(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210504266.4 (22)申请日 2022.05.10 (71)申请人 清研灵智信息咨询(北京)有限公司 地址 100089 北京市海淀区北三环中路4 4 号4号楼5层5 36 (72)发明人 黄冬虹　倪燕　王璐　 (74)专利代理 机构 北京高航知识产权代理有限 公司 11530 专利代理师 王庞 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于神经网络的遥感图像目标识别方 法 (57)摘要 本发明公开了一种基于神经网络的遥感图 像目标识别方法， 包括S1， 通过拍摄装置获取可 见光遥感图像和红外遥感图像； S2， 对可见光遥 感图像进行灰度化处理， 获得灰度化图像； S3， 对 灰度化图像进行自适应降噪处理， 获得降噪图 像； S4， 对红外遥感图像进行中值降噪处理， 获得 降噪后的红外遥感图像； S5， 对降噪后的红外遥 感图像进行边缘检测， 获得边缘像素点集合S1； S6， 在降噪图像中获取S1所对应的像素点的集合 S2； S6， 在降噪图像中对集合S2中的像素点进行 边缘修复处理， 获得修复图像； S7， 将修复图像输 入到预选训练完毕的神经网络模型中进行目标 识别处理， 获得识别结果。 本发明能够提高对可 见光遥感图像进行神经网络识别的准确性。 权利要求书2页 说明书7页 附图1页 CN 114898210 A 2022.08.12 CN 114898210 A 1.一种基于神经网络的遥感图像目标识别方法， 其特 征在于， 包括： S1， 通过拍摄装置获取 可见光遥感图像visrsimg和红外 遥感图像i nfrsimg； S2， 对visrsimg进行 灰度化处 理， 获得灰度化图像grayimg； S3， 对grayimg进行自适应降噪处 理， 获得降噪图像afgrayimg； S4， 对infrsimg进行中值降噪处 理， 获得降噪后的红外 遥感图像afi nfrsimg； S5， 对afi nfrsimg进行边 缘检测， 获得边 缘像素点 集合S1； S6， 在afgrayimg 中获取S1所对应的像素点的集 合S2； S6， 在afgrayimg 中对集合S2中的像素点进行边 缘修复处理， 获得修复图像fiximg； S7， 将fiximg输入到预选训练完毕的神经网络模型中进行目标识别处理， 获得识别结 果。 2.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述拍摄装置包括无 人机、 固定翼飞机和卫星。 3.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述S2包括： 使用如下公式对 visrsimg进行 灰度化处 理： grayimg(x,y)＝ w1×R(x,y)+w2×G(x,y)+w3×B(x,y) 式中， (x,y)表示像素点的坐标； w1、 w2、 w3分别表示预设的第一处理系数、 第二处理系数 和第三处理系数； grayimg(x,y)表示灰度化 图像grayimg中坐标为(x,y)的像素点的像素 值； R(x,y)表示图像R中坐标为(x,y)的像素点在的像素值； G(x,y)表示图像G中坐标为(x, y)的像素点在的像素值； B(x,y)表示图像B中坐标为(x,y)的像素点在的像素值； 图像R、 图 像G、 图像B分别 为visrsimg在RGB颜色模型中的红色分量、 绿色分量、 蓝色分量所对应的图 像。 4.根据权利要求1所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述S3包括： 对grayimg进行自适应分区处 理， 将grayimg分成多个子区域； 在grayimg 中分别对每 个子区域进行自适应降噪处 理， 获得降噪感图像afgrayimg。 5.根据权利要求4所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述对grayimg进行自适应分区处 理， 将grayimg分成多个子区域， 包括： 采用自适应的方式进行分区： 第一次分区， 将grayimg分成像素点数量相同的C个子区域， 将本次分区获取的所有子 区域存入集合U1； 分别计算U1中每个子区域的质量分数， 将质量分数大于设定的质量分数 门槛值的子区 域存入进一步分区集合alrU1， 将质量分数小于等于设定的质量分数门槛值的子区域存入 结果分区集 合finU； 第k次分区， k大于等于2， 将alrUk‑1中的每个元素分别分成像素点数量相同的C个子区 域， 将本次分区获取的所有子区域存 入集合Uk； 分别计算Uk中每个子区域的质量分数， 将质量分数大于设定的质量分数 门槛值的子区 域存入进一步分区集合alrUk， 将质量分数小于等于设定的质量分数门槛值的子区域存入 结果分区集 合finU； 若alrUk中包含的元素的数量小于1， 则将结果分区集合finU 中的元素作为最终获得的权　利　要　求　书 1/2 页 2 CN 114898210 A 2子区域。 6.根据权利要求5所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述质量分数通过如下公式计算： 式中， quasco表示质量分数， set表示子区域中的像素点的集合， grayimgi表示set中的 像素点i在grayimg中的像素值， numset表示set中的像素点的总数， gvvsv表示预设的像素 值方差参考值， imggrai表示set中的像素点i的梯度幅值， igvsv表示预设的梯度幅值方差 参考值， numfr 表示子区域中像素点大于自适应 像素值门槛 值的像素点的数量。 7.根据权利要求4所述的一种基于神经网络的遥感图像目标识别方法， 其特征在于， 所 述在grayimg 中分别对每 个子区域进行自适应降噪处 理， 获得降噪感图像afgrayimg， 包括： 对于子区域chiarea， 若chiarea中的像素点的像素值的方差小于设定 的方差门槛值， 则使用如下 方式对chiarea进行降噪处 理： afgrayimgd＝mid(Ωd) 式中， afgrayimgd表示chiarea中的像素点d在降噪感图像afgrayimg中的像素值， Ωd表 示以chiarea中的像素点d为圆心的， 半径为R的区域内的像素点的集合， mid(Ωd)表示取Ωd 中的像素点的像素值的中间值； 若chiarea中的像素点的像素值的方差大于等于设定的方差门槛值， 则使用小波降噪 算法对chiarea进行降噪处 理； 分别对每 个子区域进行 上述降噪处 理， 获得降噪感图像afgrayimg。权　利　要　求　书 2/2 页 3 CN 114898210 A 3