的輕量級光學遙感圖像探測目標識別方法，文獻[1]的基于深度學習的遙感圖像目標識別方法，以及文獻[2]的利用YOLOv5網絡的遙感圖像目標識別方法進行遙感圖像探測目標識別，記錄3種方法在不同場景下的遙感圖像探測目標識別效果，實驗結果如圖5所示。

由圖5可知，本文設計的輕量級光學遙感圖像探測目標識別方法在不同的識別場景下均能有效識別預設的探測目標點；文獻[1]的基于深度學習的遙感圖像目標識別方法能準確識別少部分場景的遙感探測目標，但在探測目標不明顯的情況下無法有效識別；文獻[2]的利用YOLOv5網絡的遙感圖像目標識別方法在各個場景中均能獲取探測目標點，但識別的探測目標點位置偏差較高，識別效果較差。上述實驗結果證明，本文設計的輕量級光學遙感圖像探測目標識別方法的識別效果較為突出，有較高的識別精度，滿足各個場景的圖像探測目標識別需求，具有有效性，有一定的應用價值。

3 "結束語

綜上所述，光學遙感圖像是一種特殊的探測圖像，其可以結合光譜曲線獲取準確的對地數據，因此其在各個領域均應用較廣泛。與一般的遙感圖像不同，光學遙感圖像的分辨率較好，但其易受成像環境影響，導致探測目標識別異常，常規的光學遙感圖像探測目標識別方法的識別效果較差，不符合大部分場景的識別需求，因此本文設計了一種全新的輕量級光學遙感圖像探測目標識別方法。實驗結果表明，本文設計的光學遙感圖像探測目標識別方法的識別效果相對較好，識別精度較高，具有有效性，應用價值較高，對各個領域遙感圖像應用有效性的提高有一定的貢獻度。

參考文獻：

[1] 何遠，彭積超，何啟友.基于深度學習的無人機遙感圖像目標識別方法研究[J].工程與建設，2022，36（6）：1615-1618.

[2] 林清平，張麒麟，肖蕾.采用改進YOLOv5網絡的遙感圖像目標識別方法[J].空軍預警學院學報，2021，35（2）：117-120.

[3] 龔瑞昆，劉昊晟，張仲，等.采用全卷積神經網絡與多波段遙感圖像結合的濕地分類方法[J].華北理工大學學報（自然科學版），2022，44（4）：26-34.

[4] 翁夢倩，胡蕾，張永梅，等.GCM～+-LANet：遙感圖像語義分割的全局卷積模塊與局部注意力網絡模型[J].遙感技術與應用，2022，37（4）：820-828.

[5] 張大奇，范慧穎，康寶生，等.基于改進U-Net網絡的復雜背景下冰川遙感圖像檢測方法[J].應用基礎與工程科學學報，2022，30（4）：806-818.

[6] 雷大江，杜加浩，張莉萍，等.聯合多流融合和多尺度學習的卷積神經網絡遙感圖像融合方法[J].電子與信息學報，2022，44（1）：237-244.

[7] 童瑩萍，全英匯，馮偉，等.基于空譜信息協同與Gram-Schmidt變換的多源遙感圖像融合方法[J].系統工程與電子技術，2022，44（7）：2074-2083.

[8] 杜蒙蒙，ALI R，劉穎超.可見光波段無人機遙感圖像的小麥莖蘗密度定量反演[J].光譜學與光譜分析，2021，41（12）：3828-3836.

[9] 周子涵，倪歡，馬林飛.面向高光譜遙感圖像分類的連續空間依賴增強型空-譜卷積神經網絡[J].地理與地理信息科學，2021，37（6）：32-40.