[发明专利]一种语义边缘主导的高分遥感影像分割方法

说明书

一种语义边缘主导的高分遥感影像分割方法，包括获取数据、设计网络、准备模型、生产边缘、形态学后处理、矢量化的步骤。本发明利用卷积神经网络的特征学习能力以及池化操作形成多尺度融合，从遥感影像中提取符合视觉特征的地物对象边缘；本发明可以采用预训练边缘模型或基于局部人工勾绘成果重新训练模型，分别对应分割任务中的非监督和监督方法；通过对边缘细化及延长连接形成相对精准及完整的地物边界，将边界矢量化形成分割所需地物多边形。由此方法生成的地物多边形能基本吻合地物在影像上的视觉边界，克服传统分割对象中大部分过分割与欠分割现象，为地物精细形态确定、类型识别、大规模信息提取提供有效支持。

技术领域

本发明涉及遥感影像处理技术及遥感影像信息提取方法，具体地说，涉及遥感影像的地物对象分割及其面向深度语义边缘的实现方法，本发明可适用于多种高分遥感影像的监督或非监督分割。

背景技术

随着遥感影像空间分辨率的不断提高，特别是近年来无人机等航空影像的普及，空间地物被巨细无遗的反映在影像上，如何快速精准地从这些数据中划分出有地学意义的对象一直是遥感生产应用人员重点关注的问题。在历次全国性土地调查、国情普查中，图斑勾画也一直是最繁重的内业工作，影像分割作为解决方案一直是研究热点，特别是在面向对象分析流程中，分割作为对象生成的主要方法是不可或缺的步骤，尽管多年研究已有较大进步，但遥感影像反映的地物目标越来越复杂，应用要求的精度越来越高，包括eCognition等商业软件在内的分割方案仍难以真正满足实际需求。本发明受最新机器学习及计算机视觉方法所启发，尝试利用深度学习技术从高分遥感影像中主动学习地物边缘视觉特征，模拟目视解译过程构建地物多边形，从而快速稳健生产符合视觉习惯的分割结果，支撑目标识别、地物分类、变化检测等各类信息提取应用。

传统影像分割方法主要分为基于线划分和基于面聚合两大类方法，其中尤以后者更为普及，前者受制于边缘线提取技术的不足，断线、冗余等现象难以克服，很难自适应用于大量高分影像。随着FNEA、MeanShift、分水岭等多尺度分割方法的推广，以区域生长合并为主要流程的方法也逐渐占据研究主流，遥感影像的光谱、纹理、形态等特征被设计探讨用于区域合并依据，对象最优尺度参数也被研究作为迭代合并的终止条件，超像素等方法被引入用于初始待合并区域的生成等。这些方法从精度上有所改进，但从流程上始终将影像局部数字信息作为计算依据，难以考虑地物不同类型间的整体差异，因此计算结果无法避免地会出现大量过分割与欠分割现象，与目视勾画结果差异巨大。

随着深度学习在计算机视觉中的广泛应用，语义分割、实例分割、全景分割等新概念与方法的提出为遥感影像分割方鞌带来了全新的视角。这些分割方法大多基于深度卷积神经网络实现，通过为影像中每一个像素赋予类型标签而实现目标划分，从FCN开始，U-Net、Deeplab、PSPNet、Mask-RCNN等各类网络方法层出不穷，在Cityscapes、COCO等公开数据集上取得了越来越高的精度。然而这些方法多为针对自然图像而设计，其面向的自然目标多为图像聚焦信息，神经网络中卷积过程会丢弃大量细节信息，而且以交并比作为评价指标也难以凸显目标边界的重要性，因此将这些方法直接用于高分遥感影像分割，尽管能取得一定效果，但从地物分割边界角度来看往往具有较大偏差，难以直接应用。

实际上深度学习的发展也改进了传统边缘提取方法，神经网络在卷积过程中不断扩大感受野，主动学习从细到粗的多尺度视觉特征，可以从根本上改变过去设计特征并计算边缘的过程，因此HED、RCF等边缘提取方法无论在边缘完整度还是平均精度上都有长足进步。但从目前可见专利/文献来看，还未有真正基于这种改进的边缘去做实用影像分割的方法，而这正是本发明希望重点实现并推广的。

发明内容

本发明克服现有技术的上述缺点，提供一种针对高分遥感影像的分割方法，具体是通过卷积神经网络主动学习影像多尺度边缘特征，将多尺度特征合并输出为符合视觉判断的语义边缘并以此主导地物对象多边形的构建，从而可以部分甚至完全取代目视勾画图斑的繁重工作。