[发明专利]一种遥感图像中目标对象的识别方法及其存储介质和系统

说明书

本发明公开了一种遥感图像中目标对象的识别方法及其存储介质和系统，所述方法包括：S1、在所述遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息；S2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；S3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。本发明只针对复杂背景图像区域生成高分辨率图像，从而相对于对整个遥感图像进行超分辨率重建而言，大大减少了需要进行超分辨率重建的计算量，从而提高了计算设备处理遥感图像的效率。

技术领域

本发明涉及遥感图像处理技术领域，具体地，涉及一种遥感图像中目标对象的识别方法及其存储介质和系统。

背景技术

在现有技术中，遥感图像被广泛应用于农业、交通以及工业生产等各个领域。通过图像识别技术可以识别遥感图像中感兴趣的目标对象，并对目标对象进行标记，从而可以通过遥感图像实现对目标对象的监控。

由于遥感图像是在高空环境下拍摄的，因此相对于其他场景下采集的图像，遥感图像的空间分辨率更高。因此在遥感图像中单一目标对象所占用的像素数也更少，在同样大小的图像区域内，遥感图像所显示的对象更加密集。因此，在遥感图像中识别较小的目标对象的难度也更高。

以标记道路上的车辆为例，当该道路是穿越草原或者荒地的道路时，由于道路两侧的背景图像相对比较简单，因此在识别道路上的车辆时，道路两侧的背景噪声对道路以及车辆的影响很小。再比如说，在城市上空拍摄的遥感图像中，由于城市主干道的宽度足够宽，并且主干道的走向相对比较规则，因此在进行车辆识别时，主干道两侧的建筑物对识别准确度的影响也比较小。但是对于城市街区之间的细小道路，由于建筑物密集等各种原因导致背景图像既不规则又很复杂时，由于在遥感图像中车辆目标本身占有的像素少并且边缘以及色彩等特征不明显，因此背景噪声往往使得难于对道路上的车辆做出准确的标记。如果要准确识别和标记遥感图像中具有复杂图像背景下的目标对象，就需要对遥感图像进行超分辨率重建，以便生成像素数比遥感图像更多的高分辨率图像。但是，随着遥感图像的分辨率越来越高，如果每次都对整个遥感图像进行超分辨率重建，则势必会增加重建过程的计算负担，从而导致计算效率低下。

针对上述的现有技术中存在的在遥感图像中难于对目标对象进行准确的识别和标记，如果对整个遥感图像进行超分辨率重建会导致计算效率低下的技术问题，目前尚未提出有效的解决方案。

发明内容

为解决上述技术问题，本发明提供一种遥感图像中目标对象的识别方法，所述方法包括以下步骤：

S1、在遥感图像中确定需要进行超分辨率重建的复杂背景图像区域，其中所述复杂背景图像区域包含对目标对象的识别形成干扰的影像信息；

S2、根据所述复杂背景图像区域，生成与所述复杂背景图像区域对应的高分辨率图像，其中所述高分辨率图像的像素数高于所述复杂背景图像区域的像素数；

S3、利用预先设置的第一目标对象识别模型，在所述高分辨率图像中识别目标对象。

优选地，所述步骤S1的具体实现方式包括：

S11、提取遥感图像中的纹理特征，生成与所述遥感图像对应的纹理图像；

S12、利用预先设置的纹理特征识别模型，确定所述纹理图像中的不规则纹理区域，其中所述不规则纹理区域包含密集的不规则纹理特征；

S13、在所述遥感图像中确定与所述不规则纹理区域对应的复杂背景图像区域。

优选地，所述步骤S12的具体实现方式包括：

S121、利用预先设置的纹理特征识别模型将所述纹理图像划分成多个待识别纹理区域，其中所述纹理特征识别模型为神经网络模型，且所述待识别纹理区域的格式与预先设置的神经网络模型匹配；