一种高分辨率遥感影像渐进式分割方法技术

本发明专利技术公开了图像信息处理技术领域的一种高分辨率遥感影像渐进式分割方法，包括以下步骤：首先构建三个负责处理不同尺度对象的级联子网；然后以小尺度、大尺度和其他尺度逐步地捕获输入影像的空间上下文信息；再得到三个不同尺度的分割结果；接着得到三个不同尺度的位置贡献图；最后将得到的不同尺度分割结果与得到的位置贡献图进行加权求和推导最终的分割结果。本发明专利技术高分辨率遥感影像渐进式分割方法使用引入尺度关系的级联子网以小尺度、大尺度和其他尺度逐步地对目标进行分割，并且充分衡量不同子网对每个空间位置的重要性，这样能够更好地应对高分辨率遥感影像的尺度差异挑战，提高分割精确度。提高分割精确度。提高分割精确度。

【技术实现步骤摘要】
一种高分辨率遥感影像渐进式分割方法


[0001]本专利技术属于图像信息处理
，具体涉及一种高分辨率遥感影像渐进式分割方法。

技术介绍

[0002]语义分割是遥感影像解译和理解领域长期以来的研究课题。它的主要目的是识别图像中每个像素的类别。随着成像技术和传感器技术的快速发展，高分辨率遥感影像在环境评价、林业测量、精细农业、城市规划等领域具有广泛的应用。然而，高分辨率遥感影像也给精确的目标分割带来了一些挑战。例如，影像中同类物体变化大、不同类型物体差异性小等问题，给网络的鲁棒性以及学习鉴别特征带来了困难。
[0003]近年来，卷积神经网络在从自然图像中学习高级语义特征方面取得了突破性的进展。因此，卷积神经网络成为解决上述问题的一个直观选择。作为卷积神经网络的一种，全卷积网络用于准确、高效的自然图像分割，在语义分割领域取得了巨大的成功。它通过神经网络自适应地学习任务相关的图像特征并将传统网络最后的全连接层转化为卷积层，再使用反卷积进行上采样得到和输入图像尺寸一致的分割结果，实现了图像到图像的端到端分割任务。受此启发，很多工作将全卷积网络模型扩展到分割高分辨率遥感影像，取得了更好的性能。
[0004]但是，与自然图像相比，高分辨率遥感图像的尺寸要大得多，分割对象也更加复杂。以International Society for Photogrammetry and Remote Sensing（ISPRS）委员会提供的Potsdam数据集为例，每幅影像的空间大小为6000
×
6000。它们涵盖了尺度变化很大的各种类型物体，例如同一场景下存在汽车和大型建筑，与大型建筑相比，汽车所占的空间位置非常少。对于基于全卷积网络的模型来说，不同尺度的目标对网络有不同的要求。以上述场景为例，深层网络能够提供更大的感受野，这有利于提取丰富的全局信息对大型建筑进行分割。但是，这也会带来汽车的空间信息损失严重的问题。相反，在浅层网络中，较小的感受野提供的局部信息可能足以对汽车进行分割，但这些局部信息可能只覆盖大型建筑中的一小部分。因此，如何处理场景中不同尺度的目标成为了高分辨率遥感影像分割的关键问题。
[0005]为了解决上述问题，已有的工作探索了许多策略。这些策略主要包括：聚合来自不同卷积层的多个卷积特征，提取同一个卷积层中的多尺度卷积特征，以及通过构建多个卷积分支融合多分支卷积特征。前两类策略试图构建一个能够同时分割不同尺度目标的网络。但是，由于单个网络的学习能力有限，这类模型往往需要在不同尺度的对象之间进行权衡，导致分割结果不理想，尤其是对于小尺度或大尺度对象，第三类策略是一种利用多个子网来缓解这一问题的潜在方法。如果能够对多个网络进行充分利用，其学习能力与单个网络相比会更强大。然而，这类策略在设计和融合不同网络方面仍存在一些问题。

技术实现思路

[0006]针对现有技术的不足，本专利技术的目的在于提供一种高分辨率遥感影像渐进式分割方法，以解决上述
技术介绍
中提出的问题。
[0007]本专利技术的目的可以通过以下技术方案实现：一种高分辨率遥感影像渐进式分割方法，包括以下步骤：首先构建三个负责处理不同尺度对象的级联子网；然后将原始的高分辨率遥感影像裁剪成块，依次输入到三条级联的子网中，以小尺度、大尺度和其他尺度逐步地捕获输入影像的空间上下文信息；再构建两个尺度引导模块，将尺度关系编码到后两条子网的卷积特征中去，并基于此得到三个不同尺度的分割结果；接着将在尺度关系引导下得到的三个不同尺度分割结果，输入到位置敏感模块中，自适应地学习它们对每个空间位置的重要性，得到三个不同尺度的位置贡献图；最后将得到的不同尺度分割结果与得到的位置贡献图进行加权求和推导最终的分割结果。
[0008]优选地，所述三个级联子网包括处理小尺度对象的小尺度子网、处理大尺度对象的大尺度子网和应对其他尺度对象的第三子网，三个子网均由5个卷积块组成。
[0009]优选地，所述原始的高分辨率遥感影像裁剪后影像块使用作为输入，得到的小尺度卷积特征为，大尺度卷积特征为，其他尺度卷积特征为。
[0010]优选地，利用构造第一个所述尺度引导模块，采用对进行归一化，尺度引导图通过如下公式的得到:调整为：第二个所述尺度引导模块将和都作为输入，通过如下公式的得到:调整为:其他尺度子网的特征经过尺度引导图微调后，得到其他尺度分割结果。
[0011]优选地，所述位置敏感模块首先将，和串联在一起，然后使用两个卷积层生成位置贡献图，定义如下: 。
[0012]优选地，所述三个不同尺度分割结果与三个不同尺度的位置贡献图进行加权求和
得到最终的分割结果，定义如下：。
[0013]优选地，监督方式如下:。
[0014]本专利技术的有益效果：1、本专利技术高分辨率遥感影像渐进式分割方法与全卷积网络（FCN
‑
8s）、U形网络（UNet）、金字塔场景分割网络（PSPNet）、空洞可分卷积网络（DeepLabv3+）、特征解耦网络（CGFDN）相比，在各种准确指标上都有很大的提升；2、本专利技术高分辨率遥感影像渐进式分割方法使用引入尺度关系的级联子网以小尺度、大尺度和其他尺度逐步地对目标进行分割，并且充分衡量不同子网对每个空间位置的重要性，这样能够更好地应对高分辨率遥感影像的尺度差异挑战，提高分割精确度。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本专利技术高分辨率遥感影像渐进式分割方法流程图；图2是本专利技术中两种尺度引导模块流程图；图3是本专利技术中位置敏感模块流程图；图4是本专利技术方法与全卷积网络、U形网络、金字塔场景分割网络、空洞可分卷积网络、特征解耦网络在Vaihingen高分辨率遥感影像上的分割可视化结果图；图5是本专利技术方法与全卷积网络、U形网络、金字塔场景分割网络、空洞可分卷积网络、特征解耦网络在Potsdam高分辨率遥感影像上的分割可视化结果图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0018]请参阅图1至图5所示，一种高分辨率遥感影像渐进式分割方法，包括以下步骤：步骤一：构建三个负责处理不同尺度对象的级联子网；由于影像中常常存在尺度变化非常大的各种物体，而小尺度和大尺度对象通常比其他尺度对象更难分割，因此，设计两条子网来处理小尺度和大尺度对象，另一条子网来应对其他尺度对象，如图1所示，每条子网由5个卷积块组成，表1给出了三条子网卷积块的详细配置，其中，和用于代表影像或特征图的高度，宽度和通道个数。“卷积操作”表示该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率遥感影像渐进式分割方法，其特征在于，包括以下步骤：首先构建三个负责处理不同尺度对象的级联子网；然后将原始的高分辨率遥感影像裁剪成块，依次输入到三条级联的子网中，以小尺度、大尺度和其他尺度逐步地捕获输入影像的空间上下文信息；再构建两个尺度引导模块，将尺度关系编码到后两条子网的卷积特征中去，并基于此得到三个不同尺度的分割结果；接着将在尺度关系引导下得到的三个不同尺度分割结果，输入到位置敏感模块中，自适应地学习它们对每个空间位置的重要性，得到三个不同尺度的位置贡献图；最后将得到的不同尺度分割结果与得到的位置贡献图进行加权求和推导最终的分割结果。2.根据权利要求1所述的一种高分辨率遥感影像渐进式分割方法，其特征在于，所述三个级联子网包括处理小尺度对象的小尺度子网、处理大尺度对象的大尺度子网和应对其他尺度对象的第三子网，三个子网均由5个卷积块组成。3.根据权利要求1所述的一种高分辨率遥感影像渐进式分割方法，其特征在于，所...

【专利技术属性】
技术研发人员：杭仁龙，杨平，刘青山，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：