[发明专利]基于全卷积网络和条件随机场的地物覆盖率计算方法

说明书

本发明公开了基于全卷积网络和条件随机场的地物覆盖率计算方法，包括以下步骤：构建全卷积神经网络；制作训练数据：对采集的遥感图像根据待分割类别进行逐像素分割，对遥感图像进行数据增强，构建语义分割数据集；训练全卷积神经网络：将所得的语义分割数据集输入所构建好的全卷积神经网络，不断迭代训练，更新网络参数，直至训练结果满足预设的收敛条件；遥感图像分割：利用训练好的全卷积神经网络对待分割图像进行语义分割，得到各类地物初步分割结果；分割结果优化；计算地物覆盖率信息。本发明无需利用专业软件，也能很好地解决传统分割算法不能解决的问题。

技术领域

本发明涉及遥感图像地物覆盖率算法，具体涉及基于全卷积网络和条件随机场的地物覆盖率计算方法。

背景技术

地物覆盖率信息是遥感图像信息中重要的一部分，现有方式大多是利用ENVI等专业软件根据遥感图像多光谱信息来粗略统计覆盖率或是直接利用遥感图像统计地物覆盖率；目前直接利用遥感图像统计地物覆盖率需要采用传统的遥感图像分割方法，但是，传统的遥感图像分割方法例如利用亮度、纹理等特征的方法、利用K-means聚类的方法、HOG方法等又常常需要添加过多的先验信息，甚至需要手动提取特征，局限性较大，泛化能力也不强，很多情况下，传统方法在精度和速度上无法满足需求，已经不能满足现有要求。

发明内容

本发明所要解决的技术问题是目前无法通过遥感图像精确快速地统计地物覆盖率信息，目的在于提供基于全卷积网络和条件随机场的地物覆盖率计算方法，解决目前无法通过遥感图像精确快速地统计地物覆盖率信息的问题。

本发明通过下述技术方案实现：

基于全卷积网络和条件随机场的地物覆盖率计算方法，包括以下步骤：

S1、构建全卷积神经网络；

S2、制作训练数据：对采集的遥感图像根据待分割类别进行逐像素分割，对遥感图像进行数据增强，构建语义分割数据集；

S3、训练全卷积神经网络：将步骤S2所得的语义分割数据集输入步骤S1所构建好的全卷积神经网络，不断迭代训练，更新网络参数，直至训练结果满足预设的收敛条件；

S4、遥感图像分割：利用步骤S3训练好的全卷积神经网络对待分割图像进行语义分割，得到各类地物初步分割结果；

S5、分割结果优化：对步骤S4所得的分割结果进行后处理，引入条件随机场，对分割结果进行重构、优化，得到精度更高的分割结果；

S6、计算地物覆盖率信息：根据步骤S5所得的分割结果，进行各类地物的覆盖率计算。

所述各类地物包括水体、植被、建筑、道路。

本发明无需利用专业软件，也能很好地解决传统分割算法不能解决的问题，即便在遥感图像受天气、光照等因素影响较大的情况下，依然准确快速地统计地物覆盖率信息，甚至可以为专业应用部门提供具有类别、面积等有效信息的可视化结果。本发明是对传统遥感图像地物覆盖率计算方式的改进和创新，是一种利用深度学习方法直接根据遥感图像自动获取地物覆盖率信息的一种方法，实现了快速、准确获取遥感图像中地物类别及其覆盖率信息的功能，相较于传统方式，运算速度快，精确度高，适应性广。

步骤S1中构建的全卷积神经网络是在ResNet-50卷积神经网络的基础上，添加了并行的不同扩张率的带孔卷积模块，使模型成为具有图像分割功能的网络模型。

步骤S3利用反向传播机制，根据softmax分类函数进行分类计算，计算预测值与真实值误差，以两者交叉熵作为反向传播动力，不断反复迭代，调整网络参数，并引入poly方法调整网络学习率，直至网络达到预设的收敛条件。

步骤S4中实现遥图像分割的方法为：将待分割遥感图像切割成N×N子块，依序输入全卷积神经网络，得到各子块的分割结果，再按原分割顺序拼接，得到整幅遥感图像的分割结果。