System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及遥感图像处理,尤其涉及一种遥感图像分割方法及系统。
技术介绍
1、近年来,地表水引发的洪水和水污染问题已成为人类社会关注的热点问题。因此,能够及时检测河流的健康状况对于洪水预警和灾后评估至关重要。合成孔径雷达(synthetic aperture radar,sar)卫星使用微波波段对地观测,穿透力强,具有全天时全天候的工作特点,非常适合多云多雨地区对地观测。随着技术的发展,遥感图像在水体分割中的作用越来越明显。与现场调查相比,它节省了人力和物力,避免了现场调查中的各种风险。基于sar遥感图像的水体分割算法在水资源调查、生态评价、洪涝灾情应对等方面具有重要的作用。
2、自2012年以来,神经网络对sar图像的水体分割一直是遥感应用领域的重要组成部分。2015年,long等人提出了全卷积网络(fully convolutional networks,fcn),fcn将图像级的分类网络拓展为像素级分类网络,并且实现了端到端的网络训练,是将深度神经网络应用于图像语义分割的开山之作。ronneberger等人提出了一种unet模型,该模型能融合低维与高维特征,通过跳跃连接将网络的浅层特征信息传递到深层,使得分割精度得到较大提高。2017年,badrinarayanan等人提出了segnet,该模型通过上采样层和反卷积层解码特征,缓解了内存压力和模型复杂度。2017年,zhao等人的pspnet模型的主要创新点是提出了空间金字塔模块,图像的上下文信息和多尺度信息会被提取,分割层就有了更多的全局信息。
3、
4、需要说明的是,在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、有鉴于此,本申请实施例至少提供一种遥感图像分割方法及系统,可以抑制遥感图像中的噪声,提升了模型对于水体细节特征的提取能力,可以有效提高遥感图像中水体的分割精度。
2、本申请主要包括以下几个方面:
3、第一方面,本申请实施例提供一种遥感图像分割方法,所述方法包括:
4、获取待分割的目标遥感图像;
5、将所述目标遥感图像输入训练好的目标改进型神经网络模型,得到目标分割图像;
6、其中,所述目标改进型神经网络模型为将通道注意力模块添加至全卷积神经网络模型后进行训练后得到的模型;所述目标改进型神经网络模型中的解码器包括多层解码网络,每层解码网络后添加有所述通道注意力模块。
7、第二方面,本申请实施例还提供一种遥感图像分割系统,所述系统包括获取模块和输入模块;
8、所述获取模块,用于获取待分割的目标遥感图像;
9、所述输入模块,用于将所述目标遥感图像输入训练好的目标改进型神经网络模型,得到目标分割图像;
10、其中,所述目标改进型神经网络模型为将通道注意力模块添加至全卷积神经网络模型后进行训练后得到的模型;所述目标改进型神经网络模型中的解码器包括多层解码网络,每层解码网络后添加有所述通道注意力模块。
11、第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的遥感图像分割方法的步骤。
12、第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的遥感图像分割方法的步骤。
13、本申请实施例提供的遥感图像分割方法及系统,采用将通道注意力模块添加至全卷积神经网络模型后进行训练后得到目标改进型神经网络模型对遥感图像进行水体分割,与现有技术中单纯采用神经网络、全卷积网络等进行水体分割,使得一般的基于卷积神经网络的分割模型无法集中关注于水体区域,从而导致水体分割的精度不高相比,本申请在解码器的每一层解码网络的最后添加通道注意力模块,这样,可以抑制遥感图像中的噪声,提升了模型对于水体细节特征的提取能力,可以有效提高遥感图像中水体的分割精度。
14、为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种遥感图像分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述通道注意力模块包括压缩层、激励层和缩放层;其中,所述压缩层由全局平均池化层构成;所述激励层由第一全连接层、第一激活函数、第二全连接层、第二激活函数顺次连接构成;所述第一全连接层有n的神经元,所述第二全连接层有C个神经元,C为通道数,n=C×缩放参数;所述缩放层用于进行通道权重相乘的操作。
3.根据权利要求1所述的方法,其特征在于,所述目标改进型神经网络模型中的编码器包括第一编码网络、第二编码网络、第三编码网络、第四编码网络、第五编码网络,所述解码器包括第一解码网络、第二解码网络、第三解码网络、第四解码网络。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标遥感图像输入训练好的目标改进型神经网络模型,得到目标分割图像,包括:
5.根据权利要求1所述的方法,其特征在于,在所述获取待分割的目标遥感图像之前,根据以下步骤训练得到所述目标改进型神经网络模型:
6.根据权利要求5所述的方法,其特征在于,所述基于多个第一样本遥感
7.根据权利要求6所述的方法,其特征在于,所述Dice系数的数学表达式为;Dice损失函数的数学表达式为;表示X和Y之间交集元素的个数,和分别表示X、Y中元素的个数,X表示任意第一样本遥感图像的标签图像,Y表示针对所述第一样本遥感图像模型预测的样本分割图像。
8.根据权利要求5所述的方法,其特征在于,在所述基于多个第一样本遥感图像和每个第一样本遥感图像的标签图像对所述初始改进型神经网络模型进行训练,得到所述目标改进型神经网络模型之后,所述方法还包括:
9.根据权利要求8所述的方法,其特征在于,根据以下步骤获取所述第一样本遥感图像和所述第二样本遥感图像:
10.一种遥感图像分割系统,其特征在于,所述遥感图像分割系统包括获取模块和输入模块;其中,
...【技术特征摘要】
1.一种遥感图像分割方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述通道注意力模块包括压缩层、激励层和缩放层;其中,所述压缩层由全局平均池化层构成;所述激励层由第一全连接层、第一激活函数、第二全连接层、第二激活函数顺次连接构成;所述第一全连接层有n的神经元,所述第二全连接层有c个神经元,c为通道数,n=c×缩放参数;所述缩放层用于进行通道权重相乘的操作。
3.根据权利要求1所述的方法,其特征在于,所述目标改进型神经网络模型中的编码器包括第一编码网络、第二编码网络、第三编码网络、第四编码网络、第五编码网络,所述解码器包括第一解码网络、第二解码网络、第三解码网络、第四解码网络。
4.根据权利要求3所述的方法,其特征在于,所述将所述目标遥感图像输入训练好的目标改进型神经网络模型,得到目标分割图像,包括:
5.根据权利要求1所述的方法,其特征在于,在所述获取待分割的目标遥感图像之前,根据以下步骤训练得到所述目标改进型神经...
【专利技术属性】
技术研发人员:刘兰玉,朱司宏,王丹彤,刘济南,于雯,赵旭东,
申请(专利权)人:山东省地质测绘院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。