[发明专利]一种融合边缘检测的遥感影像语义分割方法及装置

说明书

本发明提出一种融合边缘检测的遥感影像语义分割方法及装置，所述方法包括：根据高分辨率遥感影像制作训练样本；分别训练HED边缘检测模型和图像语义分割模型；使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图，对所述边缘概率图进行后处理；使用训练好的图像语义分割模型对所述待分割遥感影像进行影像分割；将所述边缘检测后处理的结果与所述影像分割后的图像基于地理位置进行叠加，得到待分割遥感影像的语义分割矢量结果。本发明结合了边缘检测模型，分割对象的边缘更加精确，减少了对语义分割模型的精度依赖，大幅降低大型图像语义分割模型的复杂度，且模型具有可拓展性。

技术领域

本发明属于测绘遥感/图像处理领域，具体涉及一种融合边缘检测的遥感影像语义分割方法及装置。

背景技术

随着高分辨率遥感卫星资源和数据量的日益增多，遥感获取的地物信息越来越精细，同时也给图像解译技术带来了更大的挑战。遥感图像分割是一种自动化或半自动化的遥感图像解译手段，能将遥感图像像元标记为一个个具有语义概念的对象，目前在遥感图像分析中的应用越来越普遍。常见的遥感商业软件如ENVI、Erdas和PCI等都集成了遥感图像分割算法，同时也存在像易康这样功能强大的专业遥感图像分割平台。遥感图像分割技术经历了基于像元的分割、面向对象分割和基于深度学习的图像分割三个阶段。目前面向对象分割技术仍然是使用较多一种分割手段，但其分割参数调节过于复杂，需要大量的人工干预，且容易出现过分割和欠分割现象。基于深度学习的图像语义分割算法则不需要进行繁琐的参数调节或人工干预，在具有一定数量标记样本的情况下，可以自动寻找图像分割特征并能取得比较理想的分割效果，且分割效率明显高于面向对象的方法，是目前遥感图像分割领域的研究热点。

目前常用的深度遥感图像语义分割算法有FCN、U-Ne和Mask R-CNN等，这些算法在常见的图像数据集中如2012 PASCAL VOC、COCO和Cityscapes等都能取得不错的分割效果。不同于常规图像，遥感图像的复杂性更高，地物类型繁多，表现形式多样化，同一属性的地物在不同空间位置和时间点的情况下也会呈现出不同的特征，这给图像分割算法都带来了很大的挑战。常见的语义分割算法分割不够精细，输出的预测标签比较粗糙，即使一些改进模型不断涌现，并通过数据增强、CRF后处理等方式优化分割结果，仍然难以取得理想的分割效果。其中一个比较明显的问题是分割对象边缘不准确，尤其是相邻的同一属性地物边界经常串联在一起，在很多需要精确确定边缘位置的应用场景中如田块分割、对象计数等会出现明显的偏差。

发明内容

针对现有遥感影像深度语义分割算法分割对象边缘不准确的问题，本发明提出一种融合了边缘检测算法的遥感影像深度语义分割方法及装置，明显提升了分割对象的边缘精度。

本发明第一方面，提出一种融合边缘检测的遥感影像语义分割方法，所述方法包括：

S1、根据高分辨率遥感影像制作用于边缘检测的第一训练样本和用于语义分割的第二训练样本；

S2、通过所述第一训练样本训练HED边缘检测模型，同时通过所述第二训练样本训练图像语义分割模型；

S3、使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图，对所述边缘概率图进行后处理；

S4、使用训练好的图像语义分割模型对所述待分割遥感影像进行影像分割；

S5、将所述边缘检测后处理的结果与所述影像分割后的图像基于地理位置进行叠加，得到待分割遥感影像的语义分割结果。

优选的，所述步骤S1的具体过程为：

S11、绘制每个地物对象的封闭边界并保存为第一多边形矢量格式，用不同的整数值对绘制的每类地物属性进行标记并保存为第二多边形矢量格式；

S12、将所述第一多边形矢量转换为线矢量后栅格化，按照固定的长和高进行采样制作第一训练样本；