人工智能背景下遥感图像目标检测任务研究

谢坤其

摘要：科技的发展，促进人工智能技术在各行业的广泛应用。大数据时代的到来为人工智能技术提供了充足的养料，以数据为基础推动机器学习模型训练成为当前人工智能领域的主流。在数据科学推动下，机器学习模型可以获取海量的知识，从而完成各种各样的应用。遥感图像解译任务也在数据科学推动下实现了许多重要突破。遥感图像解译即遥感图像进行操作，识别获取其中潜在的信息。遥感图像处理在地质勘探、区域分类、目标检测、地理分割、海洋运输、港湾监测、城市规划、土地利用、交通引导和军事作战等诸多方面发挥着重要作用。实现遥感图像的语义解析，利用遥感图像信息辅助地面设施，无论是在军用还是民用方面都有很高的价值。

关键词：遥感图像；目标检测；神经网络；深度学习

引言

随着时代的发展，大自然的变化越来越显著，造成这些变化的主要有两个原因：四季的万物更迭、天然灾害等引起的自然变化；农业发展、商业发展、旅游业等各种工程建设等人类活动引起的非自然变化，甚至存在乱砍乱伐、工业污染等严重破坏行为。所以利用卫星遥感影像观察地表变化情况，在不同时相观察同一事务（例如建筑物、道路、桥梁等）的不同现象来识别状态差异从而实现变化检测，对促进人与自然的可持续发展具有重要意义。

1遥感图像智能识别与分类

遥感图像是通过卫星、飞行器等对地面的电磁波辐射信息进行捕捉，然后对信息进行传输、处理后的数字图像，它包含了大量的地表地物信息，在地质调查、环境监测、土地覆盖方面有广泛的应用。但是遥感图像的准确识别仍然面临一些困难，首先，遥感图像具有高分辨率特征，它在提供更多细节特征的同时也会产生更多复杂的背景干扰，影响提取效果；其次，空间分辨率不同导致影像中同类型目标体的形态不同，如在道路检测方面，乡村和城市道路大小不一、道路材质不同，所以呈现的光学特征并不相同，这些对道路目标的检测造成很大困难；最后，遥感图像解释一般由工作人员根据经验进行处理，任务量巨大，难免会出现对目标体漏判或误判的情况。深度学习可应用于遥感图像的识别工作，卷积神经网络是图像识别方面应用最广泛效果最好的深度神经网络模型，首先制作遥感图像数据集，它包含了待识别的图像和特征识别后的图像；其次将图像输入进网络模型中，结合不同的目标任务，利用卷积神经网络学习图像的深层特征；最后将学习到的特征融合后进行分类识别，让机器自主学习不同目标体的特征信息，进而获得遥感图像的自动化处理、分析、识别能力。对比传统的人工遥感图像识别方法更加高效准确，可应用于包括目标识别、变化检测、道路提取、天气预警、水域监测、土地管理、建筑物提取的多个应用场景。

2遥感图像检测难度分析

遥感图像目标检测模型需结合遥感背景，挖掘其潜在的空间信息。常规模型对遥感图像进行解译处理时，难以发挥原本性能。其原因是遥感图像具有多种复杂特性，必须针对遥感任务背景做出针对设计。以武汉大学公开发布的航拍遥感图像数据集DOTA为例，分析遥感图像中存在的检测难题。光学遥感图像与常规自然图像的成像方式类似，但是其图像特性却差异巨大。直观地来看，遥感图像与自然图像存在较大差异，主要检测难题分析如下。（1）遥感图像小目标检测难题。遥感图像中背景所占比例较大，小目标密集分布。单个小目标本身像素点极少，数量占比却较大，检测时相互干扰，极易出现定位错误、漏检和误检等。（2）遥感图像空间信息提取难题。遥感图像中的目标规模大，遥感图像成像环境复杂，存在大量的背景噪声，严重干扰遥感目标的检测。遥感图像是基本为俯视场景成像，而目标以随机角度分布于图像场景中，现有模型往往不能有效识别目标的旋转不变性，对目标角度敏感度较低，难以描述目标的空间信息。（3）遥感图像航拍目标特性提取难题。遥感图像中存在大量异常尺寸目标，算法模型往往无法有效探测。受环境因素和硬件条件的影响，即使同类目标在不同硬件设备采集下也存在很大尺寸差异。遥感图像往往具有边界不清，噪声多样的特点。在目标特征提取时存在许多干扰，常规方法无法进行有效判别。

3遥感图像数据类型及研究分析

3.1变化特征信息提取

变化信息的提取是遥感影像变化检测的中央关键环节，对变化检测精度起决定性作用。从分析单元来看，变化检测方法可以分为基于像素、对象、场景及混合的方法。根据不同的变化检测技术手段，可以将变化检测方法分为代数法、分类法、变换法、深度学习算法及多种方法进行组合的混合方法。像素是遥感影像的基本单元，通过对目标像素之间进行差值法成为变化检测初期最受欢迎的方法。面向对象的变化检测方法改善了像素级变化检测无法联系上下文之间的缺陷，以图像分割和分类为基础，利用分割法对各个区域向量统计，得到最优阈值，逐渐成为变化检测关键。高分辨率遥感场景识别在对象级识别后成为一个新的发展方向，视觉词袋模型（BOVW）是根据图像场景中地物特征统计的有效特征编码方式。场景变化分析根据地物变化的规律性，分析语义的场景变化的类别，但由于遥感图像场景中地物分布复杂多样，无法时空关联性，目前存在无法直接进行场景语义解释的局限性。针对传统变化检测方法存在小目标误检、漏检，边界提取不够清晰的问题，采用神经网络模型具有学习能力强、聚合度高的优点，已经成为当前主流方法，在各个应用领域都取得了较高精度。混合方法是指综合运用两种或多种方法进行变化检测，主要是分为两个方面：一是根据检测的不同阶段进行混合，二是不同方法综合分析结果时进行混合。混合法的优势在于可以结合各种方法的优点获得更好的结果，但往往混合方法计算比较复杂，从而导致效率变低。

3.2全色图像

单通道全色遥感图像是遥感应用领域的重要研究数据。全色遥感图像的可见光波段0.38-0.76um，全色遥感图像无法显示地理色彩，不具备多样的光谱信息，但其分辨率较高。在实际应用中，利用全色图像与多光谱图像进行信息互补，从而实现复杂环境下的弱小目标检测。全色遥感图像辅助其他类型遥感图像进行多模态融合处理，具有很高的研究价值。

3.3地理信息数据智能采集

传统的地理信息数据采集技术需要实地测绘，作业方法烦琐，设施设备笨重，有些环境作业甚至存在危险性，并且受现场环境恶劣、人工作业疲劳的影响，不可避免地会出现精度不够的问题。为了更高效率地采集地理信息数据，本文主要从安全性和精确性出发,通过机器人工智能技术和计算机视觉，研发出精度高、全方位定位的新型传感器和定位芯片等设备。人工智能机器人有很强大的功能，它可以360度控制自己的头部，并且可以兼顾到内外业，数据采集与处理，使其达到一体化。如水下的测量机器人能够分析水下的特殊环境，自动获得水的深度、水下的地形地貌，可以在智能化的探地雷达装备上有广泛的适用性。

结语

遥感图像目标检测是一个颇具难点和挑战的方向。近年来科研人员在该领域进行了许多重要的技术探索，产出了很多优秀的检测模型。随着人工智能自动识别变化的兴起，变化检测的自动化、实时性和嵌入设备智能处理需求日渐显著，较多研究者致力于提升神经网络模型精度，通过深度学习的方法实现特征的自动提取，并取得了较可观的成果。

参考文献

［1］朱明明.基于特征融合与软判决的遥感图像飞机检测［J］.光学学报，2020，39（2）：0210001.

［2］邓志鹏.基于深度卷积神经网络的遥感图像目标检测方法研究［D］.湖南长沙：国防科技大学，2021.

［3］杜金明.基于深度卷积神经网络的高光谱图像目标检测算法［D］.湖南长沙：国防科技大学，2020.

［4］鲍亮.基于深度学习的高光谱遥感图像目标检测算法［D］.南京：南京理工大学，2019.