目标对象的检测方法、装置和服务器与流程

1.本说明书属于遥感图像处理技术领域，尤其涉及目标对象的检测方法、装置和服务器。


背景技术：

2.在遥感图像处理领域，基于现有方法在利用遥感图像对复杂背景(例如，目标对象与目标区域中的背景环境的融合度较高的场景)下的小目标进行检测识别时，往往难以精细地区分出目标对象和背景环境，导致在检测过程中容易出现误差、检测精度较差等问题。
3.针对上述问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本说明书实施例提供了一种目标对象的检测方法、装置和服务器，能够基于遥感图像进行像素级别的分类，从而能精准、高效地利用遥感图像检测确定出目标区域中是否存在目标对象，有效地提高了复杂背景下小目标的检测精度。
5.本说明书实施例提供了一种目标对象的检测方法，包括：
6.获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；
7.根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；
8.计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；
9.根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
10.在一些实施例中，根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像，包括：
11.获取并根据目标对象的波谱信息和目标区域中背景环境的波谱信息，对所述目标遥感图像进行最小噪声分离变换，得到目标遥感图像的主成分分析矩阵；
12.根据所述主成分分析矩阵，确定出目标遥感图像中的主成分波段；
13.根据所述主成分波段，从目标遥感图像中抽取相应的波谱信息，以生成对应的rgb伪彩色图片，作为所述降维后的目标遥感图像。
14.在一些实施例中，计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，包括：
15.计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集基于主成分波段的似然度。
16.在一些实施例中，计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，包括：
17.计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集基于各个波
段的似然度。
18.在一些实施例中，预设的样本像元集至少包括预设的第一样本像元集和预设的第二样本像元集；其中，预设的第一样本像元集所对应的第一像元类型与目标对象匹配；预设的第二样本像元集所对应的第二像元类型与目标区域中的背景环境相匹配。
19.在一些实施例中，根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象，包括：
20.确定与各个像元的似然度最大的预设的样本像元集所对应的像元类型，作为该像元的像元类型；
21.通过检测降维后的目标遥感图像中是否存在像元类型为第一像元类型的目标像元，确定目标区域中是否存在目标对象。
22.在一些实施例中，在根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中存在目标对象之后，所述方法还包括：
23.获取并根据降维后的目标遥感图像中目标像元的位置坐标；
24.根据所述目标像元的位置坐标，确定目标对象在目标区域中的分布和/或目标区域中目标对象的数量。
25.在一些实施例中，所述目标遥感图像为针对当前时间段的遥感图像；相应的，根据所述目标像元的位置坐标，确定出当前时间段目标对象在目标区域中的分布和/或目标区域中目标对象的数量；
26.所述方法还包括：
27.获取并根据针对上一时间段的遥感图像，确定出上一时间段目标对象在目标区域中的分布和/或目标区域中的目标对象的数量；
28.根据当前时间段目标对象在目标区域中的分布和/或目标区域中目标对象的数量，和上一时间段目标对象在目标区域中的分布和/或目标区域中的目标对象的数量，确定目标区域中目标对象的变化趋势。
29.在一些实施例中，在获取目标遥感图像之前，所述方法还包括：
30.获取样本遥感图像；
31.确定出样本遥感图像中各个像元的像元类型，并对各个像元进行像元类型标注，得到标注后的样本遥感图像；
32.根据所述标注后的样本遥感图像，筛选出与多个像元类型分别对应的多个像元组；
33.根据所述多个像元组，构建出多个预设的样本像元集。
34.本说明书实施例还提供了一种目标对象的检测装置，包括：
35.获取模块，用于获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；
36.处理模块，用于根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；
37.计算模块，用于计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；
38.确定模块，用于根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
39.本说明书实施例还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现以下步骤：获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
40.本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被计算机设备执行时实现：获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
41.本说明书提供的一种目标对象的检测方法、装置和服务器，具体实施前，可以预先根据样本遥感图像，统计构建出对应多个像元类型的多个预设的样本集；具体实施时，可以先根据预设的处理规则，通过对所获取的目标遥感图像进行相应处理，将原本数据量较大、维度较高的目标遥感图像，转换为数据量较小、噪声较少，且更适于后续处理的降维后的目标遥感图像；进一步，可以计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；再根据目标遥感图像中的单个像元与预设的样本像元集的似然度，来确定目标区域中是否存在目标对象。从而可以通过利用遥感图像进行像素级别的分类，精准、高效地检测确定出目标区域中是否存在目标对象，有效地提高了复杂背景下对小目标的检测精度。
附图说明
42.为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1是本说明书的一个实施例提供的目标对象的检测方法的流程示意图；
44.图2是本说明书的一个实施例提供的服务器的结构组成示意图；
45.图3是本说明书的一个实施例提供的目标对象的检测装置的结构组成示意图。
具体实施方式
46.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于
本说明书保护的范围。
47.参阅图1所示，本说明书实施例提供了一种目标对象的检测方法，其中，该方法具体应用于服务器一侧。具体实施时，该方法可以包括以下内容：
48.s101：获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；
49.s102：根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；
50.s103：计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；
51.s104：根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
52.通过上述实施例，可以先根据预设的处理规则，先对目标遥感图像进行相应处理，将原本数据量较大、维度较高、噪声较多、不适合后续数据处理的目标遥感图像，转换为数据量相对较小、维度较低、噪声较少，且较适合后续的数据处理的降维后的目标遥感图像；再根据预设的样本像元集，通过计算并根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，进行像素级别的分类，从而可以高效、精准地利用遥感图像检测出目标区域中是否存在所关注的目标对象，有效地提高了复杂背景下对小目标的检测精度。
53.在一些实施例中，本说明实施例所提供的目标对象的检测方法具体可以应用于负责处理遥感图像的服务器一侧。具体的，所述服务器具体可以包括一种应用于遥感图像处理系统一侧，能够实现数据传输、数据处理等功能的后台服务器。具体的，所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。
54.在一些实施例中，上述目标遥感图像具体可以理解为针对范围较广的目标区域所采集的遥感图像。其中，上述目标遥感图像具有高光谱、高分辨率，以及数据维度高、数据量大，后续处理难度大等特点。
55.在一些实施例中，具体实施时，可以每间隔预设的时间段(例如，每隔一月)，通过遥感卫星采集针对目标区域的遥感图像。具体的，可以将当前时间段所采集的针对目标区域的遥感图像作为所述目标遥感图像。
56.在一些实施例中，上述目标对象具体可以理解为目标区域中的，用户所关注的、待检测的实物对象。具体的，上述目标对象可以是待检测的建筑物，也可以是待检测的山川、湖泊，还可以是待检测的机械设备等等。
57.其中，上述目标对象具体可以包括目标区域中相对于背景环境尺寸较小、较难辨识的小目标。
58.在一些实施例中，上述目标遥感图像具体可以是一种涉及复杂场景的遥感图像。上述复杂场景具体可以理解为目标对象与目标区域中的背景环境融合度较高的场景。例
如，目标对象的颜色与目标区域中背景环境的颜色相同或相近的场景等。对于上述涉及复杂场景的遥感图像，基于现有方法往往很难精细基于遥感图像区分开目标对象和背景环境，导致在根据遥感图像进行目标检测时，很容易出现误差。尤其在目标对象的尺寸相对较小的情况下，上述问题更为严重。
59.在一些实施例中，上述目标对象具体可以是白色的风电站或者风电站的风车。相应的，上述目标区域可以是白色的雪地区域。
60.当然，上述所列举的目标对象和目标区域只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述目标对象还可以包括绿色的农场，相应的，目标区域还可以是绿色的草原区域。或者，上述目标对象还可以包括蓝色的渔场，相应的，目标区域还可以是蓝色的海上区域等等。对此，本说明书不作限定。
61.在一些实施例中，上述根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像，具体实施时，可以包括以下内容：
62.s1：获取并根据目标对象的波谱信息和目标区域中背景环境的波谱信息，对所述目标遥感图像进行最小噪声分离变换，得到目标遥感图像的主成分分析矩阵；
63.s2：根据所述主成分分析矩阵，确定出目标遥感图像中的主成分波段；
64.s3：根据所述主成分波段，从目标遥感图像中抽取相应的波谱信息，以生成对应的rgb伪彩色图片，作为所述降维后的目标遥感图像。
65.通过上述实施例，可以根据预设的处理规则，通过对目标遥感图像进行相应的处理，将原本数据量较大、维度较高的目标遥感图像，转换为数据量相对较小、噪声较少，且适合进行后续的数据处理的降维后的目标遥感图像；相应的，后续可以基于上述降维后的目标遥感图像更加高效、精准地进行目标对象检测。
66.在一些实施例中，上述获取目标对象的波谱信息和目标区域中背景环境的波谱信息，具体实施时，可以包括以下内容：采集针对目标区域的且包含有目标对象的遥感图像作为测试图像；在所述测试图像中确定出目标对象所在的第一图像区域，以及背景环境所在的第二图像区域；对所述第一图像区域进波谱信息统计，得到目标对象的波谱信息；对所述第二图像区域进行波谱信息统计，得到目标区域中背景环境的波谱信息。
67.在一些实施例中，根据目标对象的波谱信息和目标区域中背景环境的波谱信息，对所述目标遥感图像进行最小噪声分离变换，得到目标遥感图像的主成分分析矩阵，具体实施时，可以包括以下内容：根据所述目标对象的波谱信息和所述目标区域中背景环境的波谱信息，构建预设的高通滤波器；用上述预设的高通滤波器对目标图像进行滤波处理，以利用遥感图像的高光谱特向滤除背景噪声，得到相应的噪声协方差矩阵；根据所述噪声协方差矩阵，进行最小噪声分离变换，得到目标遥感图像的主成分分析矩阵。
68.通过上述实施例，可以先充分利用遥感图像的高光谱的特性，基于测试图像构建得到能够有效地过滤背景环境噪声、效果较好的预设的高通滤波器；再利用上述预设的高通滤波器处理目标遥感图像，在滤除噪声的同时，保留下目标遥感图像的主成分分析矩阵，以备后续使用。
69.在一些实施例中，上述根据所述噪声协方差矩阵，进行最小噪声分离变换，得到目标遥感图像的主成分分析矩阵，具体实施时，可以包括以下内容：
70.s1：根据所述噪声协方差矩阵，构建第一变换矩阵；
71.s2：利用所述第一变换矩阵对所述噪声协方差矩阵进行第一变换处理，得到变换后的数据矩阵；
72.s3：根据所述变换后的数据矩阵，构建第二变换矩阵；
73.s4：根据所述第一变换矩阵和第二变换矩阵，构建最小噪声分离变换矩阵；
74.s5：利用所述最小噪声分离变换矩阵处理所述目标遥感图像，得到目标遥感图像的主成分分析矩阵。
75.通过上述实施例，可以通过构建并利用噪声协方差矩阵，对目标遥感图像进行最小噪声分离变换，以在较大程度上去除背景噪声，得到向量中的各个元素互不相关，并保留下目标遥感图像中的主成分，使得图像的数据维度降低，且按信噪比从大到小排列的目标遥感图像的主成分分析矩阵。这样可以有效地降低背景噪声对图像质量的影响，得到相对较纯净，效果相对较好的主成分分析矩阵。
76.在一些实施例中，具体构建第一变换矩阵时，服务器可以根据噪声协方差矩阵c
n
，将c
n
的特征值按降序进行排列，得到对应的对角化矩阵d
n
；确定出基于特征向量所构建的正交矩阵u；并根据对角化矩阵d
n
和正交矩阵u按照以下算式构建对应的第一变换矩阵：
77.在一些实施示例中，具体进行第一变换处理时，服务器可以通过利用第一变换矩阵按照以下算式对噪声协方差矩阵c
n
进行第一变换处理：c
d
‑
adj
＝p
t
c
n
p；以对噪声数据进行标准主成分变换，将噪声数据投影到了一个新的特征空间中，得到变换后的数据矩阵c
d
‑
adj
。这样可以使得噪声数据都具有单位方差，在波段上不再具有相关性，便于后续剔除。
78.在一些实施例中，具体构建第二变换矩阵时，服务器可以根据变换后的数据矩阵，确定出特征值按降序排列的对角矩阵d
d
‑
adj
；根据变换后的数据矩阵和该对角矩阵，按照以下算式构建出第二变换矩阵v：d
d
‑
adj
＝v
t
c
d
‑
adj
v。
79.在一些实施例中，具体构建最小噪声分离变换矩阵时，服务器可以按照以下算式，利用第一变换矩阵和第二变换矩阵，构建相应的最小噪声分离变换矩阵：t＝pv。
80.在一些实施例中，具体实施时，可以根据主成分分析矩阵，提取出相应波段，得到目标遥感图像中的主成分波段。
81.在一些实施例中，具体实施时，可以根据所述主成分波段，从目标遥感图像中抽取相应的波谱信息，以生成对应的rgb伪彩色图片，作为所述降维后的目标遥感图像。
82.在一些实施例中，上述计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，具体实施时，可以包括以下内容：计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集基于各个波段的似然度。
83.通过上述实施例，可以充分利用遥感图像的高光谱、多波段的特性，计算并利用各个像元分别与预设的样本像元集基于各个波段的似然度，来较为全面、准确地从像素级层面，对像元进行分类。
84.在一些实施例中，上述计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，具体实施时，可以包括以下内容：计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集基于主成分波段的似然度。
85.通过上述实施例，可以有效地降低数据处理量和处理时长，只计算并利用各个像
元分别与预设的样本像元集基于主成分波段的似然度，来较为高效、有针对性地从像素级层面，对像元进行分类。
86.在一些实施例中，上述预设的样本像元集具体可以理解为一种预先根据样本遥感图像学习得到的。其中，每一个预设的样本像元集对应一个像元类型。每一个预设的样本像元集包含有对应同一个像元类型的多个样本像元。具体的，例如，对应某一个像元类型的预设的样本像元集可以表示为以下形式：d＝{x1,x2,...x
i
,...x
n
}。其中，x
i
表示属于该像元类型的编号为i的样本像元。
87.在一些实施例中，上述预设的样本像元集至少包括预设的第一样本像元集和预设的第二样本像元集；其中，预设的第一样本像元集所对应的第一像元类型与目标对象匹配；预设的第二样本像元集所对应的第二像元类型与目标区域中的背景环境相匹配。
88.当然，需要说明的是，上述所列举的预设的样本像元集，以及像元类型只是一种示意性说明。具体实施时，根据具体场景的复杂度以及处理精度要求，上述预设的样本像元集还可以包括更多种的样本像元集，相应的，所对应的像元类型还可以包括更多样的像元类型。
89.在一些实施例中，与目标对象匹配的像元类型可以包括一种或多种不同的像元类型。类似的，与背景环境相匹配的像元类型可以包括一种或多种不同的像元类型。
90.具体的，例如，在雪地区域中的风电站检测场景中，与目标对象风电站匹配的包括样本像元集1和样本像元集2两个预设的样本像元集。其中，样本像元集1所包含的样本像元为表征风电站的风车的样本像元，所对应的像元类型记为像元类型1；样本像元集2所包含的样本像元为表征风电站的控制室的样本像元，所对应的像元类型记为像元类型2。
91.类似的，与背景环境匹配的包括样本像元集3、样本像元集4和样本像元集5三个预设的样本像元集。其中，样本像元集3所包含的样本像元为表征山地的样本像元，所对应的像元类型记为像元类型3；样本像元集4所包含的样本像元为表征天空的样本像元，所对应的像元类型记为像元类型4；样本像元集5所包含的样本像元为表征平地的样本像元，所对应的像元类型记为像元类型5。
92.通过上述实施例，可以根据具体情况和处理需求，预先准备好对应多种不同像元类型的多个预设的样本像元集，以便后续能够利用上述多个预设的样本像元集，精准地基于降维后的遥感图像进行像素级的分类。
93.在一些实施例中，计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集基于主成分波段的似然度，具体实施时，以计算降维后的目标遥感中的当前像元与当前预设的样本像元集基于主成分波段的似然度为例。其中，当前像元的主成分波段服从正态分布n(μ,σ2)，当预设的样本像元集为d＝{x1,x2,...x
i
,...x
n
}，可以按照以下算式，计算当前像元与当前预设的样本像元集基于主成分波段的似然度：
[0094][0095]
其中，m(μ,σ2)为当前像元与当前预设的样本像元集基于主成分波段的似然度，μ为主成分波段的信息均值，σ2为主成分波段的信息方差，n为当前预设的样本像元集所包含的样本像元总数，x
i
为当前预设的样本像元集中编号为i的样本像元。
[0096]
按照上述方式，可以分别计算出降维后的目标遥感图像中的各个像元与各个预设
的样本像元集的似然度。
[0097]
在一些实施例中，上述根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象，具体实施时，可以包括以下内容：
[0098]
s1：确定与各个像元的似然度最大的预设的样本像元集所对应的像元类型，作为该像元的像元类型；
[0099]
s2：通过检测降维后的目标遥感图像中是否存在像元类型为第一像元类型的目标像元，确定目标区域中是否存在目标对象。
[0100]
通过上述实施例，可以根据各个像元与预设的样本像元集的似然度，准确地确定出目标区域中是否存在所关注的目标对象。
[0101]
在一些实施例中，具体的，以确定降维后的目标遥感图像中的任意一个当前像元的像元类型为例。可以比较当前像元与预设的第一样本像元集的似然度、当前像元与预设的第二样本像元集的似然度的数值大小；根据比较结果，将似然度最大的预设的样本像元集所对应的像元类型，确定为当前像元的像元类型。例如，通过数值比较，确定当前像元与预设的第一样本像元集的似然度大于当前像元与预设的第二样本像元集的似然度，则可以确定当前像元的像元类型为第一类型。相反，通过数值比较，确定当前像元与预设的第一样本像元集的似然度小于当前像元与预设的第二样本像元集的似然度，则可以确定当前像元的像元类型为第二类型。
[0102]
在一些实施例中，在根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中存在目标对象之后，所述方法具体实施时，还可以包括以下内容：
[0103]
s1：获取并根据降维后的目标遥感图像中目标像元的位置坐标；
[0104]
s2：根据所述目标像元的位置坐标，确定目标对象在目标区域中的分布和/或目标区域中目标对象的数量。
[0105]
通过上述实施例，在基于目标遥感图像确定出目标区域中存在目标对象之后，还可以进一步准确地确定出目标对象在目标区域中的具体分布和/或目标区域中目标对象的具体数量等细节信息。
[0106]
在一些实施例中，具体实施时，可以根据目标遥感图像中位置坐标与目标区域真实的地理坐标的映射关系，将属于目标对象的目标像元在降维后的目标遥感图像中的位置坐标映射成目标区域中真实的地理坐标；进而可以根据上述真实的地理坐标，统计出目标区域中目标对象的具体数量，和/或，确定出目标对象在目标区域中具体分布。
[0107]
在一些实施例中，所述目标遥感图像为针对当前时间段的遥感图像；相应的，根据所述目标像元的位置坐标，确定出当前时间段目标对象在目标区域中的分布和/或目标区域中目标对象的数量；所述方法具体实施时，还可以包括以下内容：
[0108]
s1：获取并根据针对上一时间段的遥感图像，确定出上一时间段目标对象在目标区域中的分布和/或目标区域中的目标对象的数量；
[0109]
s2：根据当前时间段目标对象在目标区域中的分布和/或目标区域中目标对象的数量，和上一时间段目标对象在目标区域中的分布和/或目标区域中的目标对象的数量，确定目标区域中目标对象的变化趋势。
[0110]
通过上述实施例，可以根据上一时间段的遥感图像，以及当前时间段的遥感图像，
通过确定并分析目标对象在目标区域中的分布和/或数量的变化，可以准确地确定出从上一时间段到当前时间段这段时间内目标对象的变化趋势，进而可以实现对目标对象的有效监测。
[0111]
具体的，例如，可以根据上一时间段的遥感图像，以及当前时间段的遥感图像，分析雪地区域中风电站的数量变化，从而可以实现对风电站的施工进度的监测。
[0112]
在一些实施例中，进一步还可以根据上一时间段和当前时间段目标对象的变化趋势，对下一时间段目标对象的变化情况进行预测，以便可以根据预测结果及时地引导、调整目标对象的未来变化。
[0113]
在一些实施例中，在获取目标遥感图像之前，所述方法具体实施时，还可以包括以下内容：
[0114]
s1：获取样本遥感图像；
[0115]
s2：确定出样本遥感图像中各个像元的像元类型，并对各个像元进行像元类型标注，得到标注后的样本遥感图像；
[0116]
s3：根据所述标注后的样本遥感图像，筛选出与多个像元类型分别对应的多个像元组；
[0117]
s4：根据所述多个像元组，构建出多个预设的样本像元集。
[0118]
通过上述实施例，具体实施前，可以获取并根据大量样本遥感图像构建出可靠性较高的、效果较好的多个预设的样本像元集。
[0119]
在一些实施例中，上述样本遥感图像具体可以是历史上采集的针对目标区域的遥感图像；或者包含有与目标区域类似的区域，以及与目标对象类似的对象的遥感图像。
[0120]
在一些实施例中，上述根据所述标注后的样本遥感图像，筛选出与多个像元类型分别对应的多个像元组，具体实施时，以筛选出与当前像元类型对应当前像元组为例，可以先根据标注后的样本遥感图像获取所有像元类型为当前像元类型的像元，记为第一像元；统计第一像元的像元平均值，再分别计算各个第一像元与像元平均值的差异值；从多个第一像元中筛选出差异值小于等于预设的差异阈值的像元作为第二像元；组合所述第二像元，得到对应的当前像元组。按照上述方式，可以筛选出其他像元组。
[0121]
在一些实施例中，具体实施时，还可以通过对样本遥感图像中的像元进行聚类处理，以高效地构建出多个预设的样本像元集。
[0122]
由上可见，基于本说明书实施例提供的目标对象的检测方法，具体实施前，可以预先根据样本遥感图像，统计构建出对应多个像元类型的多个预设的样本集；具体实施时，可以先根据预设的处理规则，通过进行相应处理，将原本数据量较大、维度较高的目标遥感图像，转换为数据量较小、更适于后续处理的降维后的目标遥感图像；进一步，可以计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；再根据像元与预设的样本像元集的似然度，来确定目标区域中是否存在目标对象。从而可以通过基于遥感图像进行像素级别的分类，精准、高效地检测确定出目标区域中是否存在目标对象，有效地提高了复杂背景下的小目标的检测精度。
[0123]
本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；根据预设的处理规则，处理所述目标遥
memory,ram)、只读存储器(read
‑
only memory,rom)、缓存(cache)、硬盘(hard disk drive,hdd)或者存储卡(memory card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
[0133]
在本实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
[0134]
参阅图3所示，在软件层面上，本说明书实施例还提供了一种目标对象的检测装置，该装置具体可以包括以下的结构模块：
[0135]
获取模块301，具体可以用于获取目标遥感图像；其中，所述目标遥感图像为包含有目标区域的遥感图像；
[0136]
处理模块302，具体可以用于根据预设的处理规则，处理所述目标遥感图像，得到降维后的目标遥感图像；
[0137]
计算模块303，具体可以用于计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；其中，所述预设的样本像元集为预先根据样本遥感图像得到的；一个预设的样本像元集包含有对应一个像元类型的多个样本像元；
[0138]
确定模块304，具体可以用于根据降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度，确定目标区域中是否存在目标对象。
[0139]
需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0140]
由上可见，本说明书实施例提供的目标对象的检测装置，可以先根据预设的处理规则，通过进行相应处理，将原本数据量较大、维度较高的目标遥感图像，转换为数据量较小、更适于后续处理的降维后的目标遥感图像；进一步，可以计算降维后的目标遥感图像中的各个像元分别与预设的样本像元集的似然度；再根据像元与预设的样本像元集的似然度，来确定目标区域中是否存在目标对象，从而可以通过基于遥感图像进行像素级别的分类，精准、高效地检测确定出目标区域中是否存在目标对象，有效地提高了复杂背景下的小目标的检测精度。
[0141]
在一个具体的场景示例中，可以应用本说明书实施例提供的目标对象的检测方法基于遥感图像对雪地风电站建设进度进行监控。具体实施过程可以参阅以下内容。
[0142]
在本场景示例中，可以先将输入的高光谱遥感图像x(例如，目标遥感图像)经过最小噪声分离矩阵t后，在投影空间降维，并将目标与背景噪声在投影空间解纠缠。随后，利用用户选择的典型目标与难区分背景区域的波段信息，计算出经过变换后的整图x’(例如，降维后的目标遥感图像)中的每一个给定像元属于某一类训练样本的似然度。最后，将像元与每一类的似然度将被从大到小排序，似然度最大的一类即为该像元的分类结果。再根据像
元的分类结果，从像素级别在雪地中确定出所关注的风电站，为施工进度检测提供客观依据。
[0143]
具体实施时，可以包括以下内容。
[0144]
在本场景示例中，输入系统的遥感影像具体可以是专业卫星公司使用卫星定期拍摄并上传的图像，具有占用内存大、高光谱、分辨率高等特征，需要遥感影像读取模块进行读取，并保存高光谱信息。
[0145]
在本场景示例中，初次读取并获得图像信息后，用户可以对图像中感兴趣的区域和背景区域进行多边形框选。框选出典型目标与背景区域后，系统将对区域包含像元所对应的波谱信息进行统计。用户可以选择保存这些目标与背景波段的统计信息，以便下次检测时自动载入。
[0146]
在本场景示例中，根据典型目标与背景区域的波段信息，系统会生成一个高通滤波器模板(例如，预设的高通滤波器)。将图像整图x通过滤波器过滤后，具有相似波谱性质的图像像素块就能得到滤波处理，生成噪声协方差矩阵c
n
，然后将其对角化：
[0147]
d
n
＝u
t
c
n
u
[0148]
其中，u为由特征向量组成的正交矩阵，得到的矩阵d
n
为噪声协方差矩阵c
n
的特征值按降序排列而成的对角矩阵。进一步变换可得：
[0149][0150]
i＝p
t
c
n
p
[0151]
其中，i为单位矩阵。通过变换矩阵p将原始图片x投影到新的特征空间后，产生的投影数据的噪声都具有单位方差，因此具有波段不相关性。
[0152]
接下来可以对噪声数据进行标准主成分变换，得到经变换矩阵p变换后的矩阵c
d
‑
adj
，并进一步对角化：
[0153]
c
d
‑
adj
＝p
t
c
n
p
[0154]
d
d
‑
adj
＝v
t
c
d
‑
adj
v
[0155]
其中，d
d
‑
adj
为c
d
‑
adj
的特征值按降序排列得到的对角矩阵，v为c
d
‑
adj
的特征向量组成的正交矩阵。
[0156]
最终，最小噪声分离变换矩阵t即为p与v的点乘，表示为以下形式：
[0157]
t＝pv。
[0158]
在本场景示例中，原始图片通过两次重叠处理的主成分分析矩阵t，变换后得到的向量中各元素互不相关，保留的主成分使原始图像维度大大减少，且信息按信噪比从大到小排列，从而克服了噪声对图像质量的影响。
[0159]
进一步，可以根据保留的主成分波段，原始高光谱图片将被转换成降维后的图片x’。变换后的整图x’内，每一个波段的每一类统计都呈正态分布，即每一个未知的给定波段的像元样本都服从正态分布n(μ,σ2)。此时该像元相对每个已知类别(背景或感兴趣目标)的样本集d＝{x1,x2,...x
i
,...x
n
}的似然函数可以写成：
[0160]
[0161]
进一步，为简便计算，具体实施时，可以按照以下算式计算对数似然函数作为似然度：
[0162][0163]
此时就能得到未知像元样本n(μ,σ2)相对某一类的似然度。类似的，此未知像元样本相对所有类的似然度都可以计算，似然度最大的类即为此样本的分类结果。最终，所有代表感兴趣目标的像元都可以被正确分出。
[0164]
通过对像元进行分类，可以根据像元分类结果从遥感图像中检测出雪地风电站，并对雪地风电站的施工情况进行监控。
[0165]
需要补充的是，在本场景示例中通过计算似然函数来对像元进行分类是基于建立在极大似然原理基础上的概率统计的特性，通过进行极大似然估计来实现的。
[0166]
具体的，极大似然原理，假设样本集中的样本都是独立同分布，可以只考虑一类样本集d，来估计参数向量θ。其中，参数向量θ相对于样本集d(d＝{x1,x2,...x
i
,...x
n
})的似然函数，可写成联合概率密度函数的形式：
[0167][0168]
该似然函数的最大值，即使得出现该组样本的概率最大的θ值，记为
[0169][0170]
如果θ为标量，则在似然函数满足连续、可微的正则条件下，极大似然估计量是下面微分方程的解：
[0171][0172]
如果θ为标量，则θ可表示为具有s个分量的向量：
[0173]
θ＝[θ1，θ2，
…
，θ
s
]
t
，
[0174]
若似然函数满足连续可导的条件，则最大似然估计量就是如下所示方程的解：
[0175][0176]
其中，梯度算子可表示为以下形式：
[0177][0178]
通过上述场景示例，验证了本说明书实施例提供的目标对象的检测方法相较于现存的遥感卫星图片识别方法来说，一方面，能够充分利用遥感图像高光谱、高分辨率的特征，设计了遥感图像预处理模块，将感兴趣目标与难区分背景在投影空间上解纠缠；另一方面，通过降维、重叠切割方法，将大容量、大尺寸的原始卫星图片变为多张小图片，并利用gpu设备并行预测，大大提高了遥感图像的检测速度；再一方面，还利用最大似然估计方法对遥感图像进行像素级分类，使得复杂背景下的小目标检测精度得到了较大提升。
[0179]
虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0180]
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0181]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
[0182]
通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
[0183]
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
[0184]
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。