摘 "要：常規(guī)的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法使用改進(jìn)損失函數(shù)生成探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)，易受識(shí)別計(jì)算量的影響，導(dǎo)致探測(cè)目標(biāo)的識(shí)別效果不佳，因此需要設(shè)計(jì)一種常規(guī)的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法。即結(jié)合探測(cè)目標(biāo)的正交匹配識(shí)別殘差，設(shè)計(jì)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別跟蹤算法，再利用多尺度特征融合法構(gòu)建輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)，從而完成遙感圖像探測(cè)目標(biāo)識(shí)別。實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)的光學(xué)遙感圖像探測(cè)目標(biāo)輕量級(jí)識(shí)別方法的識(shí)別效果較好，識(shí)別精度較高，具有一定的應(yīng)用價(jià)值，為提高各個(gè)領(lǐng)域的遙感圖像應(yīng)用有效性作出一定的貢獻(xiàn)。

關(guān)鍵詞：輕量級(jí)；光學(xué)；遙感；圖像；探測(cè)；目標(biāo)識(shí)別

中圖分類(lèi)號(hào)：TP751 " " " 文獻(xiàn)標(biāo)志碼：A " " " " "文章編號(hào)：2095-2945（2023）20-0067-04

Abstract： The conventional detection target recognition method of optical remote sensing image uses the improved loss function to generate detection target recognition network， which is easy to be affected by the amount of identification calculation， resulting in poor detection target recognition effect. Therefore， it is necessary to design a conventional detection target recognition method of optical remote sensing image. In this paper， the detection target recognition and tracking algorithm of optical remote sensing image is designed by combining the detection target's orthogonal matching recognition residual. The lightweight detection target recognition network of optical remote sensing image is constructed by multi-scale feature fusion method， so as to complete the detection target recognition of remote sensing image. The experimental results show that the lightweight recognition method designed for optical remote sensing image detection targets has good recognition effect and high recognition accuracy， and has certain application value， and makes a contribution to improving the effectiveness of remote sensing image application in various fields.

Keywords： lightweight; Optics; Remote sensing; Image; Probe; Target recognition

遙感圖像是一種通過(guò)航空/衛(wèi)星生成的圖像，在我國(guó)各個(gè)領(lǐng)域都得到了廣泛的應(yīng)用[1]?？梢园凑掌涑上穹绞?、感知電磁波波長(zhǎng)、傳感器類(lèi)型等進(jìn)行劃分。通過(guò)遙感圖像可以有效采集對(duì)地信息與數(shù)據(jù)[2]，降低測(cè)繪等工作的難度。光學(xué)遙感圖像是遙感圖像的一種，其成像難度較高，易受天氣、光線等自然因素影響[3]，無(wú)法在全天生成有效的遙感圖像。但光學(xué)遙感圖像的分辨率較高，具備紋理信息，可以有效獲取光譜數(shù)據(jù)，采集真實(shí)的地物數(shù)據(jù)。研究表明，常見(jiàn)的光學(xué)遙感圖像采集區(qū)域的天氣變化復(fù)雜[4]，經(jīng)常難以識(shí)別探測(cè)目標(biāo)，針對(duì)該問(wèn)題，需要設(shè)計(jì)一種有效的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法。

事實(shí)上，光學(xué)遙感圖像可以根據(jù)采集的像素光譜特性進(jìn)行分類(lèi)，不同的地物呈現(xiàn)的空間紋理存在較大差異，生成的光學(xué)遙感圖像也具備不同的特征[5]。相關(guān)研究人員針對(duì)遙感圖像探測(cè)目標(biāo)識(shí)別特征設(shè)計(jì)了幾種常規(guī)的遙感圖像探測(cè)目標(biāo)識(shí)別方法。第一種是基于深度學(xué)習(xí)的遙感圖像目標(biāo)識(shí)別方法，其主要通過(guò)遙感圖像識(shí)別表征完成探測(cè)目標(biāo)識(shí)別[6]，第二種是利用YOLOv5網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別方法，其主要利用改進(jìn)損失函數(shù)進(jìn)行探測(cè)目標(biāo)識(shí)別。但上述2種遙感圖像探測(cè)目標(biāo)識(shí)別方法在目標(biāo)識(shí)別過(guò)程中易受計(jì)算量的影響，識(shí)別效果不佳，為了解決上述問(wèn)題，本文設(shè)計(jì)了一種輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法。

1 "光學(xué)遙感圖像探測(cè)目標(biāo)輕量級(jí)識(shí)別方法設(shè)計(jì)

1.1 "設(shè)計(jì)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別跟蹤算法

為了解決識(shí)別計(jì)算量導(dǎo)致的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別效果不佳問(wèn)題，本文設(shè)計(jì)了有效的遙感圖像探測(cè)目標(biāo)識(shí)別跟蹤算法。若給定的識(shí)別觀測(cè)點(diǎn)較多，此時(shí)生成的識(shí)別目標(biāo)就會(huì)缺乏統(tǒng)一性[7]，難以有效地進(jìn)行識(shí)別，因此，在進(jìn)行光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別時(shí)，應(yīng)該預(yù)設(shè)一個(gè)標(biāo)準(zhǔn)的Hilbert遙感識(shí)別空間[8]，生成一個(gè)線性基函數(shù)，帶入遙感探測(cè)識(shí)別觀測(cè)值進(jìn)行迭代，此時(shí)可以計(jì)算遙感圖像的正交匹配識(shí)別殘差Rk，如下

Rk=lt;rk，ggt;gm+rk+1， （1）

式中：lt;rk，ggt;代表識(shí)別向量的內(nèi)積，gm代表更新正交參數(shù)，rk+1代表更新的識(shí)別殘差。在殘差分解過(guò)程中，不同的觀測(cè)值始終呈動(dòng)態(tài)變化進(jìn)行追蹤逼近，需要使用貪婪算法進(jìn)行殘差分解，分解式fN如下

式中：？琢代表設(shè)置的迭代閾值，經(jīng)過(guò)分解的殘差閾值與實(shí)際的遙感圖像檢測(cè)目標(biāo)識(shí)別閾值一致，但在迭代次數(shù)達(dá)到一定值后，生成的觀測(cè)值超脫了最優(yōu)范圍，難以進(jìn)行探測(cè)目標(biāo)識(shí)別，因此本文使用擬合修正法對(duì)生成的探測(cè)識(shí)別匹配殘差進(jìn)行修正處理，添加修正基函數(shù)，此時(shí)的殘差能量a如下

式中：fn代表修正擬合參數(shù)，y代表調(diào)整系數(shù)。經(jīng)過(guò)多次識(shí)別發(fā)現(xiàn)，上述步驟的識(shí)別耗時(shí)過(guò)長(zhǎng)，經(jīng)常在一次迭代計(jì)算還未結(jié)束時(shí)就開(kāi)始下一次計(jì)算，效率過(guò)低，因此本文利用匹配追溯算法將上述殘差與原始的識(shí)別原子項(xiàng)相交[9]，使其滿足所有目標(biāo)的識(shí)別需求。為了適當(dāng)提升計(jì)算效率，在信號(hào)分解前，預(yù)先將遙感圖像探測(cè)識(shí)別數(shù)據(jù)進(jìn)行正交化處理，從而降低該算法的收斂精度。

在上述追蹤匹配的基礎(chǔ)上，若想進(jìn)一步提升探測(cè)目標(biāo)識(shí)別跟蹤算法的性能，可以使用選擇基系數(shù)生成識(shí)別函數(shù)字典，從而進(jìn)一步得到遙感圖像探測(cè)目標(biāo)識(shí)別決策函數(shù)f（X）如下

式中：g（x）代表Mercer識(shí)別條件值。使用上述設(shè)計(jì)的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別跟蹤算法可以在提升遙感圖像探測(cè)目標(biāo)識(shí)別效率的同時(shí)保證識(shí)別精度，進(jìn)一步提高識(shí)別方法的識(shí)別效果。

1.2 "構(gòu)建輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)

為了提高光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別的抗干擾性，本文結(jié)合上文式（3）中獲取的殘差能量利用多尺度特征融合法構(gòu)建了輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)。設(shè)計(jì)的輕量級(jí)光寫(xiě)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)主要改自FPN結(jié)構(gòu)，其可以降低干擾導(dǎo)致的識(shí)別網(wǎng)絡(luò)退化問(wèn)題，及時(shí)調(diào)整網(wǎng)絡(luò)的識(shí)別狀態(tài)，一旦出現(xiàn)識(shí)別任務(wù)，該網(wǎng)絡(luò)可以立即將要求轉(zhuǎn)化為相應(yīng)的識(shí)別映射，進(jìn)一步提高識(shí)別網(wǎng)絡(luò)的識(shí)別有效性，構(gòu)建的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

由圖1可知，上述輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)可以有效地解決識(shí)別梯度消失問(wèn)題，降低誤差損失量，有效地改變綜合損失參數(shù)。除此之外，該網(wǎng)絡(luò)內(nèi)部的改變力度較大，可以進(jìn)一步減少識(shí)別回轉(zhuǎn)損失，推動(dòng)了網(wǎng)絡(luò)優(yōu)化進(jìn)程。

若在遙感圖像探測(cè)目標(biāo)識(shí)別的過(guò)程中，識(shí)別計(jì)算量達(dá)到某一個(gè)極值，其已經(jīng)處于最優(yōu)識(shí)別狀態(tài)，此時(shí)可能會(huì)出現(xiàn)一定的識(shí)別錯(cuò)誤問(wèn)題，此時(shí)該網(wǎng)絡(luò)可以通過(guò)殘差模塊調(diào)整識(shí)別支路，將網(wǎng)絡(luò)權(quán)值設(shè)置為0，從而保持最優(yōu)的遙感圖像探測(cè)目標(biāo)識(shí)別狀態(tài)，提高遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)的綜合性能，此時(shí)該輕量級(jí)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)參數(shù)FLOPS如下

FLOPS=DKgＭ·Ｐarams ， （5）

式中：DK代表輕量級(jí)卷積特征，Ｍ代表識(shí)別特征參數(shù)，Ｐarams代表輸出特征指數(shù)。使用上述輕量級(jí)遙感圖像探測(cè)目標(biāo)識(shí)別網(wǎng)絡(luò)可以有效地調(diào)整遙感圖像探測(cè)目標(biāo)識(shí)別狀態(tài)，最大程度上優(yōu)化識(shí)別參數(shù)，降低識(shí)別難度。

2 "實(shí)驗(yàn)

為了驗(yàn)證設(shè)計(jì)的光學(xué)遙感圖像探測(cè)目標(biāo)輕量級(jí)識(shí)別方法的識(shí)別效果，本文搭建了實(shí)驗(yàn)平臺(tái)，將其與文獻(xiàn)[1]、文獻(xiàn)[2]兩種遙感圖像探測(cè)目標(biāo)識(shí)別方法對(duì)比，進(jìn)行如下實(shí)驗(yàn)。

2.1 "實(shí)驗(yàn)準(zhǔn)備

結(jié)合光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別實(shí)驗(yàn)需求，本文將Geo Pre遙感圖像判讀整編平臺(tái)作為實(shí)驗(yàn)平臺(tái)，進(jìn)行后續(xù)的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別。Geo Pre遙感圖像判讀整編平臺(tái)具有多樣化功能，能識(shí)別jpg、jpeg、bmp、png和tif等多種格式的遙感圖像，滿足各個(gè)場(chǎng)景的遙感圖像探測(cè)目標(biāo)識(shí)別需求，該實(shí)驗(yàn)平臺(tái)主要按照標(biāo)準(zhǔn)布局法布局，示意圖如圖2所示。

由圖2可知，待實(shí)驗(yàn)初始界面開(kāi)啟后可以根據(jù)實(shí)驗(yàn)需求，依次點(diǎn)擊功能菜單，生成遙感實(shí)驗(yàn)圖像，開(kāi)始探測(cè)目標(biāo)識(shí)別。為了提高實(shí)驗(yàn)效率，該實(shí)驗(yàn)平臺(tái)設(shè)置了若干實(shí)驗(yàn)快捷工具，可以快速獲取目標(biāo)標(biāo)準(zhǔn)位置，放大、縮小影像、跳到下一影像。待目標(biāo)識(shí)別完畢后，可在右側(cè)的對(duì)應(yīng)區(qū)域中生成識(shí)別結(jié)果，從而完成遙感圖像探測(cè)目標(biāo)識(shí)別實(shí)驗(yàn)。

為了提高實(shí)驗(yàn)的真實(shí)性，本文使用SRU構(gòu)建了實(shí)驗(yàn)場(chǎng)景，選取IM集成模型進(jìn)行實(shí)驗(yàn)場(chǎng)景分類(lèi)。選取的實(shí)驗(yàn)場(chǎng)景均來(lái)自Resnet-101-MobileNetV3和Teacher-Student網(wǎng)絡(luò)，需要使用NWPU-RESISC45進(jìn)行集中處理，從而完成場(chǎng)景預(yù)訓(xùn)練，本文從場(chǎng)景數(shù)據(jù)集中隨機(jī)抽取9個(gè)場(chǎng)景，生成大小為256 pixel×256 pixel的實(shí)驗(yàn)示例圖像，未設(shè)置探測(cè)目標(biāo)識(shí)別點(diǎn)的實(shí)驗(yàn)遙感示例圖像如圖3所示。

由圖3可知，上述實(shí)驗(yàn)遙感示例圖像共包括9個(gè)不同的場(chǎng)景（按從左至右，從上至下順序依次編號(hào)為A001—I009），其內(nèi)部分別預(yù)設(shè)了一個(gè)探測(cè)目標(biāo)，不同遙感圖像預(yù)設(shè)的探測(cè)目標(biāo)參數(shù)見(jiàn)表1。

結(jié)合表1中的探測(cè)目標(biāo)參數(shù)可以使用Geo Pre遙感圖像判讀整編平臺(tái)生成遙感圖像標(biāo)準(zhǔn)探測(cè)目標(biāo)點(diǎn)，如圖4所示。

由圖4可知，此時(shí)每個(gè)場(chǎng)景內(nèi)均包含一個(gè)探測(cè)目標(biāo)點(diǎn)，可以根據(jù)上述探測(cè)目標(biāo)點(diǎn)進(jìn)行后續(xù)的實(shí)驗(yàn)。經(jīng)過(guò)多次分析發(fā)現(xiàn)，在實(shí)驗(yàn)過(guò)程中存在遙感探測(cè)實(shí)驗(yàn)數(shù)據(jù)過(guò)擬合問(wèn)題，直接影響最終的實(shí)驗(yàn)結(jié)果，為了解決該問(wèn)題，本文使用RESISC45數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)，進(jìn)行了遙感圖像探測(cè)數(shù)據(jù)標(biāo)準(zhǔn)化處理，此時(shí)生成的實(shí)驗(yàn)超參數(shù)：Weight decay為0.05；Batch size為32；Learning rate

0.1（iterationslt;3 750）、0.01（3 750lt;iterationslt;5 600）、0.001（iterationsgt;5 600）；Momentum為0.9；Iterations為7 500。結(jié)合上述的遙感圖像標(biāo)準(zhǔn)探測(cè)超參數(shù)即可進(jìn)行后續(xù)的遙感圖像探測(cè)目標(biāo)識(shí)別實(shí)驗(yàn)。

2.2 "實(shí)驗(yàn)結(jié)果與討論

結(jié)合上述的實(shí)驗(yàn)準(zhǔn)備，在選取的Geo Pre實(shí)驗(yàn)平臺(tái)中可以進(jìn)行光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別實(shí)驗(yàn)。即分別使用本文設(shè)計(jì)的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法，文獻(xiàn)[1]的基于深度學(xué)習(xí)的遙感圖像目標(biāo)識(shí)別方法，以及文獻(xiàn)[2]的利用YOLOv5網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別方法進(jìn)行遙感圖像探測(cè)目標(biāo)識(shí)別，記錄3種方法在不同場(chǎng)景下的遙感圖像探測(cè)目標(biāo)識(shí)別效果，實(shí)驗(yàn)結(jié)果如圖5所示。

由圖5可知，本文設(shè)計(jì)的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法在不同的識(shí)別場(chǎng)景下均能有效識(shí)別預(yù)設(shè)的探測(cè)目標(biāo)點(diǎn)；文獻(xiàn)[1]的基于深度學(xué)習(xí)的遙感圖像目標(biāo)識(shí)別方法能準(zhǔn)確識(shí)別少部分場(chǎng)景的遙感探測(cè)目標(biāo)，但在探測(cè)目標(biāo)不明顯的情況下無(wú)法有效識(shí)別；文獻(xiàn)[2]的利用YOLOv5網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別方法在各個(gè)場(chǎng)景中均能獲取探測(cè)目標(biāo)點(diǎn)，但識(shí)別的探測(cè)目標(biāo)點(diǎn)位置偏差較高，識(shí)別效果較差。上述實(shí)驗(yàn)結(jié)果證明，本文設(shè)計(jì)的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法的識(shí)別效果較為突出，有較高的識(shí)別精度，滿足各個(gè)場(chǎng)景的圖像探測(cè)目標(biāo)識(shí)別需求，具有有效性，有一定的應(yīng)用價(jià)值。

3 "結(jié)束語(yǔ)

綜上所述，光學(xué)遙感圖像是一種特殊的探測(cè)圖像，其可以結(jié)合光譜曲線獲取準(zhǔn)確的對(duì)地?cái)?shù)據(jù)，因此其在各個(gè)領(lǐng)域均應(yīng)用較廣泛。與一般的遙感圖像不同，光學(xué)遙感圖像的分辨率較好，但其易受成像環(huán)境影響，導(dǎo)致探測(cè)目標(biāo)識(shí)別異常，常規(guī)的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法的識(shí)別效果較差，不符合大部分場(chǎng)景的識(shí)別需求，因此本文設(shè)計(jì)了一種全新的輕量級(jí)光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的光學(xué)遙感圖像探測(cè)目標(biāo)識(shí)別方法的識(shí)別效果相對(duì)較好，識(shí)別精度較高，具有有效性，應(yīng)用價(jià)值較高，對(duì)各個(gè)領(lǐng)域遙感圖像應(yīng)用有效性的提高有一定的貢獻(xiàn)度。

參考文獻(xiàn)：

[1] 何遠(yuǎn)，彭積超，何啟友.基于深度學(xué)習(xí)的無(wú)人機(jī)遙感圖像目標(biāo)識(shí)別方法研究[J].工程與建設(shè)，2022，36（6）：1615-1618.

[2] 林清平，張麒麟，肖蕾.采用改進(jìn)YOLOv5網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別方法[J].空軍預(yù)警學(xué)院學(xué)報(bào)，2021，35（2）：117-120.

[3] 龔瑞昆，劉昊晟，張仲，等.采用全卷積神經(jīng)網(wǎng)絡(luò)與多波段遙感圖像結(jié)合的濕地分類(lèi)方法[J].華北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（4）：26-34.

[4] 翁夢(mèng)倩，胡蕾，張永梅，等.GCM～+-LANet：遙感圖像語(yǔ)義分割的全局卷積模塊與局部注意力網(wǎng)絡(luò)模型[J].遙感技術(shù)與應(yīng)用，2022，37（4）：820-828.

[5] 張大奇，范慧穎，康寶生，等.基于改進(jìn)U-Net網(wǎng)絡(luò)的復(fù)雜背景下冰川遙感圖像檢測(cè)方法[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2022，30（4）：806-818.

[6] 雷大江，杜加浩，張莉萍，等.聯(lián)合多流融合和多尺度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)遙感圖像融合方法[J].電子與信息學(xué)報(bào)，2022，44（1）：237-244.

[7] 童瑩萍，全英匯，馮偉，等.基于空譜信息協(xié)同與Gram-Schmidt變換的多源遙感圖像融合方法[J].系統(tǒng)工程與電子技術(shù)，2022，44（7）：2074-2083.

[8] 杜蒙蒙，ALI R，劉穎超.可見(jiàn)光波段無(wú)人機(jī)遙感圖像的小麥莖蘗密度定量反演[J].光譜學(xué)與光譜分析，2021，41（12）：3828-3836.

[9] 周子涵，倪歡，馬林飛.面向高光譜遙感圖像分類(lèi)的連續(xù)空間依賴增強(qiáng)型空-譜卷積神經(jīng)網(wǎng)絡(luò)[J].地理與地理信息科學(xué)，2021，37（6）：32-40.