基于最优传输的无监督领域自适应遥感图像分割方法技术

本发明专利技术公开一种基于最优传输的无监督领域自适应遥感图像分割方法，首先提出一种分割准确性权重计算，基于步骤一中提出的遥感图像分割准确性权重计算方法，进行遥感图像最优样本子集选择。对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择。对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割。本发明专利技术保证了两个域特征的整体性，同时衡量前景区域特征要比通常的样本特征更有针对性且更适合分割样本，更加准确，分割准确性权重能够更好地适应分割图像，能够使属于同一类别的两个域的分割图像更相近，从而提高熵正则化进行分割图像特征最优传输的精确度。熵正则化进行分割图像特征最优传输的精确度。熵正则化进行分割图像特征最优传输的精确度。

【技术实现步骤摘要】
基于最优传输的无监督领域自适应遥感图像分割方法


[0001]本专利技术涉及使用最优传输、无监督领域自适应和遥感图像分割。

技术介绍

[0002]随着遥感技术的发展和完善，全球范围内遥感数据不间断地产出。海量遥感数据已经成为人类认知世界的重要信息来源，在环境检测、城市规划、土地分割等众多领域发挥着重要作用。为了有效挖掘海量遥感数据所提供的丰富信息，遥感图像分割已经成为了相关领域研究热点之一。
[0003]近年来，高分辨率遥感卫星的发射使得遥感影像的空间分辨率不断增加，地物空间细节显著提高，为地物精细目标分割提供了可能。高分辨率影像相对中低分辨率遥感影像表现出很多不同的特性：如建筑物、道路、植被等地物类别具有明显的几何纹理特征；成像光谱波段变少，“同物异谱”、“同谱异物”现象大量发生。
[0004]由于遥感图像采集时的物理条件(如光照、大气、传感器参数等)不可能完全相同，因而不同区域或同一场景上不同时刻获得的图像都会存在一定的差异性，即同一地物类别在同一语义场景中底层特征变化明显。不同的数据特征反映了不同的概率分布，因而通常认为多源遥感数据处于不同概率分布。
[0005]对于处于不同概率分布的多源遥感数据，传统分割方法难以建立多源影像底层特征到其高层语义信息的直接映射，导致分割模型精度提升受限。因此，多源遥感图像分割精度提升的关键在于求解多个不同概率分布之间的转化，将多源数据映射到同一概率分布。迁移学习是解决这一数学问题的重要方法，通过求解概率分布之间的映射函数实现多源分布到单源分布的转化，进而在转化后的概率分布上学习模型。
[0006]多源遥感图像分割任务的关键问题在于如何利用迁移学习技术将处于不同概率分布的地物目标映射到同一分布，并在映射后的数据特征上构建分割模型。领域自适应(Domain Adaptation，DA)是迁移学习中一种最具代表性的问题，侧重于解决特征空间一致、类别空间一致，仅特征分布不一致的问题。
[0007]现在领域自适应的常用方法大多从这两个角度出发：数据分布和特征变换。从数据分布角度出发，也就是当源域和目标域的概率分布相似时，采用最小化概率分布距离方法；从特征变换角度出发，当源域和目标域共享某些子空间时，把两个域变换到相同的子空间去。当前技术的局限性在于：在领域自适应模型的特征提取阶段所提取的所有特征均会应用于领域自适应模型中，然而并不是每个特征都会在自适应模型中产生积极影响，不正确地涉及所有特征甚至会导致性能下降。虽然目前在领域自适应任务中已存在一些特征选择方法，但大多方法都在有监督的分割模型下进行，其中大部分方法还忽略了原始特征信息，其有效性大大降低。
[0008]综上所述，我们提出基于最优传输的无监督领域自适应遥感图像分割方法。首先，利用分割准确性权重引导加权的最优传输进行两个域样本间传输，增加两个域表示空间的相似性；然后利用熵正则化最优传输进行特征间的传输，选择出域不变特征，将选择后的特
征进行无监督领域自适应图像分割，使其分割性能得到提高并且减少了该自适应算法的计算复杂度。

技术实现思路
：
[0009]为解决现有的分割模型对于多源遥感数据分割结果不理想的问题，本文专利技术了一种基于最优传输的无监督领域自适应遥感图像分割方法，
技术实现思路
主要包括：分割图像类中心信息矩阵，引导最优传输的分割准确性权重，加权最优传输的子样本选择算法，熵正则化最优传输的特征选择算法，利用特征选择结果进行无监督领域自适应遥感图像分割。
[0010]一种基于最优传输的无监督领域自适应遥感图像分割方法，其特征在于：至少包括以下步骤：
[0011]步骤一、提出一种遥感图像分割准确性权重计算方法。先将已标记的源域样本和未标记的目标域样本输入由源域训练的U
‑
net分割网络，得到源域前景区域特征以及后景区域特征。根据其计算每个类别对应的类中心利用目标样本前景区域特征与之前求得其所属类别的类中心进行比较，计算目标样本图像的前景区域被正确分割的概率P，进而得到引导用于分割的遥感图像样本最优传输的分割准确性权重。
[0012]步骤二、基于步骤一中提出的遥感图像分割准确性权重计算方法，进行遥感图像最优样本子集选择。先将最优传输的代价矩阵变为原代价矩阵与分割准确性权重的乘积，再将源域和目标域样本集合进行以分割准确性为权重引导的加权最优传输，得到最优的耦合矩阵，根据耦合矩阵γ
*
的性质分析其值，选择出适用于遥感图像分割样本的最优样本子集。
[0013]步骤三、对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择。首先利用预训练的FCN全卷积网络作为特征提取器，提取步骤二所选最优样本子集的特征，再将最优样本子集的特征分布进行离散化，并利用熵正则化最优传输问题将源特征分布传输到目标特征分布，得到特征传输的最优耦合矩阵，通过分析比较两个域相同特征的相似性，即分析耦合矩阵γ
*f
对角线上的值，得到特征相似性降序列表F，进而选择出两个域的域不变特征。
[0014]步骤四、对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割。根据步骤三中FCN全卷积网络下采样输出的高维特征排序后得到的列表F，选择其前d
*
个特征(d
*
＜d)，将选择后的低维特征输入到该FCN分割网络的上采样阶段，确定能同时执行分割和适应任务的全局损失函数，获得无监督领域自适应分割模型，对遥感图像进行图像分割。使用选择后的特征有助于该模型学习前去掉两个域的域无关特征，进而提高该无监督领域自适应遥感图像分割模型的准确性。
[0015]有益效果：
[0016]与现有技术相比，采用本专利技术所述的设计方案，可以达到以下技术效果：
[0017]1、定义分割准确性权重。分割准确性权重计算中包括图像分割样本各类的类中心计算，在概率信息矩阵P中使用其与目标样本前景区域特征进行比较，保证了两个域特征的整体性，同时衡量前景区域特征要比通常的样本特征更有针对性且更适合分割样本，更加准确.
[0018]2、分割准确性权重引导最优传输与其他加权最优传输相比：分割准确性权重能够
更好地适应分割图像，能够使属于同一类别的两个域的分割图像更相近，从而提高熵正则化进行分割图像特征最优传输的精确度。
[0019]3、使用熵正则化最优传输进行特征间传输。熵正则化会促进多数、小流量的路径进行传输，而抑制少数、大流量的路径，使传输版本更加平滑，传输更加准确。同时利用最优传输进行特征选择能够有效利用原始特征信息。
[0020]4、该基于最优传输特征选择的无监督领域自适应方法，能够作为任意一种面向图像分割的无监督领域自适应模型的预处理步骤，保留了其他模型的良好效果，并在此之上提高该模型性能，减少自适应算法计算复杂度。
附图说明：
[0021]图1.方法框架流程图
[0022]图2.分割准确性权重计算流程图
具体实施方式：
[0023]步骤一、提出一种遥感图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优传输的无监督领域自适应遥感图像分割方法，其特征在于：至少包括以下步骤：步骤一：提出一种遥感图像分割准确性权重计算方法，先将已标记的源域样本和未标记的目标域样本输入由源域训练的分割网络，得到源域前景区域特征以及后景区域特征，并计算类中心，利用目标样本前景区域特征与求得其所属类别的类中心进行比较，计算目标样本图像的前景区域被正确分割的概率，进而得到引导用于分割的遥感图像样本最优传输的分割准确性权重；步骤二：基于步骤一中提出的遥感图像分割准确性权重计算方法进行遥感图像最优样本子集选择，先将最优传输的代价矩阵变为原代价矩阵与分割准确性权重的乘积，使其变为分割准确性加权最优传输，再将源域和目标域样本集合进行以分割准确性为权重引导的加权最优传输，得到最优的耦合矩阵，根据耦合矩阵性质分析其值，选择出适用于遥感图像分割样本的最优样本子集；步骤三：对步骤二获得的遥感图像最优样本子集，进行最优传输特征选择，首先利用预训练的全卷积网络作为特征提取器，提取步骤二所选最优样本子集的特征，再将最优样本子集的特征分布进行离散化，并利用熵正则化最优传输将源特征分布传输到目标特征分布，得到特征传输最优耦合矩阵，通过分析比较两个域相同特征的相似性得到特征相似性降序列表，进而选择出两个域的域不变特征；步骤四：对步骤三获得的遥感图像特征选择结果，进行无监督领域自适应图像分割，从步骤三中全卷积网络下采样输出的高维特征排序后得到的列表，选择其前d
*
个特征，将选择后的低维特征输入到该分割网络的上采样部分，确定能同时执行图像分割和领域自适应任务的全局损失函数，获得无监督领域自适应遥感图像分割模型，对遥感图像进行图像分割。2.根据权利要求1所述的一种基于最优传输的无监督领域自适应遥感图像分割方法，其特征在于：步骤一中提出遥感图像分割准确性权重计算方法，先用已标记的源域样本训练U
‑
net遥感图像分割网络，再将源域样本和目标域样本输入，从中提取源域以及目标域的特征图，利用针对遥...

【专利技术属性】
技术研发人员：王生生，姜林延，李晨旭，
申请(专利权)人：吉林大学，
类型：发明
国别省市：