[发明专利]一种结合随机游走的SegNet遥感图像语义分割方法

说明书

本发明涉及一种结合随机游走的SegNet遥感图像语义分割方法，分为SegNet初始分割步骤与随机游走优化分割步骤，SegNet初始分割步骤，通过SegNet输出初始的语义分割图像以及类别强度信息；随机游走优化分割步骤，首先选取随机游走种子区域，根据SegNet输出的分类性强度性信息，计算不同类别的分类显著性指标，设定阈值选取不同类别的种子区域；其次，根据原始图像梯度以及SegNet的分类强度信息，进行无向边权重的计算；第三步，从种子区域开始并结合无向边权重，在整幅初始分割图像上进行随机游走，最终得到在整幅图像上的优化分割结果。本发明在整幅图像上随机游走，实现预测误差与控制，大大减少边缘毛刺和斑块状分类误差，完成高精度的遥感图像语义分割。

技术领域

本发明涉及一种结合随机游走的SegNet(Random-Walk-SegNet)遥感图像语义分割方法，属于信息技术领域。

背景技术

近些年，遥感技术得到了飞速发展，遥感图像处理技术越来越多地应用在灾害分析、城市监测以及资源管理等领域。遥感图像变化检测是关键的技术之一，它可以根据不同时期的图像检测出某段时间内特定区域发生了何种变化以及发生变化的程度，语义分割是遥感图像变化检测中的一大核心问题，通过语义分割，可以获取到图像中每个像素点所属的地物目标类别信息，在此基础上可以通过比较获得两幅图像之间的变化信息。

图像语义分割指的是将图像中的像素按照语义的不同进行分割的过程，在遥感图像领域，多尺度、多种类型的语义分割一直是遥感图像处理的重点、难点。随着高分辨率遥感图像的广泛运用，遥感图像语义分割的出现新的挑战：1)图像中存在各种各样的物体，包括大型房屋、道路和小型汽车等，尺度的差异非常大导致很难同时很好地分割，需要不同层次、不同尺度的分割；2)图像的细节非常丰富，对于同一类物体，细节的增加导致其光谱可变性增大，如小树枝、屋顶、路标等等，类内方差增大，给分类带来困难；3)分割分类主要基于图像的纹理而不是单个像素的灰度级，在分割模型设计时需充分利用原始图像各类物体的整体信息。

图像语义分割方法经历了从基于像素阈值、基于聚类到基于图划分的发展历程。这些传统的语义分割方法大多基于像素的灰度级等低级的图像特征进行分割，对于拥有复杂、多变细节的图像，过于简单粗暴，很难达到高精度。基于深度学习的语义分割方法，存在边缘定位不精确、噪声毛刺多的问题。

基于深度学习的遥感图像语义分割大大提高了分割的精度，但随着高分辨率遥感图像的广泛运用，图像细节的增加为分类学习带来了很大干扰，容易出现不平滑的边缘和斑块状分类误差，增大了精确分割的难度。