基于遗传算法的卫星图像预处理方法技术

本发明专利技术公开了一种基于遗传算法的卫星图像预处理方法，主要解决现有技术中无法实现类别平衡的问题，其实现方案是：1)卫星图像进行标签去噪和数据增强的预处理；2)对预处理后的卫星图形进行地物类别平衡；3)融合类别平衡后的卫星图像，生成训练样本；4)使用训练样本训练语义分割模型；5)对卫星图像测试样本集进行阴影位置检测；6)融合卫星图像测试集图像，使用语义分割模型对其进行检测；7)利用阴影位置的像素值修正检测得到的语义分割结果。本发明专利技术解决了卫星图像类别平衡问题，并通过阴影位置的像素值指导语义分割结果，明显提高了卫星图像语义分割精度，可用于深度学习中分类和分割任务的数据预处理。

Preprocessing of Satellite Image Based on Genetic Algorithms

【技术实现步骤摘要】
基于遗传算法的卫星图像预处理方法
本专利技术属于图像处理
，具体涉及一种基于遗传算法的卫星图像预处理方法，可用于深度学习中，卫星图像的分类和分割任务的预处理部分。
技术介绍
随着卫星图像数据的增长，深度学习在卫星图像处理领域的应用越来越广泛，卫星卫星图像预处理也严重影响着深度学习的性能。卫星图像预处理通常包括类别平衡、数据增强等方面。目前，常用的卫星图像类别平衡方法有：1)类别数量较多的进行下采样，随机丢弃一部分卫星图片，使类别数量差异尽量平衡；2)类别数量较少的进行上采样，对卫星图片进行翻转、旋转、缩放、裁剪、平移、加高斯噪声等操作，加入数据集中，使类别数量差异尽量平衡；3)修改模型中的训练权重，类别数量较少的数据设置较大的权重，类别数量较大的数据设置较小的训练权重，使训练出的模型精度整体达到较高的准确率。但上述这些传统的卫星图像数据平衡方法，不能很好地平衡卫星图像中的地物类别。当卫星图片中的地物类别的分布不再按照某一种特定规律，使用图片翻转、缩放、裁剪、平移等简单数据增强方法时，将会在增加或减少某一类别地物数量的同时，产生另一种地物类别的数量也会随之变化的情况，不能达到平衡地物类别的作用。公开号为CN102495901B的专利提出了一种通过局部均值保持实现类数据平衡的方法，可以通过k-means算法平衡卫星图像中的地物类别。但该方法在处理大场景的卫星图像时，不能很好地平衡距离较远的两种地物，达不到较好的平衡效果。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提供一种基于遗传算法的卫星图像预处理方法，以提高大场景卫星图像中距离较远的两种地物的平衡效果，并将含有不同通道的图像进行通道融合，得到含有更多信息的图像。为实现上述目的，本专利技术的技术方案包括如下：(1)读取卫星图像中的训练数据集，包括RGB训练数据集和八波段多光谱MSI训练数据集，并对这两种数据集中的图像进行相同的标签去噪和数据增强的初步处理；(2)基于遗传算法对初步处理后的RGB训练数据集进行地物类别平衡，得到类别分布平衡后的RGB数据集，并从八波段多光谱MSI训练数据集中选取与平衡后的RGB数据集中名称一样的图像组成平衡后的八波段多光谱MSI数据集；(3)将平衡后的RGB数据集中的RGB图像与平衡后的八波段多光谱MSI数据集中相应的八波段多光谱MSI图像进行通道融合，生成新通道的训练样本；(4)将训练样本送入现有的图像级联网络ICNet进行训练，得到训练好的语义分割模型；(5)读取卫星图像中的测试数据集，包括RGB测试数据集和八波段多光谱MSI测试数据集，并对其中的八波段多光谱MSI测试数据集进行阴影位置检测，取出阴影部分的位置；(6)按照(3)的方法将RGB测试数据集与MSI测试数据集中的对应图像融合生成新的测试样本，并将其送入由(4)得到的语义分割模型，获得语义分割结果；(7)使用(5)得到的阴影位置的像素值对(6)得到的语义分割结果进行修正，得到经卫星图像优化后的语义分割结果，完成对卫星图像的预处理。综上所述，本专利技术的优势如下：第一，本专利技术采用了基于遗传算法的卫星图像预处理方法，对训练样本进行数据去噪和增强，利用遗传算法进行地物类别平衡，可以精确快速地平衡地物类别，得到类别平衡且泛化能力较强的卫星图像数据集。第二，本专利技术利用卫星图像的特性，包括RGB图像和八波段多光谱MSI图像，将两种不同形式的卫星图像进行通道融合，得到一种信息更加丰富的新图像，有助于提高语义分割的精度。第三，本专利技术利用八波段多光谱MSI图像的特性，提取其近红外波段、红色边缘波段和黄色波段3个通道，分别归一化形成可视化的图像，利用该可视化图像的像素值提取出阴影位置，并用阴影位置的像素值修正语义分割结果，提高了语义分割精度。附图说明：图1是本专利技术的实现流程图；图2是本专利技术中利用遗传算法平衡数据类别的子流程图；图3是本专利技术中阴影位置提取子流程图；图4是本专利技术中使用阴影位置像素修正语义分割结果子流程图。具体实施步骤以下结合附图对本专利技术进行详细介绍：参照图1，本专利技术的实现步骤如下：步骤1：卫星图像初步处理。1.1)读取卫星图像中的训练数据集，包括RGB训练数据集和八波段多光谱MSI训练数据集；1.2)删除RGB训练数据集中含有大量未标记标签的图像，得到去噪后的RGB训练数据集，并删去八波段多光谱MSI训练数据集中相同名称的图像，得到去噪后的八波段多光谱MSI训练数据集；1.3)统计去噪后的RGB训练数据集中各个类别的像素数量c[m]，计算RGB训练数据集所有类别像素数量的总和C：其中，m为类别标号，且m∈M，M为该卫星图像的类别总数；1.4)计算RGB训练数据集中各个类别像素数量c[m]与所有类别像素数量的总和C的比值：1.5)对满足的类别先进行水平或垂直翻转的变换，再进行亮度或饱和度的变换，得到初步处理后的RGB训练数据集；1.6)对去噪后的八波段多光谱MSI训练数据集同样进行1.5)操作，得到初步处理后的八波段多光谱MSI训练数据集。步骤2：使用遗传算法对卫星图像进行地物类别平衡。参照图2，本步骤的具体实现如下：2.1)随机初始化一条染色体：将初步处理后的RGB训练数据集中的图像按照顺序编号为1～n，其编号代表该图像在每条染色体的位置，用染色体第i位随机生成“0”或“1”，i∈[1,n]，n为初步处理后的RGB训练数据集中图像的数量；2.2)循环执行2.1)f次，生成一个染色体数量为f的种群，f设置为10～50；2.3)从新一代种群中随机选择两条染色体进行交叉并修正，得到交叉后的种群：2.3.1)随机生成pc∈[0,1]，pc为交叉概率，若pc＞0.6，则随机选择其中一条染色体的某两个位置之间的一段染色体为交换部分，与另一条染色体相同位置的染色体进行交换，得到两条交叉后的染色体；2.3.2)选择一条交叉后的染色体，统计其中字符“1”的个数a1，并将平衡后的RGB数据集中的图像数量记为a，并依据a1与a的差值对该染色体上的值进行修正并替换掉种群中原来的染色体：如果a1-a＝0，则保留这条染色体；如果a1-a＞0，则随机选取a1-a个字符为“1”的位置，修改为“0”；如果a1-a＜0，则随机选取a-a1个字符为“0”的位置，修改为“1”；2.3.3)对另外一条交叉后的染色体同样执行步骤2.3.2)；2.3.4)使用两条修正后的染色体替换交叉前的两条染色体，得到交叉后的种群。2.4)从交叉后的种群中随机选择一条染色体进行变异并修正，得到变异后的种群：2.4.1)随机生成pm∈[0,1]，pm为变异概率，若pm＞0.6，则随机选择一条染色体上的任一位置，若该位置为“0”，则变为“1”，若为“1”，则变为“0”，得到变异后的染色体；2.4.2)统计变异后的染色体中字符“1”的个数a3，并将平衡后的RGB数据集中的图像数量记为a；2.4.3)依据a3与a的差值对变异后的染色体进行修正：如果a3-a＝1，则随机选取1个字符为“1”的位置，修改为“0”；如果a1-a＝-1，则随机选取1个字符为“0”的位置，修改为“1”；2.4.4)使用修正后的染色体替换变异前的染色体，得到变异后的种群；2.5)以轮盘赌的方式从变异后的种群中选择f个个体保留为子代染色体：2.5.1)本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的卫星图像预处理方法，其特征在于，包括如下：(1)读取卫星图像中的训练数据集，包括RGB训练数据集和八波段多光谱MSI训练数据集，并对这两种数据集中的图像进行相同的标签去噪和数据增强的初步处理；(2)基于遗传算法对初步处理后的RGB训练数据集进行地物类别平衡，得到类别分布平衡后的RGB数据集，并从八波段多光谱MSI训练数据集中选取与平衡后的RGB数据集中名称一样的图像组成平衡后的八波段多光谱MSI数据集；(3)将平衡后的RGB数据集中的RGB图像与平衡后的八波段多光谱MSI数据集中相应的八波段多光谱MSI图像进行通道融合，生成新通道的训练样本；(4)将训练样本送入现有的图像级联网络ICNet进行训练，得到训练好的语义分割模型；(5)读取卫星图像中的测试数据集，包括RGB测试数据集和八波段多光谱MSI测试数据集，并对其中的八波段多光谱MSI测试数据集进行阴影位置检测，取出阴影部分的位置；(6)按照(3)的方法将RGB测试数据集与MSI测试数据集中的对应图像融合生成新的测试样本，并将其送入由(4)得到的语义分割模型，获得语义分割结果；(7)使用(5)得到的阴影位置的像素值对(6)得到的语义分割结果进行修正，得到经卫星图像优化后的语义分割结果，完成对卫星图像的预处理。...

【技术特征摘要】
1.一种基于遗传算法的卫星图像预处理方法，其特征在于，包括如下：(1)读取卫星图像中的训练数据集，包括RGB训练数据集和八波段多光谱MSI训练数据集，并对这两种数据集中的图像进行相同的标签去噪和数据增强的初步处理；(2)基于遗传算法对初步处理后的RGB训练数据集进行地物类别平衡，得到类别分布平衡后的RGB数据集，并从八波段多光谱MSI训练数据集中选取与平衡后的RGB数据集中名称一样的图像组成平衡后的八波段多光谱MSI数据集；(3)将平衡后的RGB数据集中的RGB图像与平衡后的八波段多光谱MSI数据集中相应的八波段多光谱MSI图像进行通道融合，生成新通道的训练样本；(4)将训练样本送入现有的图像级联网络ICNet进行训练，得到训练好的语义分割模型；(5)读取卫星图像中的测试数据集，包括RGB测试数据集和八波段多光谱MSI测试数据集，并对其中的八波段多光谱MSI测试数据集进行阴影位置检测，取出阴影部分的位置；(6)按照(3)的方法将RGB测试数据集与MSI测试数据集中的对应图像融合生成新的测试样本，并将其送入由(4)得到的语义分割模型，获得语义分割结果；(7)使用(5)得到的阴影位置的像素值对(6)得到的语义分割结果进行修正，得到经卫星图像优化后的语义分割结果，完成对卫星图像的预处理。2.根据权利要求1所述的方法，其特征在于，(1)中对RGB训练数据集和八波段多光谱MSI训练数据集的图像进行初步处理，实现如下：(1a)删除RGB训练数据集和八波段多光谱MSI训练数据集中含有大量未标记标签的数据，对数据进行去噪操作；(1b)统计RGB训练数据集中各个类别的像素数量c[m]，计算RGB训练数据集所有类别像素数量的总和C：其中，m为类别标号，且m∈M，M为该卫星图像的类别总数；(1c)计算RGB训练数据集中各个类别像素数量c[m]与所有类别像素数量的总和C的比值：(1d)对满足的类别先进行水平或垂直翻转的变换，再进行亮度或饱和度的变换，以此增强数据。(1e)对去噪后的八波段多光谱MSI训练数据集同样进行(1d)操作，得到初步处理后的八波段多光谱MSI训练数据集。3.根据权利要求1所述的方法，其特征在于，(2)中基于遗传算法对初步处理后的RGB训练数据集进行地物类别平衡，实现如下：(2a)随机初始化一条染色体：将初步处理后的RGB训练数据集中的图像按照顺序编号为1～n，其编号代表该图像在每条染色体的位置，用染色体第i位随机生成“0”或“1”，i∈[1,n]，n为初步处理后的RGB训练数据集中图像的数量；(2b)循环执行(2a)f次，生成一个染色体数量为f的种群，f设置为10～50；(2c)从新一代种群随机选择两条染色体进行交叉并修正，得到交叉后的种群；(2d)从交叉后的种群中随机选择一条染色体进行变异并修正，得到变异后的种群；(2e)以轮盘赌的方式从变异后的种群中选择f个个体保留为新一代种群；(2f)记录新一代种群中方差最小的染色体h'，更新最优染色体h：其中，h'代表当前最优染色体，h代表轮盘赌过后保留的方差值最小的染色体，n代表迭代次数，var[h]代表染色体h中所有类别的方差值，var[h']代表染色体h'中所有类别的方差值；(2g)重复执行步骤(2c)-(2f)，直到迭代次数达到10000次即停止。(2h)输出最优染色体，并将染色体中字符为“1”的位置对应的图像加入平衡后的RGB数据集中。4.根据权利要求3所述的方法，其特征在于，(2c)中从新一代种群中随机选择两条染色体进行交叉并修正，实现如下：(2c1)随机生成pc∈[0,1]，pc为交叉概率，若pc＞0.6，则随机选择其中一条染色体的某两个位置之间的一段染色体为交换部分，与另一条染色体相同位置的染色体进行交换，得到两条交叉后的染色体；(2c2)选择一条交叉后的染色体，统计其中字符“1”的个数a1，并将平衡后的RGB数据集中的图像数量记为a，并依据a1与a的差值对该染色体上的值进行修正并替换掉种群中原来的染色体：如果a1-a＝0，则保留这条染色体；如果a1-a＞0，则随机选取a1-a个字符为“1”的位置，修改为“0”；如果a1-a＜0，则随机选取a-a1个字符为“0”的位置，修改为“1”；(2c3)对另外一条交叉后的染色...

【专利技术属性】
技术研发人员：焦李成，孙龙，李英萍，李小雪，丁静怡，郭雨薇，杨淑媛，侯彪，尚荣华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61