分布式环境下大规模遥感图像目标级智能检索系统主要包括四个组成部分:分布式数据存储和管理、目标检测、特征提取和聚类、相似性匹配。首先构建分布式集群环境，基于Hadoop平台的HDFS实现原始遥感图像数据的分布式存储和管理；然后对所有节点的数据做目标检测和分割，构建目标库；接下来基于BigDL平台通过分布式训练提取目标的深度特征，并与人工设计特征相融合作为对遥感目标的描述，特征聚类同样基于分布式平台实现，提取的特征存储在HDFS平台的HBase中。检索时提取查询图像的融合特征，并与特征库进行相似性匹配，将相似性高的目标及包含该目标的相似图像返回给用户，同时对目标在图像中的位置予以标记。整个系统架构如图6-24所示。
图6-24 分布式环境下大规模遥感图像目标级智能检索系统架构
环境配置如下:系统开发平台为Centos 6.5操作系统，分布式集群通过VMware Workstation虚拟机搭建。软件开发工具选用IntelliJ IDEA和Visual Studio 2017，采用Java、C＋＋、Python和Scala联合开发，其中系统总体框架Hadoop基于Java，数据存储模块、特征提取算法、系统显示界面使用Java开发。特征聚类、目标检测算法和深度学习特征提取算法分别通过Scala、C＋＋和Python开发，打包后在Hadoop中调用。(www.xing528.com)
神经网络的构建采用迁移学习的方式，将在ImageNet上预训练的VGG-16网络的模型参数迁移到新的网络模型上进行精调，精调的过程采用创建—参数迁移—冻结网络—精调网络的步骤，具体如下所述:将VGG-16网络模型最后一层的输出改为精调所用的遥感图像数据集的输出类别数目，将预训练好的网络的所有参数迁移到新的网络模型中，冻结前4组卷积层的参数，允许最后一组卷积层的3个卷积层和3个全连接层的参数变化，最后用公开标准遥感数据集对网络进行训练，当网络收敛或者达到迭代次数时结束精调。
图6-25给出以人造目标(如飞机)为查询对象的一组检索结果，原始遥感图像数据由源自Google Earth的200幅分辨率为0.5m的大尺寸(6000×6000左右)遥感图像构成，共包含机场、道路、河流、沙滩、森林和住宅区6种地物类型，相似度计算采用余弦距离。其中红色框标注了检索到的相似目标。该网络可以扩展到海量遥感数据的检索，并通过增加分布式集群的节点数提高检索性能。
图6-25 分布式环境下的一组遥感图像检索结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
