图像特征识别方法、系统、电子设备及存储介质与流程

本技术图像处理，尤其涉及一种图像特征识别方法、系统、电子设备及存储介质。

背景技术：

1、穹隆是月球表面重要的火山地质特征之一，研究月球火山地质特征对于深入了解月球地质演化历史具有重要的科学意义，不仅有助于了解月球地貌形成及演化的过程，也可以帮助分析月壤的年龄、矿物元素含量。穹隆通常出现在月球表面，表现为不规则的圆形凸起，具有坡度低，高度低等形态特征。近年来，深度学习技术已得到快速发展，并应用到各个领域中，如月球撞击坑的识别，但是由于月球穹隆特殊的形态特征目前仍主要依赖于人工的观测与分析来确定。相关技术中，通常通过在穹隆图像中使用轮廓形成一条封闭的曲线来识别穹隆，然后去除撞击坑和不规则的封闭曲线来识别穹隆。

2、虽然穹隆的识别研究取得了一定的成果，但目前已知的穹隆检测算法都是手动或基于边缘检测和区域分割的半自动算法。由于月球穹隆通常具有直径小、高度低、坡度小等特殊的形态特征，导致穹隆识别困难，检测效率低且识别过程复杂，并且需要大量的先验知识。

技术实现思路

1、本技术实施例提供了一种图像特征识别方法、系统、电子设备及存储介质，能够准确确定穹隆位置，实现对穹隆的精准检测，提高检测效率。

2、第一方面，本技术实施例提供了一种图像特征识别方法，所述方法包括：

3、获取原始数据集，其中，所述原始数据集为与月球穹隆相关的数据集；

4、对所述原始数据集进行预处理操作，得到训练集和测试集；

5、将所述训练集输入预设的深度学习模型，以通过所述深度学习模型中的有效挤压激励注意力模块和感受野增强模块对所述训练集进行特征提取，得到穹隆特征图；

6、根据所述穹隆特征图训练所述深度学习模型，得到预训练的深度学习模型；

7、将所述测试集输入训练后的深度学习模型进行穹隆识别，输出目标穹隆信息。

8、本技术实施例提供的图像特征识别方法，至少具有如下有益效果：首先，获取与月球穹隆相关的原始数据集，再对原始数据集进行预处理操作，以将原始数据集中的穹隆位置进行标注并增强，得到训练集和测试集，便于后续对深度学习模型的训练，之后，将训练集输入预设的深度学习模型，以通过深度学习模型中的有效挤压激励注意力模块和感受野增强模块相互配合，对训练集进行特征提取，通过有效挤压激励注意力模块增强训练集中的特征表达，并且通过感受野增强模块捕获训练集中图像的多尺度特征，从而能够在不牺牲性能的前提下减少模型的参数数量，并且提取到丰富的穹隆特征，实现对穹隆特征的精准提取，之后，根据穹隆特征图训练深度学习模型，得到预训练的深度学习模型，从而提高深度学习模型的表达能力，使得深度学习模型具有较好的鲁棒性和泛化性，最后，将测试集输入训练后的深度学习模型进行穹隆识别，输出目标穹隆信息，从而能够准确确定穹隆位置，实现对穹隆的精准检测，提高穹隆的检测效率。

9、在一些实施例中，所述原始数据集由如下步骤得到：

10、获取数字高程模型数据以及穹隆经纬度坐标，所述穹隆经纬度坐标用于表征穹隆在月球上的空间范围；

11、根据所述穹隆经纬度坐标裁剪所述数字高程模型数据，得到原始数据集。

12、在一些实施例中，所述对所述原始数据集进行预处理操作，得到训练集和测试集，包括：

13、通过预设的地理信息系统软件对所述原始数据集进行渲染；

14、对渲染后的原始数据集进行对象识别，得到原始穹隆位置，并对所述原始穹隆位置进行位置标注，得到穹隆标识；

15、对位置标注后的原始数据集进行数据增强操作，得到训练集和测试集。

16、在一些实施例中，所述将所述训练集输入预设的深度学习模型，以通过所述深度学习模型中的有效挤压激励注意力模块和感受野增强模块对所述训练集进行特征提取，得到穹隆特征图，包括：

17、将所述训练集输入预设的深度学习模型，以使所述深度学习模型中的高效层聚合网络层对所述训练集中的图像进行初步特征提取，输出原始特征图；

18、将所述原始特征图输入所述有效挤压激励注意力模块进行特征融合，输出特征融合图；

19、通过所述感受野增强模块对所述特征融合图进行特征表达，得到穹隆特征图。

20、在一些实施例中，所述将所述原始特征图输入所述有效挤压激励注意力模块进行特征融合，输出特征融合图，包括：

21、将所述原始特征图输入所述有效挤压激励注意力模块中的全局平均池化层，以通过所述全局平均池化层对所述原始特征图的空间维度信息进行压缩，得到通道描述符，其中，所述通道描述符用于表征每个通道的全局重要性；

22、对所述原始特征图进行卷积计算，得到卷积特征图；

23、获取所述有效挤压激励注意力模块中的全连接层的连接权重，并根据所述通道描述符、所述卷积特征图以及所述连接权重，确定所述有效挤压激励注意力模块中每个通道的重要性权重；

24、根据所述重要性权重对所述原始特征图进行动态调整，得到细化特征图；

25、连接所述细化特征图和所述原始特征图，得到特征融合图。

26、在一些实施例中，所述感受野增强模块包括第一分支、第二分支、第三分支、第四分支和多分支平均池化层；所述通过所述感受野增强模块对所述特征融合图进行特征表达，得到穹隆特征图，包括：

27、将所述特征融合图输入所述第一分支，输出第一特征信息；

28、将所述特征融合图输入所述第二分支，以使所述第二分支根据预设的第一扩张率对所述特征融合图进行卷积，输出第二特征信息；

29、将所述特征融合图输入所述第三分支，以使所述第三分支根据预设的第二扩张率对所述特征融合图进行卷积，输出第三特征信息；

30、将所述特征融合图输入所述第四分支，以使所述第四分支根据预设的第三扩张率对所述特征融合图进行卷积，输出第四特征信息；

31、通过所述多分支平均池化层对所述第一特征信息、所述第二特征信息、所述第三特征信息和所述第四特征信息进行加权操作，得到穹隆特征图；

32、其中，所述第一扩张率、所述第二扩张率、所述第三扩张率依次递增。

33、在一些实施例中，所述根据所述穹隆特征图训练所述深度学习模型，得到预训练的深度学习模型，包括：

34、根据所述穹隆特征图确定预测框，并根据所述原始数据集中的穹隆标识确定封闭框集合以及真实框，其中，所述封闭框集合用于表征包围所述穹隆标识的边界框的集合；

35、根据所述预测框确定预测框中心点的预测坐标，并根据真实框确定真实框中心点的真实坐标；

36、在所述封闭框集合中确定最小封闭框，并确定所述预测框和所述真实框重叠区域的交并比；

37、根据所述预测坐标、所述真实坐标、所述最小封闭框的尺寸以及所述交并比确定边界框损失函数；

38、根据预设的边界框离群值的超参数、预设的边界框尺寸权重的超参数以及预设的边界框偏移量权重的超参数确定梯度增益值，其中，所述边界框离群值的超参数用于控制交并比权重的聚焦程度，所述边界框尺寸权重的超参数用于控制边界框大小权重的聚焦程度，所述边界框偏移量权重的超参数用于控制边界框偏移量权重的聚焦程度；

39、根据所述梯度增益值调整所述边界框损失函数，得到目标损失函数；

40、基于所述目标损失函数训练所述深度学习模型，得到预训练的深度学习模型。

41、第二方面，本技术实施例还提供了一种图像特征识别系统，所述系统包括：

42、数据获取模块，用于获取原始数据集，其中，所述原始数据集为与月球穹隆相关的数据集；

43、预处理模块，用于对所述原始数据集进行预处理操作，得到训练集和测试集；

44、特征提取模块，用于将所述训练集输入预设的深度学习模型，以通过所述深度学习模型中的有效挤压激励注意力模块和感受野增强模块对所述训练集进行特征提取，得到穹隆特征图；

45、模型训练模块，用于根据所述穹隆特征图训练所述深度学习模型，得到预训练的深度学习模型；

46、穹隆识别模块，用于将所述测试集输入训练后的深度学习模型进行穹隆识别，输出目标穹隆信息。

47、第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的图像特征识别方法。

48、第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的图像特征识别方法。

49、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。