【技术实现步骤摘要】
本专利技术涉及图像分割处理领域，具体涉及一种基于边界增强和特征感知的灾后建筑图像分割方法。
技术介绍
1、自然灾害种类繁多，对各类建筑造成了各种各样的损害，因此准确评估建筑的受损情况对我国和社会具有重要意义。传统方法，通常使用人工去评估建筑的受损情况，费时费力，严重浪费资源。深度学习和人工智能技术的快速发展，对遥感建筑影像的分割和评估产生了巨大的推动作用。但是，自然灾害对建筑的损伤情况不同，这使得遥感图像分割仍是一项具有挑战性的任务，例如，遥感建筑图像具有复杂的上下文环境，包括建筑结构边界的模糊性以及形状的复杂性，导致很难有效的对遥感图像进行分割。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种对自然灾害各种场景影像进行分析，为应急管理部门提供一份可靠的分割图像数据的方法。
2、本专利技术克服其技术问题所采用的技术方案是：
3、一种基于边界增强和特征感知的灾后建筑图像分割方法，包括如下步骤：
4、a)获取灾后建筑遥感图像iinput；
5、b)建立动态感知编码器网络dae，将灾后建筑遥感图像iinput输入到动态感知编码器网络dae中，输出得到特征fdae1、特征fdae2、特征fdae3、特征fdae4；c)对灾后建筑遥感图像iinput进行预处理，得到特征fsobel1、特征fsobel2、特征fsobel3、特征fsobel4；
6、d)建立特征-sobel融合编码器f-sfe，将特征fdae1、特征
7、e)建立上采样残差解码器，将融合特征ffusion输入到上采样残差解码器中，输出得到灾后遥感建筑分割图像iseg。
8、进一步的，步骤b)包括如下步骤：
9、b-1)动态感知编码器网络dae由第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块构成，第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块均由全局映射模块、局部映射模块、sigmoid激活函数构成，全局映射模块依次由第一卷积层、第一batchnorm2d层、relu激活函数、第二卷积层、第二batchnorm2d层构成，局部映射模块依次由自适应平均池化层、卷积层、batchnorm2d层、relu激活函数构成；
10、b-2)将灾后建筑遥感图像iinput输入到第一动态感知模块的全局映射模块中，输出得到特征fg1，将灾后建筑遥感图像iinput输入到第一动态感知模块的局部映射模块中，输出得到特征fl1，将特征fg1与特征fl1进行相加操作，得到特征fgl1，将特征fgl1输入到第一动态感知模块的sigmoid激活函数中，输出得到特征fsig1，通过公式fdae1＝fl1*fsig1+fg1*(1-fsig1)计算得到特征fdae1；
11、b-3)将特征fdae1输入到第二动态感知模块的全局映射模块中，输出得到特征fg2，将特征fdae1输入到第二动态感知模块的局部映射模块中，输出得到特征fl2，将特征fg2与特征fl2进行相加操作，得到特征fgl2，将特征fgl2输入到第二动态感知模块的sigmoid激活函数中，输出得到特征fsig2，通过公式fdae2＝fl2*fsig2+fg2*(1-fsig2)计算得到特征fdae2；
12、b-4)将特征fdae2输入到第三动态感知模块的全局映射模块中，输出得到特征fg3，将特征fdae2输入到第三动态感知模块的局部映射模块中，输出得到特征fl3，将特征fg3与特征fl3进行相加操作，得到特征fgl3，将特征fgl3输入到第三动态感知模块的sigmoid激活函数中，输出得到特征fsig3，通过公式fdae3＝fl3*fsig3+fg3*(1-fsig3)计算得到特征fdae3；
13、b-5)将特征fdae3输入到第四动态感知模块的全局映射模块中，输出得到特征fg4，将特征fdae3输入到第四动态感知模块的局部映射模块中，输出得到特征fl4，将特征fg4与特征fl4进行相加操作，得到特征fgl4，将特征fgl4输入到第四动态感知模块的sigmoid激活函数中，输出得到特征fsig4，通过公式fdae4＝fl4*fsig4+fg4*(1-fsig4)计算得到特征fdae4。
14、优选的，第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第一卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第二卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的局部映射模块的卷积层的卷积核大小均为1×1、步长均为1、填充均为0。
15、进一步的，步骤c)包括如下步骤：
16、c-1)通过opencv库中的sobel()函数提取灾后建筑遥感图像iinput的灾后建筑sobel图像，得到图像isobel；
17、c-2)将图像isobel输入到resnet-50网络的stage1模块中，输出得到特征fsobel1；c-3)将特征fsobel1输入到resnet-50网络的stage2模块中，输出得到特征fsobel2；
18、c-4)将特征fsobel2输入到resnet-50网络的stage3模块中，输出得到特征fsobel3；
19、c-5)将特征fsobel3输入到resnet-50网络的stage4模块中，输出得到特征fsobel4。
20、进一步的，步骤d)包括如下步骤：
21、d-1)特征-sobel融合编码器f-sfe由第一特征-sobel融合模块、第二特征-sobel融合模块、第三特征-sobel融合模块、第四特征-sobel融合模块构成,第一特征-sobel融合模块、第二特征-sobel融合模块、第三特征-sobel融合模块、第四特征-sobel融合模块均由第一卷积层、第二卷积层、第三卷积层、sigmoid激活函数构成；
22、d-2)将特征fdae1输入到第一特征-sobel融合模块的第一卷积层中，输出得到特征fv1，将特征fsobel1输入到第一特征-sobel融合模块的第二卷积层，输出得到特征fk1，将特征fsobel1输入到第一特征-sobel融合模块的第三卷积层，输出得到特征fq1，将特征fk1与特征fv1进行相加操作，得到特征fkv1，将特征fkv1输入到第一特征-sobel融合模块的sigmoid激活函数中，输出得到fkv_sig1，通过公式ffusion1＝fq1*(1+fkv_s本文档来自技高网...
【技术保护点】
1.一种基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤b)包括如下步骤：
3.根据权利要求2所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于：第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第一卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第二卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的局部映射模块的卷积层的卷积核大小均为1×1、步长均为1、填充均为0。
4.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤c)包括如下步骤：
5.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤d)包括如下步骤：
6.根据权利要求5所述
7.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤e)包括如下步骤：
8.根据权利要求7所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于：上采样残差解码器的卷积层的卷积核大小为1×1、步长为1、填充为0；第一上采样残差模块、第二上采样残差模块、第三上采样残差模块、第四上采样残差模块的第一上采样分支模块的卷积层的卷积核大小均为3×3、步长均为1、填充均为0；一上采样残差模块、第二上采样残差模块、第三上采样残差模块、第四上采样残差模块的第二上采样分支模块的卷积层的卷积核大小均为3×3、步长均为1、填充均为0。
...【技术特征摘要】
1.一种基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤b)包括如下步骤：
3.根据权利要求2所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于：第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第一卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的全局映射模块的第二卷积层的卷积核大小均为3×3、步长均为1、填充均为1；第一动态感知模块、第二动态感知模块、第三动态感知模块、第四动态感知模块的局部映射模块的卷积层的卷积核大小均为1×1、步长均为1、填充均为0。
4.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤c)包括如下步骤：
5.根据权利要求1所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于，步骤d)包括如下步骤：
6.根据权利要求5所述的基于边界增强和特征感知的灾后建筑图像分割方法，其特征在于：第一特征-sobel融合模块、第二...
【专利技术属性】
技术研发人员：袁庆禄，王淑娟，张德望，孙岩，
申请(专利权)人：防灾科技学院，
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。