本发明属于遥感图像数据处理，具体地说，是涉及一种基于多模型耦合评估的遥感图像自动标注方法。
背景技术：
1、随着深度学习与遥感技术的快速发展，遥感图像检测技术得到了广泛的应用，与此同时，工业界对遥感图像的检测精度、模型泛化能力、模型复杂度量级也提出了更高的要求。在模型建模时，数据集对于提升遥感图像检测性能起着举足轻重的作用。一方面，遥感图像尺寸大，输入模型进行建模训练的尺寸往往需要经过裁剪，这必定会导致许多背景图像因为不含实例目标而被丢弃，导致原图的先验背景信息无法充分利用；同时，用于训练建模时类别之间的数量规模差异也会导致数量较少的类别在训练拟合时被数量较大的类别所淹没，导致检测性能不佳。另一方面，在实际检测任务中，用于训练和验证的遥感图像数据集相对匮乏，通过纯手工标注方法制作数据集效率低下、费时费力、且标注质量易受标注人员主观性影响。然而，尽管现有的基于训练的单模型自动标注方法日新月异，能提升一些标注效率，但同样存在类别精度不高等问题，且不同方法之间的差异性、准确性和实用性等都亟需考证研究。
2、线下数据增强方法可将目标实例迁移至另一张背景图，实现目标数量的扩充。并且，在有标注文件的情况下无需对迁移扩充的生成图进行二次标注，节省了标注时间；鉴于纯手工标注方法与基于训练好的单模型标注方法存在的问题，多模型耦合评估方法能结合每个模型的优势，较好的利用各个模型的特异性进行评估、选择，进一步提升标注效率与准确精度。
3、因此，将多模型耦合评估方法用于遥感图像的自动标注技术上进行优化，研究一种高精度的自动标注系统，实现遥感图像数据的自动标注与数据集成，减少人工工作量以提升标注效率和精度，对推动遥感图像目标检测领域的发展具有重要意义。
技术实现思路
1、本发明的目的在于提供一种基于多模型耦合评估的遥感图像自动标注方法，主要解决现有的标注方法效率低下、费时费力、标注质量差等问题。
2、为实现上述目的，本发明采用的技术方案如下：
3、一种基于多模型耦合评估的遥感图像自动标注方法，包括如下步骤：
4、s1，获取遥感图片数据集，选取设定数量的数据集进行人工精细标注，并进行所标注类别数量统计；
5、s2，设定类别数量阈值，对类别数量小于阈值的类别，提出并构建一种线下随机贴图增强算法以扩充样本数量；
6、s3，基于已打标的原始数据集与贴图增强的数据集，将其按比例8:2划分为训练集与验证集，分别喂入不同的模型a、模型b、模型c进行训练获取各自的最优模型权重参数，得到训练好的目标检测网络模型；将验证集输入至训练好的模型，并通过评估指标确定各模型基于每个类别的最优准确率；
7、s4，将所获取的图片数据集剩余的未打标图像作为待打标数据集，经预处理后分别送入上述得到的最优模型中进行预测并生成标签文件；
8、s5，根据每个模型对各个类别的偏向性，对生成的标签文件进行筛选、分组及评估，最终进行标签文件的合并，得到最优标签文件并输出原图和最终标签信息。
9、进一步地，在所述步骤s1中，采用标注软件进行人工精细的类别标注，生成标签文件，并采用计数算法对所有标签文件进行类别数量统计。
10、进一步地，在所述步骤s2中，线下随机贴图增强算法包括以下步骤;
11、s21，从打好标注的图像标签文件中，筛选出类别数量小于设定阈值的图片及标签文件，
12、s22，获取每个类别实例相对于图片左上角的位置坐标信息，并设置裁剪偏移量；
13、s23，根据坐标信息与裁剪偏移量依次裁剪生成小图及对应小图标签文件；
14、s24，选取及遍历待贴图的背景图、目标子图与对应标签信息，获取背景图宽高信息，与子图的宽高信息，，利用随机函数生成待粘贴子图在背景图上的随机位置坐标：
15、
16、其中，、；为随机位置坐标的左上角坐标；
17、s25，使用非极大值抑制算法根据位置坐标信息对有重叠交叉的候选子图进行剔除，保留不重叠交叉的候选子图位置坐标，最后进行贴图增强，保存增强后的图及对应标签文件。
18、进一步地，在所述步骤s3中，分别喂入不同的模型a、模型b、模型c进行训练获取各自的最优权重模型并通过评估指标确定每个类别的最优准确率过程包括：
19、s31，网络深度不同、算法不同的目标检测模型a、模型b、模型c使用标注数据集与线下贴图增强的数据集进行建模训练，其中训练集与验证集比例为8:2，将训练集分别输入模型进行模型权重参数训练，得到目标检测模型；
20、s32，将验证集输入得到的目标检测模型，通过评估指标得到各自对每个类别的精度与最优权重；
21、s33，记录每个模型对各个类别精度的偏向性。
22、进一步地，在所述步骤s32中测试模型检测能力的的评估指标表示为：
23、, recall=
24、
25、
26、式中，表示正例，即模型预测正确的个数；表示反例，即模型预测错误的个数；表示模型漏检个数； precision表示准确率， recall表示召回率； ap表示平均精度，为衡量目标检测任务中模型性能的评估指标； f1分数是精确率和召回率的调和平均值，其范围在0~1之间，值越大模型代表性能越好。
27、进一步地，在所述步骤s4中，待标注图片送入最优权重模型文件进行预测并生成标签文件的具体过程为：
28、s41，待标注图片送入模型前需进行图片预处理、预测、nms非极大抑制处理、自定义后处理操作，并最终返回处理后的边界框坐标信息与置信度分数；
29、s42，对最终保留的边界框坐标信息与置信度分数针对不同的模型分别生成标签文件。
30、进一步地，在所述步骤s5中，根据每个模型对各个类别的偏向性，对生成的标签文件进行筛选、分组及评估的具体过程为：
31、s51，对同一张图片的不同模型预测的标签文件进行类别和对应坐标信息筛选，进行多个模型预测结果评估，只保留每个模型评估结果中准确率最高类别的标签信息，即针对每个模型的偏向性保存类别标签信息；
32、s52，将筛选出来的类别和坐标位置信息进行分组、合并成新的标签文件，最终输出标签文件并拷贝原图至同一文件夹。
33、与现有技术相比，本发明具有以下有益效果：
34、（1）本发明中的随机贴图线下增强方法能根据已打标注的图片及标签文件将目标实例与没有目标的背景图相结合，生成增强后的新图，而无需对其进行二次标注。一方面能在得到自动标注模型建模训练前扩充样本数量，防止建模前类别数量差异过大；另一方面能充分利用遥感图像背景先验知识，增加模型泛化能力。
35、（2）本发明引入了多模型耦合评估自动标注方法，充分利用每个模型的优势对同一批图片进行预测及评估，筛选出每个类别最优的位置坐标信息，然后进行标签信息的合并，生成最优标签文件；此方法，有效解决了人工标注方法效率低下、费时费力以及单模型标注质量不够精细等问题。
1.一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s1中，采用标注软件进行人工精细的类别标注，生成标签文件，并采用计数算法对所有标签文件进行类别数量统计。
3.根据权利要求2所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s2中，线下随机贴图增强算法包括以下步骤;
4.根据权利要求3所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s3中，分别喂入不同的模型a、模型b、模型c进行训练获取各自的最优权重模型并通过评估指标确定每个类别的最优准确率过程包括：
5.根据权利要求4所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s32中测试模型检测能力的的评估指标表示为：
6.根据权利要求5所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s4中，待标注图片送入最优权重模型文件进行预测并生成标签文件的具体过程为：
7.根据权利要求6所述的一种基于多模型耦合评估的遥感图像自动标注方法，其特征在于，在所述步骤s5中，根据每个模型对各个类别的偏向性，对生成的标签文件进行筛选、分组及评估的具体过程为：
