基于TensorFlow平台的影像地物识别技术应用

熊国华

摘要：当前遥感影像广泛应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中，随着遥感数据的急剧增加，遥感数据处理与分析面对新的挑战，针对海量遥感影像数据下目标地物的检测识别，本文利用TensorFlow平台将深度学习模型的目标学习与遥感数据处理相结合，对图像中典型目标地物进行检测与识别，从而达到提高遥感地物识别精度的目的。

关键词：深度学习神经网络TensorFlow遥感影像

Application of Image Feature Recognition Technology Based on Tensorflow Platform

XIONG Guohua

（Zhejiang Construction Vocational and Technical College， Hangzhou， Zhejiang Province，311231 China）

Abstract： At present， remote sensing images are widely used in mineral exploration， precision agriculture， urban planning， forestry measurement， military target recognition and disaster assessment. With the rapid increase of remote sensing data， remote sensing data processing and analysis are facing new challenges. For the detection and recognition of target features under massive remote sensing image data， this paper uses tensorflow platform to combine the target learning of deep learning model with remote sensing data processing to detect and recognize typical target features in the image， so as to improve the accuracy of remote sensing feature recognition.

Key Words： Deep learning; Neural network; TensorFlow; Remote sensing image

目前我国已经正式开启高分辨率对地观测系统的建设项目，以此构建全球天空地一体化立体对地观测网，并以高光谱、高空间、宽地面覆盖以及高时间分辨率为基本特征，从而有效保障国家安全。在此大背景下不难发现，当代社会已经迎来了遥感大数据时代，尤其是最近科研工作者们借助深度学习方法，基于卷积神经网络的遥感影像自动地物识别取得了令人印象深刻的结果。深度卷积网络是一种具有“端对端”学习特性的机器学习方式，以多层化、隐藏化、非线性为基本特性，从而在处理数据的过程中实现自动学习，达到掌握全局特征的目的。而这正是遥感影像自动识别技术发展的核心动力，也意味着特征模型开始从传统的手工特征转向学习特征。本文则深入探析以TensorFlow为主体的深度学习平台，并分析其使用卷积神经网络提供的程序框架，利用TensorFlow平台实现遥感影像地物分类、目标检测以及目标分割等应用。

1 TensorFlow简介

TensorFlow是当前第二代人工智能学习系统，由谷歌公司研发，由DistBelief系统发展而来。其命名方式与其系统原理具有一致性，Tensor表示张量，可代表N维数组;Flow表示流，特指数据流图的计算[1]，由此组合即可表示张量在流图中传递的过程。而TensorFlow恰恰就是将复杂的数据流入学习网络中，进而在分析和处理时实现学习效果的系统。

TensorFlow不仅具有系统性功能，同时也是谷歌为广大科研工作者提供的开源深度学习库，能够在处理音频、分类图形、系统推荐、语言处理等环境中应用，是构建和测试深度神经网络的重要方式。

深度学习则是一种特殊的计算模型，通过多个处理层的组合，达到不断深化学习的效果。深度学习让人们能够以极高的准确性构建复杂的应用程序。图像、视频、文本、音频等相关内容，都能依靠深度学习完成学习[2]，由此TensorFlow可以用于实现前述所有应用。

神经网络则是基于生物大脑而建立的计算与学习模型，其按照神经元的方式，通过其他细胞提供的加权输入，在神经元中进行处理后实现二进制或连续输出。

2 遥感技术概述

遥感技术是在航空摄影技术的基础上发展而来的。该技术起源于20世纪60年代。当美国在1972年发射了第一个陆地卫星以后，便意味着世界开始进入到了航天遥感时代。经过这几十年的发展，遥感技术的应用越发广泛，在资源勘探、环境监测、气象等领域都有着较为广阔的应用。目前遥感技术已经成为一门实用且较为先进的空间探测技术。遥感主要是利用遥感器和传感器，从空中来对地面上的物体进行探索，不同的物体对应不同的波谱，從而识别地面上各种各样的物体。简单来讲，就是借助飞机、卫星等飞行物体上所具有的遥感器来收集地面上的数据资料，从而获取相应的信息，紧接着对这些信息进行分析、判断、识别来感知地面物体。

遥感技术的实现需要一整套的技术和设备之间相互配合才可实现。从遥感的定义视角出发，可将遥感系统划分成为四大部分：首先是信息源。信息源是指遥感对所探测的地面目标。任何的目标都具有反射、吸收电磁波的特点，当目标物体与电磁波之间产生相互作用的时候，会形成特定的电磁波，从而为遥感探测获取目标的信息。其次是信息获取。想要获取信息就需要利用遥感设备来接受目标物所探测的电磁波变化的过程，在信息获取阶段，所运用到的遥感技术包含了两部分，即平台和传感器。平台是运用运载传感器，比较常见的有飞机、卫星等;传感器则是用来探测目标物体的电磁波变化特点。常用的传感器有照相机、扫描仪以及雷达。然后是信息处理设备，该设备主要运用到了光学仪器和计算机。在这些设备仪器的帮助下，可以对获取的遥感信息进行校正和分析，从而掌握传感信息与原始信息之间的误差，进而分析出目标物体的影像特点，并分析出其中的可以应用的信息。最后则是信息应用。主要是将获得信息应用在人们的生产、生活以及各个领域之中。77A5E70F-01BF-4160-B531-BC9347DEEA74

3技术应用

伴随着遥感数据技术的不断进步与发展，遥感技术的应用面领着前所未有的挑战。传统的图像分类算法大多以监督学习为基本方法，但其应用于地物识别中的效果不佳，一方面，其算法需要依托于统计模型;另一方面，大量样本的获取过程也有过高的时间与经济成本，是当前时代逐步淘汰的方式。

以TensorFlow 为载体的深度学习手段并不是特立独行的，而是需要大量的数据样本作为支撑，通过对数据样本本身的特征进行分析，来观测这种特征与遥感数据得到的特征是否符合[3] 。现阶段，虽然说遥感影像地物识别检测已经有了广阔的应用空间，但是真正应用的地方仍然存在着局限性，大多是在飞机、舰船等较为明显的大型设备上。基于此，本文将根据特征较为明显的地物目标进行遥感数据识别、检测与分析。

本研究借助TensorFlow [4]平臺作为基础进行研究，通过该平台的优势，可以构建出网络模型，然后用网络模型对遥感影像地物进行识别和检测，过程如图1所示。

对于那些比较常见的数据来讲，是很难模拟出较为理想状态下的目标的。为了解决这个问题，本文着重采用专业的遥感图像数据库来对飞机、舰船等设备类型进行识别。图像是从Google Earth和Vaihingen数据集中提取并由专家人工标注。

本文尝试以飞机为主体进行实验，并尝试得到一系列的数据。得到数据及其分析数据的方法为迅雷链。在数据库之中寻找到样本进行标记，这种标记需要从0开始且不可间断。本文采用区域拟合的方式来对候选的区域进行搜索，并且通过准确定位来确定物体的位置。通过对其进行预训练，可以借助卷积神经网络模型，来调整其训练的参数，最后进行图像提取和分析。

选定TensorFlow平台需要使用的数据库作为图像的解译器。在此过程中应优先对卷积层和池化层进行定义，并采取交替进行的方案，最后通过全连接层将特征向量输出，并将训练好的模型进行加载[5]。在试验网络优化的过程中，则要优先采取随机梯度下降法，尤其注意在SVM的分类训练中，正负样本需重新定义[6]。将得出矩阵中的每一类进行非极大值抑制以消除重叠，对每一类进行线性回归操作，根据损失函数进行回归，得出使其最小的回归参数[7]。

本文选取了一部分结果图像作为示例，如图2所示，红色选框标记的便是识别检测出的飞机目标，对于类型、大小各异的飞机目标都可以准确地识别检测。

3 结语

TensorFlow为人们提供了目标识别的新方法，在深度学习的辅助下，不仅解决了传统学习方式与大数据的不兼容问题，而且还在原有方法上提高了网络精度。在VGGNET网络中，通过多层神经网络组合，实现了卷积和池化的交替效果，网络滤波器也能实现从左到右的依次深化，最终实现一个或多个全连接的层组合。

本文研究利用TensorFlow平台，将深度学习模型的目标学习与遥感数据处理相结合，通过定义网络模型实现对影像中典型目标地物进行检测与识别，从而达到提高遥感地物识别精度的目的。通过研究深度学习模型，显著提升海量数据中地物识别效率，从而节约时间和人力成本，同时，在地质灾害损失实物量评估中发挥重要作用，为国家决策和防止更大经济损失提供参考依据。此外，利用地物检测变化技术，在国家民生工程中也发挥中显著作用。

参考文献

[1]张燕，苗思达.浅析遥感影像地物分类识别的研究与实现[J].世界有色金属，2020（11）：273-274.

[2]任芳语，肖扬，郑思远，黄任远.基于TensorFlow的遥感影像地物识别方法研究[J].科技创新导报，2018（11）：53-54.

[3]王斌，范冬林.深度学习在遥感影像分类与识别中的研究进展综述[J].测绘通报，2019（2）：99-102.

[4]张超.基于深度学习的无人机影像设施农业典型地物识别方法研究[D].赣州：江西理工大学，2018.

[5]杨帆.基于高光谱遥感影像的城市地物目标识别算法研究[D].西安：西安石油大学，2020.

[6]HENGHUI ZHAO，YANHUI LI，FANWEI LIU，et al.State and tendency： an empirical study of deep learning question&answer topics on Stack Overflow[J].Science China（Information Sciences），2021，64（11）：131-153.

[7]MANNO D.，CIPRIANI G.，CIULLA G.，et al.Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic images[J].Energy Conversion and Management，2021，241：1-17.77A5E70F-01BF-4160-B531-BC9347DEEA74