基于拉普拉斯滤波器的遥感图像分割方法及系统技术方案

本发明专利技术公开了基于拉普拉斯滤波器的遥感图像分割方法及系统；其中所述方法，包括：基于拉普拉斯滤波器构建边缘特征提取模块；基于通道注意力模块和空间注意力模块，构建卷积注意力模块；基于边缘特征提取模块和卷积注意力模块，构建遥感图像分割模型；构建训练集，采用训练集对遥感图像分割模型进行训练，得到训练后的遥感图像分割模型；对训练后的遥感图像分割模型，移除边缘特征提取模块和卷积注意力模块，得到语义分割模型；获取待分割的遥感图像，采用语义分割模型，对待分割的遥感图像进行处理，得到分割后的图像。本发明专利技术解决了由于遥感图像场景复杂性较高等一系列原因导致的特征提取不完整，分割精度低的问题。分割精度低的问题。分割精度低的问题。

【技术实现步骤摘要】
基于拉普拉斯滤波器的遥感图像分割方法及系统


[0001]本专利技术涉及图像分割
，特别是涉及基于拉普拉斯滤波器的遥感图像分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]随着高分卫星的快速发展，从遥感图像中获得有用的语义分割结果，从而对卫星影像进行理解变得重要，且成为当前遥感领域的研究热点。其中土地分割对于粮食安全、城市规划、灾害监测、环境监测、林业、交通和军事都有重要的意义。由于卷积神经网络强大的特征提取能力，目前基于深度卷积神经网络的语义分割算法在土地分割的领域比较流行。但是，相比于普通场景的图像，卫星影像的土地分割面临着以下挑战：土地图像的场景复杂性更高，不同时相和不同分辨率的图像差异大。这导致了在对于土地分割面临着巨大的挑战。
[0004]Jonathan Long等人在2015年发表论文“Fully convolutional networks for semantic segmentation”(In Proceedings of the IEEE conference on computer vision and pattern recognition)，成功将深度学习方法应用到语义分割上。FCN作为深度学习用于语义分割任务的开山之作，提出了“全卷积神经网络”，将全连接层替换为卷积层的end
‑
to
‑
end的全卷积网络，可以适应任意尺寸的输入，在不破坏空间结构的基础上，可以对图像进行像素级别的分类。解决了降采样后的低分辨率问题。然而，FCN的缺点也很明显,首先是训练比较麻烦，需要训练三次才能够得到FCN
‑
8s，而且得到的结果还是不精细，对图像的细节不够敏感,这是因为在进行decode,也就是恢复原图像大小的过程时，输入上采样层的label map太稀疏，而且上采样过程就是一个简单的deconvolution。其次是对各个像素进行分类，没有考虑到像素之间的关系，忽略了在通常的基于像素分类的分割方法中使用的空间规整步骤,缺乏空间一致性。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了基于拉普拉斯滤波器的遥感图像分割方法及系统，解决了由于遥感图像场景复杂性较高等一系列原因导致的特征提取不完整，分割精度低的问题。
[0006]第一方面，本专利技术提供了基于拉普拉斯滤波器的遥感图像分割方法；
[0007]基于拉普拉斯滤波器的遥感图像分割方法，包括：
[0008]基于拉普拉斯滤波器构建边缘特征提取模块；基于通道注意力模块和空间注意力模块，构建卷积注意力模块；基于边缘特征提取模块和卷积注意力模块，构建遥感图像分割模型；
[0009]构建训练集，采用训练集对遥感图像分割模型进行训练，得到训练后的遥感图像分割模型；
[0010]对训练后的遥感图像分割模型，移除边缘特征提取模块和卷积注意力模块，得到语义分割模型；
[0011]获取待分割的遥感图像，采用语义分割模型，对待分割的遥感图像进行处理，得到分割后的图像。
[0012]第二方面，本专利技术提供了基于拉普拉斯滤波器的遥感图像分割系统；
[0013]基于拉普拉斯滤波器的遥感图像分割系统，包括：
[0014]模型构建模块，其被配置为：基于拉普拉斯滤波器构建边缘特征提取模块；基于通道注意力模块和空间注意力模块，构建卷积注意力模块；基于边缘特征提取模块和卷积注意力模块，构建遥感图像分割模型；
[0015]训练模块，其被配置为：构建训练集，采用训练集对遥感图像分割模型进行训练，得到训练后的遥感图像分割模型；
[0016]移除模块，其被配置为：对训练后的遥感图像分割模型，移除边缘特征提取模块和卷积注意力模块，得到语义分割模型；
[0017]分割模块，其被配置为：获取待分割的遥感图像，采用语义分割模型，对待分割的遥感图像进行处理，得到分割后的图像。
[0018]第三方面，本专利技术还提供了一种电子设备，包括：
[0019]存储器，用于非暂时性存储计算机可读指令；以及
[0020]处理器，用于运行所述计算机可读指令，
[0021]其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
[0022]第四方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
[0023]第五方面，本专利技术还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
[0024]与现有技术相比，本专利技术的有益效果是：
[0025]第一，该结构具有较强的嵌入性。可以嵌入在一些主流的语义分割模型，如：U
‑
Net和PSPNet等。
[0026]第二，虽然训练时比不引入边缘特征提取以及卷积注意力模块花费时间更长，但是不增加预测时长，而且和更深的骨干网络的预测结果相比也不逊色。
[0027]第三，因为采用了卷积注意力模块，所以可以和任何CNN结构一起使用，不会增加额外的开销，并且实现的是端对端的训练；
[0028]第四，因为采用基于拉普拉斯滤波器构建的边缘特征提取模块，所以在噪声的影响下能准确得到物体的边缘信息。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1是基于拉普拉斯滤波器的特征增强网络优化方法流程图；
[0031]图2(a)是本专利技术训练阶段的网络结构图示意图；
[0032]图2(b)是本专利技术实际使用阶段的网络结构图示意图；
[0033]图3是本专利技术的卷积注意力模块结构图；
[0034]图4是本专利技术的通道注意力模块示意图；
[0035]图5是本专利技术的空间注意力模块示意图；
[0036]图6(a)是原始遥感图像；
[0037]图6(b)是采用Ground Truth对原始遥感图像处理后的结果；
[0038]图6(c)是采用U
‑
Net VGG16对原始遥感图像处理后的结果；
[0039]图6(d)是采用U
‑
Net ResNet50对原始遥感图像处理后的结果；
[0040]图6(e)是采用本专利技术的模型对原始遥感图像处理后的结果。
具体实施方式
[0041]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0042]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于拉普拉斯滤波器的遥感图像分割方法，其特征是，包括：基于拉普拉斯滤波器构建边缘特征提取模块；基于通道注意力模块和空间注意力模块，构建卷积注意力模块；基于边缘特征提取模块和卷积注意力模块，构建遥感图像分割模型；构建训练集，采用训练集对遥感图像分割模型进行训练，得到训练后的遥感图像分割模型；对训练后的遥感图像分割模型，移除边缘特征提取模块和卷积注意力模块，得到语义分割模型；获取待分割的遥感图像，采用语义分割模型，对待分割的遥感图像进行处理，得到分割后的图像。2.如权利要求1所述的基于拉普拉斯滤波器的遥感图像分割方法，其特征是，所述基于拉普拉斯滤波器构建边缘特征提取模块，具体包括：将拉普拉斯核写成滤波掩模，在原始遥感图像上逐行移动滤波掩模后，然后将滤波掩模中的值乘以与原始遥感图像对应的像素，将乘积相加，将相加得到的求和结果分配给与滤波掩模中心重合的像素，对原始遥感图像第一行和最后一行的像素赋零。3.如权利要求1所述的基于拉普拉斯滤波器的遥感图像分割方法，其特征是，所述遥感图像分割模型，其网络结构包括：依次连接的编码器和解码器；所述编码器，包括：依次连接的第一编码单元、第二编码单元、第三编码单元、第四编码单元和第五编码单元；所述第一编码单元，包括：依次连接的卷积块j1、卷积块j2、池化层h1、下采样层c1；卷积块j1用于输入遥感图像；所述第二编码单元，包括：依次连接的卷积块j3、卷积块j4、边缘特征提取模块b1、池化层h2、下采样层c2；卷积块j3与下采样层c1连接；所述第三编码单元，包括：依次连接的卷积块j5、卷积块j6、卷积块j7、边缘特征提取模块b2、池化层h3、下采样层c3；卷积块j5与下采样层c2连接；所述第四编码单元，包括：依次连接的卷积块j8、卷积块j9、卷积块j10、边缘特征提取模块b3、池化层h4、下采样层c4；卷积块j8与下采样层c3连接；所述第五编码单元，包括：依次连接的卷积块j11、卷积块j12、卷积块j13、边缘特征提取模块b4、池化层h5、下采样层c5；卷积块j11与下采样层c4连接。4.如权利要求3所述的基于拉普拉斯滤波器的遥感图像分割方法，其特征是，所述解码器，包括：依次连接的第一解码单元、第二解码单元、第三解码单元、第四解码单元和第五解码单元；所述第一解码单元，包括：依次连接的上采样层s1、卷积块j14、卷积块j15、卷积块j16；所述第二解码单元，包括：依次连接的上采样层s2、卷积块j17、卷积块j18、卷积块j19；上采样层s2与卷积块j16连接；所述第三解码单元，包括：依次连接的上采样层s3、卷积块j20、卷积块j21、卷积块j22；
上采样层s3与卷积块j19连接；所述第四解码单元，包括：依次连接的上采样层s4、卷积块j23、卷积块j24；上采样层s4与卷积块j22连接；所述第五解码单元，包括：依次连接的上采样层s5、卷积块j25、卷积块j26和softmax激活函数层；上采样层s5与卷积块j24连接。...

【专利技术属性】
技术研发人员：徐涛，沈源，陈伟平，刘振，杨晓晖，董立凯，
申请(专利权)人：济南大学，
类型：发明
国别省市：