一种基于深度学习的遥感图像语义情报生成方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113888544A(43)申请公布日2022.01.04(21)申请号202110982615.9(22)申请日2021.08.25(71)申请人北京空间飞行器总体设计部地址100094北京市海淀区友谊路104号(72)发明人蒋帅程博文汪路元郭坚庞亚龙栾申申吴雨航崔钊婧田苗苗禹霁阳李宗凌孙小凡宋桂萍李昊予(74)专利代理机构北京理工大学专利中心11120代理人高燕燕(51)Int.Cl.G06T7/10(2017.01)G06K9/62(2006.01)权利要求书2页说明书3页附图1页(54)发明名称一种基于深度学习的遥感图像语义情报生成方法(57)摘要本发明提出一种基于深度学习的遥感图像语义情报生成方法，包括：通过遥感图像目标识别及目标定位获得目标的地理位置信息；采用遥感图像语义分割方式对遥感图像进行特征分类；对所述目标的地理位置信息及语义分割结果进行编码；针对所述目标的地理位置信息、特征分类、编码采用关系三元组及多任务语义描述完成语义情报生成。CN113888544ACN113888544A权利要求书1/2页1.一种基于深度学习的遥感图像语义情报生成方法，其特征在于，包括：通过遥感图像目标识别及目标定位获得目标的地理位置信息；采用遥感图像语义分割方式对遥感图像进行特征分类；对所述目标的地理位置信息及语义分割结果进行编码；针对所述目标的地理位置信息、特征分类、编码采用关系三元组及多任务语义描述完成语义情报生成。2.如权利要求1所述的一种基于深度学习的遥感图像语义情报生成方法，其特征在于，采用距离‑多普勒模型来获得目标地理位置信息，所述距离‑多普勒模型，简称R‑D模型，表达形式如下：式(1)中，Rst是星地位置矢量，Rt地面目标的位置矢量，Rs卫星位置矢量；在某一成像时刻t，若卫星位置矢量已知，SAR接收到延时τ的脉冲表示此时SAR卫星距离地面反射点的距离为一定值|Rst|＝cτ/2，c为光速；因此式(1)表示为：所求的点Rt＝(xt,yt,zt)必定分布在距离卫星为|Rst|＝cτ/2的圆上；式(2)为多普勒频移表达式，其中fDC为多普勒频移，R＝|Rs‑Rt|为卫星到地面的距离，Vs为卫星的速度矢量，Vt是地面目标的速度矢量，λ是雷达波束的波长；如果fDC为常数，则式(2)表示为一簇双曲线，即等多普勒线；式(3)为地球数据模型，h为地面一点P到所表示扁椭球体的法线距离，Re,Rp为扁椭球体的长半轴和短半轴；式(1)(2)的求解须建立在此椭球体为基准的坐标框架之上，点坐标Rt＝(xt,yt,zt)也是在此坐标框架中的表示；利用最小二乘求解所述R‑D模型，根据卫星姿轨信息求得图像的卫星信息，结合目标像元在图像中的位置信息，最终求得目标的地理位置信息。3.如权利要求1或2所述的一种基于深度学习的遥感图像语义情报生成方法，其特征在于，所述采用遥感图像语义分割方式对遥感图像进行特征分类具体采用以下方式：2.1构建基于特征金字塔模型的编码器用于提取多尺度特征；2.2构建解码器，完成对低阶和高阶特征的分割；2.3利用所述编码器、解码器获得高阶和低阶特征，高级特征提取语义信息，低级特征提供边界信息，通过提取更多抽象特征以完成高准确率分类，并产生更密集的预测以实现精细语义分割。4.如权利要求1或2所述的一种基于深度学习的遥感图像语义情报生成方法，其特征在于，所述对所述目标的地理位置信息及语义分割结果进行编码时，将遥感图像分为64个区域，每个区域中对应步骤一获得的目标个数不同，每个区域对应步骤二获得的语义分割结果不同，使用One‑Hot编码完成对64个区域的编码。2CN113888544A权利要求书2/2页5.如权利要求4所述的一种基于深度学习的遥感图像语义情报生成方法，其特征在于，根据每个区域中目标的个数，将区域标记为不同的颜色，颜色越深表明区域内的目标越多。3CN113888544A说明书1/3页一种基于深度学习的遥感图像语义情报生成方法技术领域[0001]本发明属于卫星智能信息处理领域，涉及一种基于深度学习的遥感图像语义情报生成方法。背景技术[0002]随着遥感技术的飞速发展，遥感数据的价值逐步体现，无论是国防军事，还是商业应用，对遥感影像信息自动提取均有迫切需求。面向未来智能战争形态下遥感卫星系统智能化、自主化运行，网络化、体系化协同，战场态势高效、智能认知的军事应用需求，构建具有自主智能、高效协同、群体智慧涌现特征的新型天基遥感体系。利用以深度学习、知识推理为代表的新一代人工智能技术，围绕感知、认知、沟通、推理、决策等人类智能要素，设计可实现近似人类智能行为的遥感卫星系统——具备“会看、会说、会听、会思考”能力的智能遥感卫星。基于新一代人工智能方法，实现