[发明专利]一种红外遥感图像火点识别方法

说明书

本发明提供一种红外遥感图像火点识别方法，针对网络中空间信息不足的问题，使用原始红外遥感图像作为输入，通过获取的多级响应图来表达各火点目标之间的空间特征，将各级卷积结果作为火点目标的纹理特征，且后级响应图的获取采用前级响应图作为输入，从而融合空间信息和纹理信息，使得多级网络模型训练时根据响应图提供的上下文信息为不易检测的火点目标提供检测线索，有效提高多级网络模型对森林区域红外遥感图像中火点目标的识别率。

技术领域

本发明属于图像目标识别领域，尤其涉及一种红外遥感图像火点识别方法。

背景技术

卫星遥感技术具有观测范围广、采集信息丰富、重复观测能力强等特点，利用遥感图像对森林火灾进行监测，可及时发现火点位置及变化，准确评估火灾损失及影响，对于分布范围广且发灾地区不宜接近的森林火灾，遥感图像火点识别更加具有独特且重要的优势。

目前对于遥感图像火点目标识别方法主要为基于浅层特征的传统高温目标识别方法和基于卷积神经网络的机器学习方法。前者主要基于浅层特征进行火点目标识别，常用的红外高温目标识别方法有归一化火点指数(NDFI)法，马氏距离多元截尾法、马氏距离多类判别法，因子分析法等。此类方法对于简单场景目标往往有较好的识别率，然而其构造的浅层特征对场景描述不够精细，很难对所有场景(特别是复杂场景)都能有效适应，而且传统方法比如归一化火点指数(NDFI)法易受到水体、彩钢屋顶的干扰，难以有效识别火点目标。

基于卷积神经网络的机器学习方法由于其强大的特征提取和场景目标拟合能力，成为近年来遥感图像领域使用较为热门的方法。该方法不需要人为针对性地设计特征，而是通过逐层卷积、池化交替的方式由浅层特征逐渐构造高级复杂语义特征，对图像目标或场景有较强的特征描述能力，因此在图像分类识别领域有广泛的应用。然而，对于较为相似的难分的不同类型目标或场景，简单的深度卷积网络对于小数据集仍然会有较高的误识别率。

发明内容

为解决上述问题，本发明提供一种红外遥感图像火点识别方法，能够有效提高多级网络模型对森林区域红外遥感图像中火点目标的识别率。

一种红外遥感图像火点识别方法，采用多级网络模型对红外遥感图像中的火点目标进行识别，其中，多级网络模型至少为三级，其获取方法具体为：

S1：将森林区域的红外遥感图像作为训练样本，并获取训练样本中火点目标的位置；

S2：采用ImageNet数据集上随机获取的红外遥感图像对VGG19网络进行训练，得到VGG19网络的卷积核的核大小；

S3：将步骤S2得到的VGG19网络的卷积核的核大小作为第一级卷积网络的初始参数，然后按照设定比例采用部分训练样本对第一级卷积网络进行训练，得到第一级响应图；其中，响应图包括多幅子图；

S4：对第一级响应图执行损失函数获取操作，得到第一级损失函数，所述损失函数获取操作为：

获取本级响应图的各幅子图的最大特征值点，然后将该最大特征值点的位置作为各幅子图中的火点目标的位置；

将得到的各个火点目标的位置与步骤S1中获取的火点目标的位置误差的平方和作为损失函数；

S5：构建第二级卷积网络，其中，第二级卷积网络包括至少两级卷积层；按照设定比例，重新选取部分训练样本对第二级卷积网络进行训练，得到经过所有卷积层的第二级特征图以及从任意一级卷积层输出的中间特征图；然后将第二级特征图与第一级响应图进行串联，得到串联特征图；将串联特征图与预设卷积核进行卷积，得到第二级响应图；对第二级响应图执行损失函数获取操作，得到第二级损失函数；

S6：将中间特征图均分为M个子特征图，然后分别获取M个子特征图对应的M级响应图，其中，M由中间特征图的大小与响应图的大小之间的倍数关系决定，且各级响应图的获取方法具体为：