【技术实现步骤摘要】
本专利技术属于遥感影像处理，具体涉及一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法。
技术介绍
1、随着遥感技术的迅猛进步和广泛应用，遥感影像已经成为城市规划、环境保护、灾害预警与应对等诸多领域中不可或缺的信息资源。在这些实际应用场景中，如何从海量的遥感影像数据中精确而高效地提取出我们关心的目标区域，已成为当前研究的热点与难点。传统的全监督学习方法通常需要充足的标注数据作为训练基础，但在现实操作中，标注工作既费时又费力，往往难以获得充足的标注数据。因此，在有限标注数据的条件下，如何有效地实现遥感影像目标区域的精准提取，已成为亟待解决的挑战。
2、显著性分析作为一种高效的图像处理手段，有助于我们识别出遥感影像中的关键信息区域，这些区域往往与人类视觉感知高度吻合，蕴含着丰富的信息，对于后续的图像分析和处理具有至关重要的作用。基于此，国内外学者纷纷将视觉注意模型引入到遥感图像处理中，致力于探索遥感图像感兴趣区域的检测方法。如：zhu等人在文章“airportdetection based on saliency analysis and geometric feature detection forremote sensing images”中提出了一种基于显著性分析和几何特征检测的机场检测方法，该方法通过全局对比度和空间统一性检测显著区域并考虑机场的几何特征来提取目标。然而，传统的显著性分析方法在应对遥感影像数据集时可能会遭遇一定的挑战，这是因为遥感影像中的目标区域往往具有尺度多样、细节丰富、类内差异显著以及背景干
3、近年来，基于弱标注数据集进行学习的方法已成为遥感影像处理领域备受瞩目的研究热点。弱标注是指人们只需要为数据提供十分微弱的标注，例如图像所包含物体的种类标签，而更加详细的有关感兴趣物体的其他信息(如位置、大小、轮廓)则由所设计的弱监督学习算法自行挖掘，如：wang等人在文章“weakly-supervised semantic segmentationby iteratively mining common object features”中提出了一种迭代学习框架，通过交替进行自底向上和自顶向下的迭代过程，逐步改进对象区域的定位和分割网络的性能，从而实现了在仅有图像级标签的情况下进行有效的目标区域分割。
4、尽管在弱标注遥感影像感兴趣区域提取方面取得了一定进展，通过利用弱标签数据集训练的深度学习模型有效减少了标注成本，但仍面临三大挑战：一是相较于全监督方法，其提取准确性仍有待显著提升；二是遥感影像的复杂纹理和细节信息相较于自然景色图像，增加了区域分割的难度；三是现有模型的后处理步骤通常较为复杂，需要进一步优化。
5、为了进一步降低人力成本，本专利技术提出了一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法，旨在利用视觉显著性算法对无标注遥感影像实现目标区域定位，生成像素级伪标签，并通过基于特征交叉感知的感兴趣区域提取网络，充分感知图像间的特征信息，从而实现遥感影像的感兴趣区域精确分割。
技术实现思路
1、本专利技术的目的在于提供一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法，该方法用于对海量遥感影像中的目标区域进行精确检测并分割。传统遥感影像分割算法往往需要专家知识进行特征提取，对先验知识依赖高，泛化能力差。近年来，以深度学习为代表的语义分割方法发展迅速，然而，基于深度学习的模型性能依赖于充足且高精度的数据标注，遥感影像的精确标注往往要求具备深厚的领域专家知识，并涉及大量的人力、物力投入，因此本专利技术方法主要关注三个方面：
2、1)摆脱对标注精度的依赖，提高感兴趣区域提取精度；
3、2)不使用人工标注数据，避免人工成本消耗；
4、3)融合多种显著性特征，获得更为准确的定位信息。
5、本专利技术针对无标注的遥感影像数据集，首先，分别计算遥感影像中各窗口的光谱残差、光谱对比度和边缘密度，然后，根据窗口特征进行计算，得到伪标签显著图，最后，将伪标签显著图作为像素级伪标签，训练基于特征交叉感知的感兴趣区域提取网络，计算得到遥感影像的最终显著图，经过阈值分割后，得到感兴趣区域提取结果。具体包括以下步骤：
6、步骤一：计算光谱残差，即，对于数据集中的遥感影像i，规定采样窗口w，首先，计算i的光谱残差r(i)和相位光谱p(i)，然后，对r(i)和p(i)进行融合，融合后，得到遥感影像i的光谱残差特征图，最后，计算窗口w的光谱残差；
7、步骤二：计算光谱对比度，即，首先，将窗口w放大θsc倍，得到窗口w的周边范围surr(w,θsc)，然后，分别计算窗口w及其周边范围surr(w,θsc)的直方图，最后，计算两个直方图之间的卡方距离，得到窗口w的光谱对比度；
8、步骤三：计算边缘密度，即，首先，对遥感影像i进行边缘检测得到边缘图ied(p)，然后，依据ied(p)计算窗口w边界的边缘密度；
9、步骤四：计算伪标签显著图，即，根据窗口w的光谱残差、光谱对比度和边缘密度计算窗口的显著性值，并计算窗口中像素与窗口中心的距离，联合窗口显著性值与距离，计算图像中每个像素的显著性值，得到伪标签显著图；
10、步骤五：训练一个基于特征交叉感知的感兴趣区域提取网络，即，首先，构建一个双支路遥感影像感兴趣区域提取网络，并且在两个支路中插入协同通道注意力模块，然后，将遥感影像数据集随机平均分为两个子数据集，将步骤四生成的伪标签显著图作为像素级伪标签，最后，将两个子数据集分别输入两个支路，对感兴趣区域提取网络进行训练；
11、步骤六：在基于特征交叉感知的感兴趣区域提取网络训练完成后，在测试阶段，将遥感影像输入到训练好的网络，得到遥感影像的最终显著图；
12、步骤七：利用最大类间方差法，计算一组遥感影像最终显著图的分割阈值，利用该阈值将遥感影像的最终显著图分割为一幅二值图像模板，用“1”代表居民区，用“0”代表非居民区，最后，将二值图像模板与遥感影像相乘，得到最终的遥感影像感兴趣区域提取结果。
本文档来自技高网...【技术保护点】
1.一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法，本方法针对无标注的遥感影像数据集，首先，分别计算遥感影像中各窗口的光谱残差、光谱对比度和边缘密度，然后，根据窗口特征进行计算，得到伪标签显著图，最后，将伪标签显著图作为像素级伪标签，训练基于特征交叉感知的感兴趣区域提取网络，计算得到遥感影像的最终显著图，经过阈值分割后，得到感兴趣区域提取结果，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于无标注数据的弱监督遥感影像感兴趣区域提取方法，本方法针对无标注的遥感影像数据集，首先，分别计算遥感影像中各窗口的光谱残差、光谱对比度和边缘密度，然后，根据窗口特征进行计算，得到伪...
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。