本發(fā)明涉及信息處理技術(shù)領(lǐng)域，特別涉及一種基于深度學(xué)習(xí)的信息處理系統(tǒng)和方法。

背景技術(shù)：

深度學(xué)習(xí)在現(xiàn)實生活中具有重要的意義?，F(xiàn)有技術(shù)中深度學(xué)習(xí)是模仿人類大腦組織，構(gòu)建深層架構(gòu)，能很好地表達(dá)復(fù)雜目標(biāo)函數(shù)，提取不同層次的特征，提供無監(jiān)督數(shù)據(jù)，從而獲得更多有用信息，應(yīng)用于各種技術(shù)領(lǐng)域，如語音處理、文字處理、圖像處理等。然而基于各種模型對目標(biāo)進(jìn)行處理，通常都會面臨如何利用海量數(shù)據(jù)信息，加快處理速度和提高分類判別效率等主要問題。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的信息處理系統(tǒng)和方法，尤其是一種基于深度學(xué)習(xí)的對目標(biāo)的信息處理系統(tǒng)和方法，可用于對地物目標(biāo)的信息處理，通過對波段融合處理得到波段圖像，獲取波段圖像和深度圖像，本發(fā)明提出的融合處理方法使得能夠體現(xiàn)空間細(xì)節(jié)信息，能夠從海量數(shù)據(jù)信息中獲取有用信息，提高精度。本發(fā)明提出該系統(tǒng)和方法將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，計算尺寸，大大加快了處理速度；將卷積處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，能夠提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，如此循環(huán)，再進(jìn)行判別分類，能夠提高分類判別效率；并結(jié)合定位結(jié)果進(jìn)行綜合顯示，增加了數(shù)據(jù)的多維性。

發(fā)明采用的技術(shù)方案如下：

一種基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理系統(tǒng)，該系統(tǒng)包括：數(shù)據(jù)處理單元，數(shù)據(jù)學(xué)習(xí)單元，定位單元，判別分類單元，顯示單元；

所述數(shù)據(jù)處理單元，包括獲取圖像，對圖像進(jìn)行歸一化和波段融合處理，獲得波段圖像和深度圖像；

所述數(shù)據(jù)學(xué)習(xí)單元，接收數(shù)據(jù)預(yù)處理單元處理后的圖像數(shù)據(jù)，采用深度學(xué)習(xí)方法進(jìn)行訓(xùn)練；

所述定位單元，針對訓(xùn)練后的圖像數(shù)據(jù)對目標(biāo)物體進(jìn)行定位；

所述判別分類單元，針對訓(xùn)練后的圖像數(shù)據(jù)進(jìn)行判別分類；

所述顯示單元，將定位、判別分類結(jié)果進(jìn)行顯示。

優(yōu)選地，所述波段圖像包括地物目標(biāo)的波段、顏色、紋理信息，所述深度圖像包括地物目標(biāo)的空間信息。

優(yōu)選地，所述深度學(xué)習(xí)包括：將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，計算經(jīng)過卷積后的新波段圖像和深度圖像尺寸，獲得卷積后的新波段圖像和深度圖像。

優(yōu)選地，深度學(xué)習(xí)中網(wǎng)絡(luò)層數(shù)為兩層，將網(wǎng)絡(luò)第一層處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，該特征向量包含融合后的波段和深度特征，在網(wǎng)絡(luò)的第二層進(jìn)一步提取深層特征，進(jìn)行特征映射，得到最終的特征向量，再進(jìn)行子抽樣，發(fā)送給定位單元和判別分類單元。

優(yōu)選地，所述判別分類單元對數(shù)據(jù)進(jìn)行處理得到最終的判別分類結(jié)果。

優(yōu)選地，所述顯示單元，將定位、判別分類結(jié)果進(jìn)行綜合顯示。

本發(fā)明還公開了一種基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法，該方法包括：數(shù)據(jù)處理步驟，數(shù)據(jù)學(xué)習(xí)步驟，定位步驟，判別分類步驟，顯示步驟；

所述數(shù)據(jù)處理步驟，包括獲取圖像，對圖像進(jìn)行歸一化和波段融合處理，獲得波段圖像和深度圖像；

所述數(shù)據(jù)學(xué)習(xí)步驟，接收數(shù)據(jù)預(yù)處理單元處理后的圖像數(shù)據(jù)，采用深度學(xué)習(xí)方法進(jìn)行訓(xùn)練；

所述定位步驟，針對訓(xùn)練后的圖像數(shù)據(jù)對目標(biāo)物體進(jìn)行定位；

所述判別分類步驟，針對訓(xùn)練后的圖像數(shù)據(jù)進(jìn)行判別分類；

所述顯示步驟，將定位、判別分類結(jié)果進(jìn)行顯示。

優(yōu)選地，所述波段圖像包括地物目標(biāo)的波段、顏色、紋理信息，所述深度圖像包括地物目標(biāo)的空間信息。

優(yōu)選地，所述深度學(xué)習(xí)包括：將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，計算經(jīng)過卷積后的新波段圖像和深度圖像尺寸，獲得卷積后的新波段圖像和深度圖像。

優(yōu)選地，深度學(xué)習(xí)中網(wǎng)絡(luò)層數(shù)為兩層，將網(wǎng)絡(luò)第一層處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，該特征向量包含融合后的波段和深度特征，在網(wǎng)絡(luò)的第二層進(jìn)一步提取深層特征，進(jìn)行特征映射，得到最終的特征向量，再進(jìn)行子抽樣，發(fā)送給定位單元和判別分類單元。

優(yōu)選地，所述判別分類單元對數(shù)據(jù)進(jìn)行處理得到最終的判別分類結(jié)果。

優(yōu)選地，所述顯示單元，將定位、判別分類結(jié)果進(jìn)行綜合顯示。

附圖說明

下面結(jié)合附圖及實施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明：

圖1為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理系統(tǒng)的示意圖。

圖2為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的流程圖。

圖3為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的實施例1。

圖4為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的實施例2。

圖5為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的實施例3。

圖6為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的實施例4。

圖7為基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法的實施例5。

具體實施方式

本發(fā)明公開了一種基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理系統(tǒng)，其特征在于，該系統(tǒng)包括：數(shù)據(jù)處理單元，數(shù)據(jù)學(xué)習(xí)單元，定位單元，判別分類單元，顯示單元；

所述數(shù)據(jù)處理單元，包括獲取圖像，對圖像進(jìn)行歸一化和波段融合處理，獲得波段圖像和深度圖像；

所述數(shù)據(jù)學(xué)習(xí)單元，接收數(shù)據(jù)預(yù)處理單元處理后的圖像數(shù)據(jù)，采用深度學(xué)習(xí)方法進(jìn)行訓(xùn)練；

所述定位單元，針對訓(xùn)練后的圖像數(shù)據(jù)對目標(biāo)物體進(jìn)行定位；

所述判別分類單元，針對訓(xùn)練后的圖像數(shù)據(jù)進(jìn)行判別分類；

所述顯示單元，將定位、判別分類結(jié)果進(jìn)行顯示。

進(jìn)一步地，所述波段圖像包括地物目標(biāo)的波段、顏色、紋理信息，所述深度圖像包括地物目標(biāo)的空間信息，

進(jìn)一步地，所述波段融合處理為：

其中，為融合前像素值，a(k,i,j)為融合后像素值，(i,j)為圖像像素位置，k表示波段號，μ(k,i,j)表示系數(shù)，λ(k,i,j)為位置(i,j)的空間細(xì)節(jié)信息。

進(jìn)一步地，所述深度學(xué)習(xí)包括：將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，經(jīng)過卷積后的新波段圖像和深度圖像尺寸為：

其中，(x,y)為新波段圖像和深度圖像像素位置，l為當(dāng)前所在網(wǎng)絡(luò)層數(shù)，為卷積后的在第l層的新波段圖像和深度圖像尺寸，為卷積后的在第l-1層的新波段圖像和深度圖像尺寸，為在第l層的卷積核大小，為在第l層的步長，為在第l層填充的像素，n為可調(diào)系數(shù)。

進(jìn)一步地，所述網(wǎng)絡(luò)層數(shù)為兩層，將網(wǎng)絡(luò)第一層處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，該特征向量包含融合后的波段和深度特征，在網(wǎng)絡(luò)的第二層進(jìn)一步提取深層特征，進(jìn)行特征映射，得到最終的特征向量，再進(jìn)行子抽樣，發(fā)送給定位單元和判別分類單元。

進(jìn)一步地，所述判別分類單元對數(shù)據(jù)進(jìn)行處理得到最終的判別分類結(jié)果，所述顯示單元，將定位、判別分類結(jié)果進(jìn)行綜合顯示；所述判別分類單元包括計算由訓(xùn)練值的變化引起的輸出變化的累加值來提高判別分類的效率：

其中，a(q)為第q個屬性的訓(xùn)練和輸出關(guān)聯(lián)值，x(i,q)，x(j,q)表示第i，j個樣本的第q個條件屬性值，y(i)，y(j)表示第i，j個樣本的決策屬性值，sign為符號函數(shù)。

本發(fā)明還公開了一種基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理方法，該方法包括：數(shù)據(jù)處理步驟，數(shù)據(jù)學(xué)習(xí)步驟，定位步驟，判別分類步驟，顯示步驟；

所述數(shù)據(jù)學(xué)習(xí)步驟，接收數(shù)據(jù)預(yù)處理單元處理后的圖像數(shù)據(jù)，采用深度學(xué)習(xí)方法進(jìn)行訓(xùn)練；

所述定位步驟，針對訓(xùn)練后的圖像數(shù)據(jù)對目標(biāo)物體進(jìn)行定位；

所述判別分類步驟，針對訓(xùn)練后的圖像數(shù)據(jù)進(jìn)行判別分類；

所述顯示步驟，將定位、判別分類結(jié)果進(jìn)行顯示。

進(jìn)一步地，所述數(shù)據(jù)處理步驟，包括獲取圖像，對圖像進(jìn)行歸一化和波段融合處理，獲得波段圖像和深度圖像，所述波段圖像包括地物目標(biāo)的波段、顏色、紋理信息，所述深度圖像包括地物目標(biāo)的空間信息。

進(jìn)一步地，所述波段融合處理為：

其中，為融合前像素值，a(k,i,j)為融合后像素值，(i,j)為圖像像素位置，k表示波段號，μ(k,i,j)表示系數(shù)，λ(k,i,j)為位置(i,j)的空間細(xì)節(jié)信息。

進(jìn)一步地，所述深度學(xué)習(xí)包括：將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，經(jīng)過卷積后的新波段圖像和深度圖像尺寸為：

其中，(x,y)為新波段圖像和深度圖像像素位置，l為當(dāng)前所在網(wǎng)絡(luò)層數(shù)，為卷積后的在第l層的新波段圖像和深度圖像尺寸，為卷積后的在第l-1層的新波段圖像和深度圖像尺寸，為在第l層的卷積核大小，為在第l層的步長，為在第l層填充的像素，n為可調(diào)系數(shù)。

進(jìn)一步地，所述網(wǎng)絡(luò)層數(shù)為兩層，將在網(wǎng)絡(luò)第一層卷積處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，該特征向量包含融合后的波段和深度特征，在網(wǎng)絡(luò)的第二層進(jìn)一步提取深層特征，進(jìn)行特征映射，得到最終的特征向量，再進(jìn)行子抽樣，發(fā)送給定位單元和判別分類單元。

進(jìn)一步地，所述判別分類步驟是判別分類單元對數(shù)據(jù)進(jìn)行處理得到最終的判別分類結(jié)果，所述顯示步驟是顯示單元將定位、判別分類結(jié)果進(jìn)行綜合顯示；所述判別分類步驟包括計算由訓(xùn)練值的變化引起的輸出變化的累加值來提高判別分類的效率：

其中，a(q)為第q個屬性的訓(xùn)練和輸出關(guān)聯(lián)值，x(i,q)，x(j,q)表示第i，j個樣本的第q個條件屬性值，y(i)，y(j)表示第i，j個樣本的決策屬性值，sign為符號函數(shù)。

通過本發(fā)明基于深度學(xué)習(xí)的對地物目標(biāo)的信息處理系統(tǒng)和方法，通過對波段融合處理得到波段圖像，獲取波段圖像和深度圖像，本發(fā)明提出的融合處理方法使得能夠體現(xiàn)空間細(xì)節(jié)信息，能夠從海量數(shù)據(jù)信息中獲取有用信息，提高精度。本發(fā)明提出該系統(tǒng)和方法將波段圖像和深度圖像在網(wǎng)絡(luò)的每一層分別進(jìn)行卷積運算，計算尺寸，大大加快了處理速度；將卷積處理后得到的新波段圖像和深度圖像分別轉(zhuǎn)換為對應(yīng)的向量進(jìn)行融合輸入，能夠提取差異性的有效特征，進(jìn)行特征映射，得到三維矩陣的特征向量，進(jìn)行子抽樣，如此循環(huán)，再進(jìn)行判別分類，從而從海量數(shù)據(jù)信息中獲取了有用信息，大大加快了處理速度，能夠提高了分類判別效率；并結(jié)合定位結(jié)果進(jìn)行綜合顯示，增加了數(shù)據(jù)的多維性。

上述實施例闡明的內(nèi)容應(yīng)當(dāng)理解為這些實施例僅用于更清楚地說明本發(fā)明，而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價形式的修改均落于本申請所附權(quán)利要求所限定的范圍。