CN116168302B - 一种基于多尺度残差融合网络的遥感图像岩脉提取方法 - Google Patents

一种基于多尺度残差融合网络的遥感图像岩脉提取方法 Download PDF

Info

Publication number
CN116168302B
CN116168302B CN202310449575.0A CN202310449575A CN116168302B CN 116168302 B CN116168302 B CN 116168302B CN 202310449575 A CN202310449575 A CN 202310449575A CN 116168302 B CN116168302 B CN 116168302B
Authority
CN
China
Prior art keywords
representing
scale residual
computational
fusion module
remote sensing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310449575.0A
Other languages
English (en)
Other versions
CN116168302A (zh
Inventor
李冠群
俞伟学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202310449575.0A priority Critical patent/CN116168302B/zh
Publication of CN116168302A publication Critical patent/CN116168302A/zh
Application granted granted Critical
Publication of CN116168302B publication Critical patent/CN116168302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及遥感图像处理技术领域，公开了一种基于多尺度残差融合网络的遥感图像岩脉提取方法，包括：获取岩脉遥感图像；根据多尺度残差融合网络得到特征图像；将所述特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。本发明利用训练好的结合小波特征的多尺度残差融合网络能够自动化地提取遥感图像中的岩脉区域，无需人工干预；结合小波特征的多尺度残差融合网络，能够充分考虑不同频率的遥感图像分量，且通过多尺度残差融合模块，能够充分提取不同频率不同尺度的图像特征，并进行深度融合，从而实现精准的遥感图像岩脉区域提取。

Description

一种基于多尺度残差融合网络的遥感图像岩脉提取方法
技术领域
本发明涉及遥感图像处理技术领域，尤其涉及一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
背景技术
遥感是指通过远离地球表面的传感设备获取有关地球表面和大气的信息。遥感技术已广泛应用于环境监测、资源管理和城市规划等各个领域。近年来，随着遥感技术的发展和遥感仪器的进步，遥感图像已成为对地观测的宝贵数据来源。
地质勘探是遥感观测技术的一个典型应用领域，而岩脉则是地址勘探中的一项重要内容。在当前的各种岩脉区域寻找方法中，遥感图像观察是有效的一种。然而，当前从遥感图像中观察得到岩脉区域主要依靠于人工肉眼观察，这样的方式会消耗大量的人力成本，同时也限制了时间效率的提高。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
为实现上述目的，本发明提供的一种基于多尺度残差融合网络的遥感图像岩脉提取方法，包括：
获取岩脉遥感图像；
根据多尺度残差融合网络得到特征图像；
将所述特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
根据本发明的一个方面，所述多尺度残差融合网络包含有离散小波变换、多尺度残差融合模块和逆离散小波变换，使用所述离散小波变换对岩脉遥感图像进行分解，其中公式为，
Figure SMS_1
；
其中，
Figure SMS_2
表示近似分量；
Figure SMS_3
表示对角线分量；
Figure SMS_4
表示水平分量；
Figure SMS_5
表示垂直分量；
Figure SMS_6
表示离散小波变换；
Figure SMS_7
表示岩脉遥感图像。
根据本发明的一个方面，使用所述多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合，其中公式为，
Figure SMS_8
；
Figure SMS_9
；
其中，
Figure SMS_10
表示通过第一个多尺度残差融合模块后的第一个输出特征；
Figure SMS_11
表示通过第一个多尺度残差融合模块后的第二个输出特征；
Figure SMS_12
表示通过第二个多尺度残差融合模块后的第三个输出特征；
Figure SMS_13
表示通过第二个多尺度残差融合模块后的第四个输出特征；
Figure SMS_14
表示第一个多尺度残差融合模块；
Figure SMS_15
表示第一个多尺度残差融合模块。
根据本发明的一个方面，，使用所述多尺度残差融合模块进行交叉融合，其中公式为，
Figure SMS_16
；
Figure SMS_17
；
其中，
Figure SMS_18
表示通过第三个多尺度残差融合模块后的第五个输出特征；
表示通过第三个多尺度残差融合模块后的第六个输出特征；
Figure SMS_20
表示通过第四个多尺度残差融合模块后的第七个输出特征；
Figure SMS_21
表示通过第四个多尺度残差融合模块后的第八个输出特征；
Figure SMS_22
表示第三个多尺度残差融合模块；
Figure SMS_23
表示第四个多尺度残差融合模块。
根据本发明的一个方面，使用所述逆离散小波变换进行逆向转换，得到所述特征图像，其中公式为，
Figure SMS_24
；
其中，
Figure SMS_25
表示逆离散小波变换；
Figure SMS_26
表示特征图像。
根据本发明的一个方面，，使用所述多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合的方法进一步包括，所述多尺度残差融合模块共有两条计算分支，计算分支包含四个计算操作层，计算操作层由一个卷积、一个可切换归一化操作和一个参量整流线性单元组成，使用第一个计算操作层进行计算的公式为，
Figure SMS_27
；
Figure SMS_28
；
其中，
Figure SMS_29
表示第一计算分支的第一个计算操作层；
Figure SMS_30
表示第二计算分支的第一个计算操作层；
Figure SMS_31
表示通过第一计算分支的第一个计算操作层的输出；
Figure SMS_32
表示通过第二计算分支的第一个计算操作层的输出；
使用两条计算分支的第二个计算操作层进一步处理，其公式为，
Figure SMS_33
；
Figure SMS_34
；
其中，
Figure SMS_35
表示第一计算分支的第二个计算操作层；
Figure SMS_36
表示第二计算分支的第二个计算操作层；
Figure SMS_37
表示通过第一计算分支的第二个计算操作层的输出；
Figure SMS_38
表示通过第二计算分支的第二个计算操作层的输出；
Figure SMS_39
表示对多个特征进行通道层面的叠加操作；
使用两条计算分支的第三个计算操作层进一步处理，其公式为，
Figure SMS_40
；
Figure SMS_41
；
其中，
Figure SMS_42
表示第一计算分支的第三个计算操作层；
Figure SMS_43
表示第二计算分支的第三个计算操作层；
Figure SMS_44
表示通过第一计算分支的第三个计算操作层的输出；
Figure SMS_45
表示通过第二计算分支的第三个计算操作层的输出；
使用两条计算分支的第四个计算操作层进一步处理，得到融合后的结果，其公式为，
Figure SMS_46
；
Figure SMS_47
；
其中，
Figure SMS_48
表示第一计算分支的第四个计算操作层；
Figure SMS_49
表示第二计算分支的第四个计算操作层。
根据本发明的一个方面，使用交叉熵损失对所述嵌套编码器网络进行训练，其中公式为，
Figure SMS_50
；
其中，
Figure SMS_51
表示网络训练所采用的损失；
Figure SMS_52
表示二元交叉熵；
Figure SMS_53
表示骰子系数；
Figure SMS_54
表示与输入岩脉遥感图像对应的岩脉区域二值标签。
为实现上述目的，本发明提供一种基于多尺度残差融合网络的遥感图像岩脉提取***，其特征在于，包括：
获取岩脉遥感图像获取模块：获取岩脉遥感图像；
特征图像获取模块：根据多尺度残差融合网络得到特征图像；
岩脉提取结果获取模块：将所述特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
为实现上述目的，本发明提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述针对一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
为实现上述目的，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述针对一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
基于此，本发明的有益效果在于：利用训练好的结合小波特征的多尺度残差融合网络能够自动化地提取遥感图像中的岩脉区域，无需人工干预；结合小波特征的多尺度残差融合网络，能够充分考虑不同频率的遥感图像分量，且通过多尺度残差融合模块，能够充分提取不同频率不同尺度的图像特征，并进行深度融合，从而实现精准的遥感图像岩脉区域提取。
附图说明
图1示意性表示根据本发明的一种基于多尺度残差融合网络的遥感图像岩脉提取方法的流程图；
图2示意性表示根据本发明的种基于多尺度残差融合网络的遥感图像岩脉提取***的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示本发明的种基于多尺度残差融合网络的遥感图像岩脉提取方法的流程图，如图1所示，本发明的种基于多尺度残差融合网络的遥感图像岩脉提取方法，包括：
获取岩脉遥感图像；
根据多尺度残差融合网络得到特征图像；
将特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
根据本发明的一个实施方式，多尺度残差融合网络包含有离散小波变换、多尺度残差融合模块和逆离散小波变换，使用离散小波变换对岩脉遥感图像进行分解，其中公式为，
Figure SMS_55
；
其中，
Figure SMS_56
表示近似分量；
Figure SMS_57
表示对角线分量；
Figure SMS_58
表示水平分量；
Figure SMS_59
表示垂直分量；
Figure SMS_60
表示离散小波变换；
Figure SMS_61
表示岩脉遥感图像。
根据本发明的一个实施方式，使用多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合，其中公式为，
Figure SMS_62
；
Figure SMS_63
；
其中，
Figure SMS_64
表示通过第一个多尺度残差融合模块后的第一个输出特征；
Figure SMS_65
表示通过第一个多尺度残差融合模块后的第二个输出特征；
Figure SMS_66
表示通过第二个多尺度残差融合模块后的第三个输出特征；
Figure SMS_67
表示通过第二个多尺度残差融合模块后的第四个输出特征；
Figure SMS_68
表示第一个多尺度残差融合模块；
Figure SMS_69
表示第一个多尺度残差融合模块。
根据本发明的一个实施方式，对使用多尺度残差融合模块进行交叉融合，其中公式为，
Figure SMS_70
；
Figure SMS_71
；
其中，
Figure SMS_72
表示通过第三个多尺度残差融合模块后的第五个输出特征；
Figure SMS_73
表示通过第三个多尺度残差融合模块后的第六个输出特征；
Figure SMS_74
表示通过第四个多尺度残差融合模块后的第七个输出特征；
Figure SMS_75
表示通过第四个多尺度残差融合模块后的第八个输出特征；
Figure SMS_76
表示第三个多尺度残差融合模块；
Figure SMS_77
表示第四个多尺度残差融合模块。
根据本发明的一个实施方式，使用逆离散小波变换进行逆向转换，得到特征图像，其中公式为，
Figure SMS_78
；
其中，
Figure SMS_79
表示逆离散小波变换；
Figure SMS_80
表示特征图像。
根据本发明的一个实施方式，使用多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合的方法进一步包括，多尺度残差融合模块共有两条计算分支，计算分支包含四个计算操作层，计算操作层由一个卷积、一个可切换归一化操作和一个参量整流线性单元组成，使用第一个计算操作层进行计算的公式为，
Figure SMS_81
；
Figure SMS_82
；
其中，
Figure SMS_83
表示第一计算分支的第一个计算操作层；
Figure SMS_84
表示第二计算分支的第一个计算操作层；
Figure SMS_85
表示通过第一计算分支的第一个计算操作层的输出；
Figure SMS_86
表示通过第二计算分支的第一个计算操作层的输出；
使用两条计算分支的第二个计算操作层进一步处理，其公式为，
Figure SMS_87
；
Figure SMS_88
；
其中，
Figure SMS_89
表示第一计算分支的第二个计算操作层；
Figure SMS_90
表示第二计算分支的第二个计算操作层；
Figure SMS_91
表示通过第一计算分支的第二个计算操作层的输出；
Figure SMS_92
表示通过第二计算分支的第二个计算操作层的输出；
Figure SMS_93
表示对多个特征进行通道层面的叠加操作；
使用两条计算分支的第三个计算操作层进一步处理，其公式为，
Figure SMS_94
；
Figure SMS_95
；
其中，
Figure SMS_96
表示第一计算分支的第三个计算操作层；
Figure SMS_97
表示第二计算分支的第三个计算操作层；
Figure SMS_98
表示通过第一计算分支的第三个计算操作层的输出；
Figure SMS_99
表示通过第二计算分支的第三个计算操作层的输出；
使用两条计算分支的第四个计算操作层进一步处理，得到融合后的结果，其公式为，
Figure SMS_100
；
Figure SMS_101
；
其中，
Figure SMS_102
表示第一计算分支的第四个计算操作层；
Figure SMS_103
表示第二计算分支的第四个计算操作层。
根据本发明的一个实施方式，使用交叉熵损失对嵌套编码器网络进行训练，其中公式为，
Figure SMS_104
；
其中，
Figure SMS_105
表示网络训练所采用的损失；
Figure SMS_106
表示二元交叉熵；
表示骰子系数；
Figure SMS_108
表示与输入岩脉遥感图像对应的岩脉区域二值标签。
不仅如此，为实现上述发明目的，本发明还提供一种基于多尺度残差融合网络的遥感图像岩脉提取***，图2示意性表示根据本发明的一种基于多尺度残差融合网络的遥感图像岩脉提取***的流程图，如图2所示，根据本发明的一种基于多尺度残差融合网络的遥感图像岩脉提取***，该***包括：
获取岩脉遥感图像获取模块：获取岩脉遥感图像；
特征图像获取模块：根据多尺度残差融合网络得到特征图像；
岩脉提取结果获取模块：将特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
根据本发明的一个实施方式，多尺度残差融合网络包含有离散小波变换、多尺度残差融合模块和逆离散小波变换，使用离散小波变换对岩脉遥感图像进行分解，其中公式为，
Figure SMS_109
；
其中，
Figure SMS_110
表示近似分量；
Figure SMS_111
表示对角线分量；
Figure SMS_112
表示水平分量；
Figure SMS_113
表示垂直分量；
Figure SMS_114
表示离散小波变换；
Figure SMS_115
表示岩脉遥感图像。
根据本发明的一个实施方式，使用多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合，其中公式为，
Figure SMS_116
；
Figure SMS_117
；
其中，
Figure SMS_118
表示通过第一个多尺度残差融合模块后的第一个输出特征；
Figure SMS_119
表示通过第一个多尺度残差融合模块后的第二个输出特征；
Figure SMS_120
表示通过第二个多尺度残差融合模块后的第三个输出特征；
Figure SMS_121
表示通过第二个多尺度残差融合模块后的第四个输出特征；
Figure SMS_122
表示第一个多尺度残差融合模块；
Figure SMS_123
表示第一个多尺度残差融合模块。
根据本发明的一个实施方式，对使用多尺度残差融合模块进行交叉融合，其中公式为，
Figure SMS_124
；
Figure SMS_125
；
其中，
Figure SMS_126
表示通过第三个多尺度残差融合模块后的第五个输出特征；
Figure SMS_127
表示通过第三个多尺度残差融合模块后的第六个输出特征；
Figure SMS_128
表示通过第四个多尺度残差融合模块后的第七个输出特征；
Figure SMS_129
表示通过第四个多尺度残差融合模块后的第八个输出特征；
Figure SMS_130
表示第三个多尺度残差融合模块；
Figure SMS_131
表示第四个多尺度残差融合模块。
根据本发明的一个实施方式，使用逆离散小波变换进行逆向转换，得到特征图像，其中公式为，
Figure SMS_132
；
其中，
Figure SMS_133
表示逆离散小波变换；
Figure SMS_134
表示特征图像。
根据本发明的一个实施方式，使用多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合的方法进一步包括，多尺度残差融合模块共有两条计算分支，计算分支包含四个计算操作层，计算操作层由一个卷积、一个可切换归一化操作和一个参量整流线性单元组成，使用第一个计算操作层进行计算的公式为，
Figure SMS_135
；
Figure SMS_136
；
其中，
Figure SMS_137
表示第一计算分支的第一个计算操作层；
Figure SMS_138
表示第二计算分支的第一个计算操作层；
Figure SMS_139
表示通过第一计算分支的第一个计算操作层的输出；
Figure SMS_140
表示通过第二计算分支的第一个计算操作层的输出；
使用两条计算分支的第二个计算操作层进一步处理，其公式为，
Figure SMS_141
；
Figure SMS_142
；
其中，
Figure SMS_143
表示第一计算分支的第二个计算操作层；
Figure SMS_144
表示第二计算分支的第二个计算操作层；
Figure SMS_145
表示通过第一计算分支的第二个计算操作层的输出；
Figure SMS_146
表示通过第二计算分支的第二个计算操作层的输出；
Figure SMS_147
表示对多个特征进行通道层面的叠加操作；
使用两条计算分支的第三个计算操作层进一步处理，其公式为，
Figure SMS_148
；
Figure SMS_149
；
其中，
Figure SMS_150
表示第一计算分支的第三个计算操作层；
Figure SMS_151
表示第二计算分支的第三个计算操作层；
Figure SMS_152
表示通过第一计算分支的第三个计算操作层的输出；
Figure SMS_153
表示通过第二计算分支的第三个计算操作层的输出；
使用两条计算分支的第四个计算操作层进一步处理，得到融合后的结果，其公式为，
Figure SMS_154
；
Figure SMS_155
；
其中，
Figure SMS_156
表示第一计算分支的第四个计算操作层；
Figure SMS_157
表示第二计算分支的第四个计算操作层。
根据本发明的一个实施方式，使用交叉熵损失对嵌套编码器网络进行训练，其中公式为，
Figure SMS_158
；
其中，
Figure SMS_159
表示网络训练所采用的损失；
Figure SMS_160
表示二元交叉熵；
Figure SMS_161
表示骰子系数；
Figure SMS_162
表示与输入岩脉遥感图像对应的岩脉区域二值标签。
为实现上述发明目的，本发明还提供一种电子设备，该电子设备包括：处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现上述一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
基于此，本发明的有益效果在于，利用训练好的结合小波特征的多尺度残差融合网络能够自动化地提取遥感图像中的岩脉区域，无需人工干预；结合小波特征的多尺度残差融合网络，能够充分考虑不同频率的遥感图像分量，且通过多尺度残差融合模块，能够充分提取不同频率不同尺度的图像特征，并进行深度融合，从而实现精准的遥感图像岩脉区域提取。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (6)

1.一种基于多尺度残差融合网络的遥感图像岩脉提取方法，其特征在于，包括：
获取岩脉遥感图像；
根据多尺度残差融合网络得到特征图像；
所述多尺度残差融合网络包含有离散小波变换、多尺度残差融合模块和逆离散小波变换，使用所述离散小波变换对岩脉遥感图像进行分解，其中公式为，
Figure QLYQS_1
；
其中，
Figure QLYQS_2
表示近似分量；
Figure QLYQS_3
表示对角线分量；
Figure QLYQS_4
表示水平分量；
Figure QLYQS_5
表示垂直分量；
Figure QLYQS_6
表示离散小波变换；
Figure QLYQS_7
表示岩脉遥感图像；
使用所述多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合，其中公式为，
Figure QLYQS_8
；
Figure QLYQS_9
；
其中，
Figure QLYQS_10
表示通过第一个多尺度残差融合模块后的第一个输出特征；
Figure QLYQS_11
表示通过第一个多尺度残差融合模块后的第二个输出特征；
Figure QLYQS_12
表示通过第二个多尺度残差融合模块后的第三个输出特征；
Figure QLYQS_13
表示通过第二个多尺度残差融合模块后的第四个输出特征；
Figure QLYQS_14
表示第一个多尺度残差融合模块；
Figure QLYQS_15
表示第一个多尺度残差融合模块；
使用所述多尺度残差融合模块进行交叉融合，其中公式为，
Figure QLYQS_16
；
Figure QLYQS_17
；
其中，
Figure QLYQS_18
表示通过第三个多尺度残差融合模块后的第五个输出特征；
Figure QLYQS_19
表示通过第三个多尺度残差融合模块后的第六个输出特征；
Figure QLYQS_20
表示通过第四个多尺度残差融合模块后的第七个输出特征；
Figure QLYQS_21
表示通过第四个多尺度残差融合模块后的第八个输出特征；
Figure QLYQS_22
表示第三个多尺度残差融合模块；
Figure QLYQS_23
表示第四个多尺度残差融合模块；
使用所述逆离散小波变换进行逆向转换，得到所述特征图像，其中公式为，
Figure QLYQS_24
；
其中，
Figure QLYQS_25
表示逆离散小波变换；
Figure QLYQS_26
表示特征图像；
将所述特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
2.根据权利要求1所述的一种基于多尺度残差融合网络的遥感图像岩脉提取方法，其特征在于，使用所述多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合的方法进一步包括，所述多尺度残差融合模块共有两条计算分支，计算分支包含四个计算操作层，计算操作层由一个卷积、一个可切换归一化操作和一个参量整流线性单元组成，使用第一个计算操作层进行计算的公式为，
Figure QLYQS_27
；
Figure QLYQS_28
；
其中，
Figure QLYQS_29
表示第一计算分支的第一个计算操作层；
Figure QLYQS_30
表示第二计算分支的第一个计算操作层；
Figure QLYQS_31
表示通过第一计算分支的第一个计算操作层的输出；
Figure QLYQS_32
表示通过第二计算分支的第一个计算操作层的输出；
使用两条计算分支的第二个计算操作层进一步处理，其公式为，
Figure QLYQS_33
；
Figure QLYQS_34
；
其中，
Figure QLYQS_35
表示第一计算分支的第二个计算操作层；
Figure QLYQS_36
表示第二计算分支的第二个计算操作层；
Figure QLYQS_37
表示通过第一计算分支的第二个计算操作层的输出；
Figure QLYQS_38
表示通过第二计算分支的第二个计算操作层的输出；
Figure QLYQS_39
表示对多个特征进行通道层面的叠加操作；
使用两条计算分支的第三个计算操作层进一步处理，其公式为，
Figure QLYQS_40
；
Figure QLYQS_41
；
其中，
Figure QLYQS_42
表示第一计算分支的第三个计算操作层；
Figure QLYQS_43
表示第二计算分支的第三个计算操作层；
Figure QLYQS_44
表示通过第一计算分支的第三个计算操作层的输出；
Figure QLYQS_45
表示通过第二计算分支的第三个计算操作层的输出；
使用两条计算分支的第四个计算操作层进一步处理，得到融合后的结果，其公式为，
Figure QLYQS_46
；
Figure QLYQS_47
；
其中，
Figure QLYQS_48
表示第一计算分支的第四个计算操作层；
Figure QLYQS_49
表示第二计算分支的第四个计算操作层。
3.根据权利要求2所述的一种基于多尺度残差融合网络的遥感图像岩脉提取方法，其特征在于，使用交叉熵损失对嵌套编码器进行训练，其中公式为，
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示网络训练所采用的损失；
Figure QLYQS_52
表示二元交叉熵；
Figure QLYQS_53
表示骰子系数；
Figure QLYQS_54
表示与输入岩脉遥感图像对应的岩脉区域二值标签。
4.一种基于多尺度残差融合网络的遥感图像岩脉提取***，其特征在于，包括：
获取岩脉遥感图像获取模块：获取岩脉遥感图像；
特征图像获取模块：根据多尺度残差融合网络得到特征图像；
所述多尺度残差融合网络包含有离散小波变换、多尺度残差融合模块和逆离散小波变换，使用所述离散小波变换对岩脉遥感图像进行分解，其中公式为，
Figure QLYQS_55
；
其中，
Figure QLYQS_56
表示近似分量；
Figure QLYQS_57
表示对角线分量；
Figure QLYQS_58
表示水平分量；
Figure QLYQS_59
表示垂直分量；
Figure QLYQS_60
表示离散小波变换；
Figure QLYQS_61
表示岩脉遥感图像；
使用所述多尺度残差融合模块对近似分量和对角线分量，水平分量和垂直分量进行融合，其中公式为，
Figure QLYQS_62
；
Figure QLYQS_63
；
其中，
Figure QLYQS_64
表示通过第一个多尺度残差融合模块后的第一个输出特征；
Figure QLYQS_65
表示通过第一个多尺度残差融合模块后的第二个输出特征；
Figure QLYQS_66
表示通过第二个多尺度残差融合模块后的第三个输出特征；
Figure QLYQS_67
表示通过第二个多尺度残差融合模块后的第四个输出特征；
Figure QLYQS_68
表示第一个多尺度残差融合模块；
Figure QLYQS_69
表示第一个多尺度残差融合模块；
使用所述多尺度残差融合模块进行交叉融合，其中公式为，
Figure QLYQS_70
；
Figure QLYQS_71
；
其中，
Figure QLYQS_72
表示通过第三个多尺度残差融合模块后的第五个输出特征；
Figure QLYQS_73
表示通过第三个多尺度残差融合模块后的第六个输出特征；
Figure QLYQS_74
表示通过第四个多尺度残差融合模块后的第七个输出特征；
Figure QLYQS_75
表示通过第四个多尺度残差融合模块后的第八个输出特征；
Figure QLYQS_76
表示第三个多尺度残差融合模块；
Figure QLYQS_77
表示第四个多尺度残差融合模块；
使用所述逆离散小波变换进行逆向转换，得到所述特征图像，其中公式为，
Figure QLYQS_78
；
其中，
Figure QLYQS_79
表示逆离散小波变换；
Figure QLYQS_80
表示特征图像；
岩脉提取结果获取模块：将所述特征图像输入至遥感图像岩脉提取网络，得到岩脉提取结果。
5.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种基于多尺度残差融合网络的遥感图像岩脉提取方法。
CN202310449575.0A 2023-04-25 2023-04-25 一种基于多尺度残差融合网络的遥感图像岩脉提取方法 Active CN116168302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310449575.0A CN116168302B (zh) 2023-04-25 2023-04-25 一种基于多尺度残差融合网络的遥感图像岩脉提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310449575.0A CN116168302B (zh) 2023-04-25 2023-04-25 一种基于多尺度残差融合网络的遥感图像岩脉提取方法

Publications (2)

Publication Number Publication Date
CN116168302A CN116168302A (zh) 2023-05-26
CN116168302B true CN116168302B (zh) 2023-07-14

Family

ID=86416753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310449575.0A Active CN116168302B (zh) 2023-04-25 2023-04-25 一种基于多尺度残差融合网络的遥感图像岩脉提取方法

Country Status (1)

Country Link
CN (1) CN116168302B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177456A (zh) * 2021-04-23 2021-07-27 西安电子科技大学 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN113379618A (zh) * 2021-05-06 2021-09-10 航天东方红卫星有限公司 一种基于残差密集连接和特征融合的光学遥感图像去云方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140222403A1 (en) * 2013-02-07 2014-08-07 Schlumberger Technology Corporation Geologic model via implicit function
CN112784806A (zh) * 2021-02-04 2021-05-11 中国地质科学院矿产资源研究所 一种基于全卷积神经网络的含锂伟晶岩脉提取方法
CN113625363B (zh) * 2021-08-18 2022-04-08 中国地质科学院矿产资源研究所 伟晶岩型锂矿的找矿方法及装置、计算机设备及介质
CN113780296B (zh) * 2021-09-13 2024-02-02 山东大学 基于多尺度信息融合的遥感图像语义分割方法及***
CN113850824B (zh) * 2021-09-27 2024-03-29 太原理工大学 一种基于多尺度特征融合的遥感图像路网提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177456A (zh) * 2021-04-23 2021-07-27 西安电子科技大学 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN113379618A (zh) * 2021-05-06 2021-09-10 航天东方红卫星有限公司 一种基于残差密集连接和特征融合的光学遥感图像去云方法

Also Published As

Publication number Publication date
CN116168302A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN111382867B (zh) 神经网络压缩的方法、数据处理的方法及相关装置
CN109523470B (zh) 一种深度图像超分辨率重建方法及***
CN102930275B (zh) 基于Cramer’s V指数的遥感影像特征选择方法
CN103559697A (zh) 基于fft的碎纸片纵切拼接复原算法
CN114022900A (zh) 检测模型的训练方法、检测方法、装置、设备和介质
CN111932577B (zh) 文本检测方法、电子设备及计算机可读介质
CN115546076B (zh) 一种基于卷积网络的遥感图像薄云去除方法
CN109064402B (zh) 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法
CN115083006A (zh) 虹膜识别模型训练方法、虹膜识别方法及装置
CN113139618B (zh) 一种基于集成防御的鲁棒性增强的分类方法及装置
CN116109829B (zh) 一种基于融合网络的珊瑚礁水域图像分割方法
CN116168302B (zh) 一种基于多尺度残差融合网络的遥感图像岩脉提取方法
CN116543165B (zh) 一种基于双通道复合深度网络的遥感图像果树分割方法
Kekre et al. SAR image segmentation using vector quantization technique on entropy images
Kekre et al. Sectorization of Full Kekre’s Wavelet Transform for Feature extraction of Color Images
CN112712015B (zh) 一种人体关键点识别方法、装置、智能终端及存储介质
CN114049491A (zh) 指纹分割模型训练、指纹分割方法、装置、设备及介质
CN111626373B (zh) 多尺度加宽残差网络、小目标识别检测网络及其优化方法
CN113688263A (zh) 用于搜索图像的方法、计算设备和存储介质
CN115861081B (zh) 一种基于阶梯型多级小波网络的图像超分辨率重建方法
CN117496162B (zh) 一种红外卫星遥感影像薄云去除方法、装置及介质
CN118155270B (zh) 模型训练方法、人脸识别方法及相关设备
Yang et al. Semantic segmentation of remote sensing image based on two-time augmentation and atrous convolution
CN116030522A (zh) 口罩人脸识别模型训练方法、装置及电子设备
CN117893744A (zh) 基于改进边界引导上下文聚合网络的遥感图像分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant