【技术实现步骤摘要】
本专利技术属于图像分割，具体涉及基于局部一致性和伪标签过滤的遥感图像分割方法。
技术介绍
1、遥感图像分割是对遥感图像进行像素级分类，将遥感图像的每一个像素分为特定类别标签的过程和技术。基于监督学习的图像分割模型通过利用足够量精确的人工标记数据，在自然图像和遥感图像解译领域取得了显著成就。然而在一些实际应用场景中，很难获得高质量的标记数据，而很容易获得大量原始数据，尤其是对于高分辨率的遥感图像。它将消耗大量的资源，因为它对标记人员的专业性要求很高，并且劳动力成本也很高。为了缓解这个问题，一个自然的想法是在只有少量标记数据可用的情况下利用大量原始数据来辅助模型学习，称为半监督学习。现有的 ssl 方法大多侧重于图像分类任务，可以分为两种主流策略，即自训练（st）和一致性正则化（cr）。st通过在预定义的置信度阈值下使用未标记数据的高质量伪标签扩展训练集并进行再训练来改进模型。cr 通过强制模型预测在不同的扰动包括输入、特征或网络扰动下保持一致来改善 ssl 的性能。另一种流行的 ssl 系列采用强数据增强（sda）来增强模型的鲁棒性和泛化，从而获得更好的性能。
2、尽管半监督图像分割在自然图像解释领域取得了重大进展，但针对半监督 rs 图像分割的研究却很少。其中，2022年tgars期刊上发表的论文 simple and efficient: asemisupervised learning framework for remote sensing image semanticsegmentation，为半监督图像分割
3、然而，上述方法并未针对遥感图像中物体密集、背景差异大、尺寸变化范围大、颜色和纹理差异大，较难得到局部一致性特征的问题设计对应的模块。对于伪标签中噪声过滤的设计也仅仅是根据类别或者根据整体的特征进行过滤，并没有综合考虑无标签数据的边缘信息、色彩形态信息。
技术实现思路
1、本专利技术的目的在于克服遥感图像中物体密集及背景差异大较难得到局部一致性特征，并且伪标签中存在大量噪声的问题，提出了基于局部一致性和伪标签过滤的遥感图像分割方法。
2、为达到上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供的基于局部一致性和伪标签过滤的遥感图像分割方法，包括以下步骤：
4、获取光学遥感数据集；
5、构建遥感图像分割模型，所述遥感图像分割模型包括局部一致性损失计算模块和伪标签过滤模块；
6、将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图。
7、进一步地，所述获取光学遥感数据集包括如下步骤：获取遥感图像，对遥感图像进行标注获得有标签数据和无标签数据，利用有标签数据和无标签数据构建光学遥感数据集；所述遥感图像为可见光模态遥感图像。
8、进一步地，所述将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图包括如下步骤：
9、划分有标签数据为训练集、验证集和测试集；
10、无标签数据通过遥感分割网络和伪标签过滤模块生成伪标签得到带伪标签的无标签数据；
11、对训练集进行增强得到增强后的有标签数据；
12、使用带伪标签的无标签数据和增强后的有标签数据对遥感分割网络进行有监督训练生成遥感图像分割模型；
13、将验证集输入遥感图像分割模型进模型验证，模型验证的任务类型包括模型评估任务和模型推理任务，通过模型推理任务得到遥感图像分割结果图。
14、进一步地，所述遥感分割网络采用swin transformer base作为encoder，upernethead作为decoder，并使用imagenet权重对encoder进行初始化。
15、进一步地，所述无标签数据通过遥感分割网络和伪标签过滤模块生成伪标签得到带伪标签的无标签数据，包括如下步骤：
16、将无标签数据输入遥感分割网络生成粗略伪标签；
17、粗略伪标签通过伪标签过滤模块过滤后得到伪标签；
18、所述粗略伪标签通过伪标签过滤模块过滤后得到伪标签，具体为：
19、将训练集输入swin transformer base得到特征图，对特征图进行聚类得到聚类后的图片；
20、将聚类后的图片与粗略伪标签相加后得到聚类块，计算每个聚类块的熵值；
21、所述每个聚类块的熵值的计算采用下式进行：
22、
23、其中，是分割网络对第个未标记图像在像素(h, w)处生成的softmax 概率值，是第维的，越高表示模型预测的不确定性越高，表示将熵图按升序逐像素排序；
24、根据熵值对所有聚类块进行排序，删去熵值排序前百分之五的聚类块得到去除高熵值聚类块后剩余的聚类块；
25、通过canny算子得到图像的边界信息，边界内每个区域的类别为累积像素点类别的最大值得到通过边界检测确定的区域类别；
26、综合去除高熵值聚类块后剩余的聚类块与通过边界检测确定的区域类别得到伪标签；
27、所述对训练集进行增强得到增强后的有标签数据，包括如下步骤：
28、将训练集在随机缩放、随机裁剪和随机水平翻转后进行颜色转换强增强得到增强后的有标签数据，所述随机缩放的尺度在0.5和2之间，0.5表示缩小至原始尺寸的50%，2表示放大至原始尺寸的200%。
29、进一步地，所述有监督训练具体为：
30、根据交叉熵损失计算公式和局部一致性对比损失计算公式计算损失；
31、所述交叉熵损失的计算公式如下所示：
32、
33、其中，是伪标签预测的类别，是真实标签的类别；
34、所述局部一致性对比损失的计算公式如下所示：
35、
36、其中，表示局部一致性对比损失，表示互信息，表示香农熵，)是给定时的条件熵，是一个patch中roi的数量，是有标签增强图中对应的roi，是有标签图的对应的roi；
37、根据损失对网络权重进行优化更新，采用adamw优化器和step学习率策略，前三分之二的训练轮数学习率为，后三分之一的训练轮数学习率为；
38、判断当前有监督训练的训练轮数epoch是否达到预设轮数，若是本文档来自技高网...
【技术保护点】
1.基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述获取光学遥感数据集包括如下步骤：获取遥感图像，对遥感图像进行标注获得有标签数据和无标签数据，利用有标签数据和无标签数据构建光学遥感数据集；所述遥感图像为可见光模态遥感图像。
3.根据权利要求2所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图包括如下步骤：
4.根据权利要求3所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述遥感分割网络采用Swin Transformer Base作为encoder，UperNetHead作为decoder，并使用ImageNet权重对encoder进行初始化。
5.根据权利要求4所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述无标签数据通过遥感分割网络和伪标签过滤模块生成伪标签得到带伪标签的无标签数据，包括如下步骤：
...【技术特征摘要】
1.基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述获取光学遥感数据集包括如下步骤：获取遥感图像，对遥感图像进行标注获得有标签数据和无标签数据，利用有标签数据和无标签数据构建光学遥感数据集；所述遥感图像为可见光模态遥感图像。
3.根据权利要求2所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述将光学遥感数据集输入遥感图像分割模型得到遥感图像分割结果图包括如下步骤：
4.根据权利要求3所述的基于局部一致性和伪标签过滤的遥感图像分割方法，其特征在于，所述遥感分割网络采用swin transformer base作为encoder，upernethead作为decoder，并使用imagenet权重对encoder进行初始化。
5.根据权利要求4所述的基于局部一致性和伪标签过滤的遥感图像分...
【专利技术属性】
技术研发人员：李玲玲，孙龙，张京，祖岩岩，焦李成，张丹，马文萍，邓颖敏，黄思婧，田小林，刘旭，
申请(专利权)人：西安电子科技大学，
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。