技术摘要：
本发明公开了一种基于改进锚框的高光谱多目标检测方法，包括：第一阶段，将输入的图像通过神经网络进行区域判定，通过相关先验知识确定产生锚点位置；第二阶段，将对应锚点位置的特征图提取后，利用网络自动生成锚框，通过神经网络预测有效锚框个数，通过IOU关系，补充  全部
背景技术：
高光谱遥感技术的关键点在于高光谱仪的成像技术，是指在一定的波谱范围内观 取目标连续的光谱信息的一种技术。而高光谱图像目标检测和目标识别是高光谱遥感技术 领域非常热门的学研究方向。因为对于高光谱图像数据，适合高光谱图像目标检测的算法 可以获取目标和背景的空间信息且获取丰富的光谱信息。已经广泛的应用与军事和民用领 域。 高光谱图像本身具有数据量大、数据间关联、不同类传感器获取的图像数据差异 性大、目标样本匮乏的特性。但是，传统的高光谱图像目标检测方法，需要人工进行特征提 取，使得深层高光谱信息没有被充分挖掘的问题。且不当的特征提取方式最终会破坏原始 的数据结构。 现有技术中，深度学习技术在图像、语音、自然语言处理等各方向的广泛应用，使 得深度学习技术在高光谱图像多目标检测领域的应用成为可能。其可以利用深度神经网络 所构成的复杂的数据表达和大量的参数估计，运用大量的数据来提取存在高光谱图像中的 深层特征，并将其进行利用，对目标位置进行框定。现有技术中通过使用Faster  RCNN，ACE  等方法较有效的实现功能。但是在进行利用时，由于高光谱图像大量来自于卫星图像，各类 目标在图像中占据的像素点十分稀少，按照定义其皆应该定义为小目标，以上网络在小目 标的检测上效果并不理想。
技术实现要素：
本发明要解决的技术问题是如何实现针对卫星高光谱图像的小目标检测，针对上 述要解决的技术问题，现提出一种基于改进锚框的高光谱多目标检测方法。 为实现上述目的，本发明提供如下技术方案： 一种基于改进锚框的高光谱多目标检测方法，包括： 第一阶段，将输入的图像通过神经网络进行区域判定，通过相关先验知识确定产 生锚点位置； 第二阶段，将对应锚点位置的特征图提取后，利用网络自动生成锚框，通过神经网 络预测有效锚框个数，通过IOU关系，补充新的锚框，共同训练一个分类回归器，进行目标检 测。 进一步的，所述第一阶段包括如下步骤： 步骤a1，通过特征提取层对图像特征进行提取； 步骤a2，通过FPN网络进行反卷积处理生成至少4个卷积层的新特征图； 步骤a3，通过三个尺度的空洞卷积进行特征提取，并进行级联操作，生成预测特征 3 CN 111553337 A 说　明　书 2/6 页 图，对每个锚点进行置信度预测，判断预测锚点是否为有效锚点。 进一步的，所述步骤a3中判断预测锚点是否为有效锚点的方法为：对每种尺度下 的锚点计算其对应原图坐标框，如果与真实框重复面积超过坐标框面积的50％，则判断该 坐标框为有效锚点框，标为正样本1，否则标为负样本0；预测生成的各尺度置信图为一种锚 框掩膜，用于筛除掉无效的锚点。 进一步的，所述步骤a1中的特征提取层为采用VGG-16的特征提取层。 进一步的，所述第二阶段包括如下步骤： 步骤b1，根据阶段一生成的锚点有效性置信图，挑选出有效锚点框及其对应的多 尺度特征图数据； 步骤b2，将收集到的特征图数据组合对应锚点框构成新的特征图，计算出有效锚 框的坐标； 步骤b3，计算出锚框位置预测值，计算公式为，其中为每个有效锚点生成个锚框 数，为识别目标的种类数； 步骤b4，判断有效锚框个数，将与真实框IOU>0.5的锚框计为有效锚框并计数； 步骤b5，增加有效锚框数目，根据有效锚框补充生成新有效锚框，计算出新有效锚 框的坐标。 与现有技术相比，本发明的有益效果是： 本发明将Anchor  mask网络作为第一阶段的区域判定，利用相关先验知识确立产 生锚点位置，第二阶段将对应位置特征图提取后，利用网络自动生成锚框，并预测有效锚框 个数。利用IOU关系，补充新的锚框，在不增加锚框总量的条件下增加有效锚框个数，共同训 练一个分类回归器，进行目标检测，本发明有效的降低了锚框总量，提高了有效锚框数量， 且第一阶段生成锚点位置点的锚框掩膜网络可以根据任务及先验知识进行设计，大大提高 模型迁移能力。 附图说明 图1为本发明的方法流程示意图； 图2为本发明中的神经网络结构示意图； 图3为本发明中的真实框与预测框IOU>0.5时的锚框与锚点框回归坐标系图； 图4为图3的锚框与锚点框回归坐标系图中的封闭区域图。