(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210910161.9 (22)申请日 2022.07.29 (71)申请人 西安空间无线电技 术研究所 地址 710100 陕西省西安市长安区航天基 地东长安街504号 (72)发明人 李晓博　刘洋　邵应昭　徐常志　 张建华　谢卫莹　王元乐　张茗茗　 丁跃利　 (74)专利代理 机构 中国航天科技专利中心 11009 专利代理师 陈鹏 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/26(2022.01) G06V 10/75(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 星载海量图像数据分布式协同快速高精度 处理系统及方法 (57)摘要 本发明提供了一种星载海量图像数据分布 式协同快速高精度处理系统， 包括： 成像模式判 断模块、 区域匹配计算模块、 快速筛选模块和高 精度检测识别模块； 成像模式判断模块判断遥感 卫星当前工作的成像模式， 当遥感卫星工作在远 洋目标广域搜索成像模式时， 将原始图像数据输 入快速筛选模块， 当遥感卫星工作在点目标详查 成像模式时， 将原始图像数据输入区域匹配计算 模块； 快速筛选模块从原始图像数据中筛选出疑 似包含可疑目标的图像输入至高精度检测识别 模块； 区域匹配计算模块构建热点区域， 从原始 图像数据中筛选出属于热点区域的图像输入至 高精度检测识别模块； 高精度检测识别模块对输 入的图像进行可疑目标检测和识别并输出检测 结果。 权利要求书2页 说明书7页 附图3页 CN 115424140 A 2022.12.02 CN 115424140 A 1.星载海量图像数据分布式协同快速 高精度处理系统， 其特征在于， 包括： 成像模式判 断模块、 区域匹配 计算模块、 快速 筛选模块和高精度检测识别模块， 其中： 成像模式判断模块： 判断遥感卫星当前工作的成像模式， 当遥感卫星工作在远洋目标 广域搜索成像模式时， 将原始图像数据输入快速筛选模块， 当遥感卫星工作在点 目标详查 成像模式时， 将原 始图像数据输入区域匹配 计算模块； 快速筛选模块： 从原始图像数据中筛选出疑似包含可疑目标的图像输入至 高精度检测 识别模块， 丢弃其 余图像； 区域匹配计算模块： 构建热点区域， 从原始图像数据中筛选出属于热点区域的图像输 入至高精度检测识别模块， 丢弃其 余图像； 高精度检测识别模块： 对输入的图像进行目标检测 和识别并输出检测结果。 2.根据权利要求1所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述快速筛选模块包括一个或多个数据 处理单元， 每个数据 处理单元均采用快速筛 选网络对输入的图像进行筛选， 所述快速筛选网络包括依 次设置的第一卷积层、 第二卷积 层、 至少一个特征提取单元、 第三卷积层、 全 连接层和Softmax层， 所述第一卷积层包括32个 1×1的卷积核， 所述第二卷积层包括64个3 ×3的卷积核， 所述特征提取单元包括依次设置 的多通道特征提取单元、 Max  pooling层和第四卷积层， 所述多通道特征提取单元包括第一 通道、 第二通道和第三通道， 所述第一通道为32个1 ×1的卷积核后连接64个3 ×3的卷积核， 所述第二通道 为32个3×3的卷积核后连接64个1 ×1的卷积核， 所述第三通道 为64个1×1的 卷积核， 所述第四卷积层为64个3 ×3的卷积核， 所述第三卷积层包括32个3 ×3的卷积核； 所 述第一卷积层、 第二卷积层、 第一通道、 第二通道、 第三通道、 第三卷积层或者第四卷积层中 的卷积核卷积后输出的特 征图利用Relu激活函数进行激活。 3.根据权利要求2所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述1 ×1的卷积核和3 ×3的卷积核， 卷积步进均为1。 4.根据权利要求2所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述特 征提取单元的数量 为3～5个， 依次串联。 5.根据权利要求1所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述高精度检测识别模块包括： 多模态数据融合单元、 高分信息保持单元、 主干网络 和辅助超分辨 率学习支路， 其中： 多模态数据融合单元： 将原始图像统一到同一分辨率下， 通过多源数据融合形成融合 图像并输入至高分信息保持单 元； 所述原 始图像包括全色图像、 多光谱图像和近红外图像； 高分信息保持单元： 对融合图像进行细节保持与提升， 得到细节增强的高分图像并输 入至主干网络； 主干网络： 对细节增强的高分图像进行分层特征提取， 得到图像的低层和高层特征， 采 用高精度检测识别模型对图像中可疑目标类别进行判断， 并计算可疑目标的位置和置信 度； 辅助超分辨率学习支路： 利用主干网络得到的图像低层和高层特征进行超分学习， 获 取复杂背 景图像局部纹理、 细节特征及高层次语义信息后对主干网络的高精度检测识别模 型进行修 正。 6.根据权利要求5所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征权　利　要　求　书 1/2 页 2 CN 115424140 A 2在于， 所述辅助超分辨率学习支路包括编码器和解码器， 所述编码器将图像的低层特征匹 配到高层特征 的空间大小， 再将低层特征与高层特征合并； 所述解码器对低层特征与高层 特征合并后的信息进行解码， 输出超分特 征。 7.根据权利要求1所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述区域匹配 计算模块构建热点区域， 包括： 按照经纬度索引将地球表面分割成等大小的基本网格， 对每个基本网格进行标记编 号， 根据地面上注的信息形成一个或多个热点区域， 每个热点区域由一个或多个基本网格 构成。 8.根据权利要求7所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述区域匹配 计算模块从原 始图像中提取属于热点区域的图像， 包括： 将原始图像分割为等大小的图像块， 利用图像辅助数据中的GPS、 姿态信息计算图像块 中心点对应的地面经纬度坐标， 根据经纬度坐标确定图像块中心点所在基本网格编号， 而 后判断该基本网格是否属于热点区域， 如果属于则提取该图像块， 如果不属于则丢弃该图 像块。 9.根据权利要求1所述的星载海量图像数据分布式协同快速高精度处理系统， 其特征 在于， 所述快速 筛选模块和区域筛 选模块包括多个并行的数据处 理单元。 10.一种采用权利要求1～9之一所述的星载海量图像数据分布式协同快速 高精度处理 系统进行图像处 理的方法， 其特 征在于， 包括以下步骤： (1)接收星载相机 输入的原 始图像数据； (2)判断判断卫星工作的成像模式， 当卫星工作在远洋目标广域搜索成像模式时， 进入 步骤(3)， 当卫星工作在点目标详查成像模式时， 进入步骤(5)； (3)将原始图像数据分割为等大小的图像块并依次输入快速筛选模块进行疑似目标筛 选处理， 进入步骤(4)； (4)当检测出图像块有疑似目标时， 将图像块输入高精度检测识别模块进行识别处理 并输出检测结果， 否则丢弃 该图像块， 直至 完成所有原 始图像数据处 理后退出； (5)将原始图像数据分割为等大小的图像块， 依次将图像块输入区域匹配计算模块， 判 断该图像块是否属于热点区域， 进入步骤(6)； (6)当检测出图像块属于热点区域， 将图像块输入高精度检测识别模块进行识别处理 并输出检测结果， 否则丢弃 该图像块， 直至 完成所有原 始图像数据处 理。权　利　要　求　书 2/2 页 3 CN 115424140 A 3