[发明专利]一种基于改进U-NET网络的图像语义分割方法

说明书

本发明公开了一种基于改进U‑NET网络的图像语义分割方法，包括：步骤1：对输入图像依次进行不同尺度的下采样，并提取不同尺度的图像特征；步骤2：对所提取各尺度的图像特征分别进行空洞卷积操作，之后进行图像特征融合；步骤3：对融合后的图像特征进行通道叠加，并从高维特征逐一映射到低维特征，生成多通道的映射结果；步骤4：对各尺度的映射结果进行上采样，获得预测结果，对预测结果可视化，将one‑hot编码结果转换为可见的图片。本发明基于改进U‑net的图像语义分割方法，将其运用于航拍图像分割问题上，较U‑net有更好的识别准确率。

技术领域

本发明属于图像分割技术领域，具体涉及一种基于改进U-NET网络的图像语义分割方法。

背景技术

深度学习领域的U-net神经网络最开始是用于医学图像领域。由于U-net神经网络有着很多优点，于是很多学者将其迁移使用到了其他计算机视觉领域上，发现其在不同的图像处理上仍然表现出优异的性能，并在多项相关图像处理比赛上远远超越其他算法，长期位居多项榜首。

发明内容

本发明的目的是将U-net神经网络运用于无人机图像的处理上，提供了一种基于改进U-NET网络的图像语义分割方法。

本发明基于U-net神经网络对无人机航拍的俯瞰图片进行像素级的语义分割，来达到识别地物种类及其所包含的像素。在使用U-net神经网络对航拍图像进行语义分割时发现，若使用传统的U-net神经网络，预测精度还有待提高。因此本发明对传统U-net神经网络做了相应改进。

本发明提供的一种基于改进U-NET网络的图像语义分割方法，包括：

步骤1：对输入图像依次进行不同尺度的下采样，并提取不同尺度的图像特征；

步骤2：对所提取各尺度的图像特征分别进行空洞卷积操作，之后进行图像特征融合；

步骤3：对融合后的图像特征进行通道叠加，并从高维特征逐一映射到低维特征，生成多通道的映射结果；

步骤4：对各尺度的映射结果进行上采样，获得预测结果，对预测结果可视化，将one-hot编码结果转换为可见的图片。

进一步的，步骤1中，利用2×2的最大池化对输入图像进行不同尺度的下采样。

进一步的，步骤3中，利用2×2的反卷积来进行逐一映射。

进一步的，以上步骤中的所有普通卷积和空洞卷积操作之前均进行补零操作。

本发明基于改进U-net的图像语义分割方法，将其运用于航拍图像分割问题上，用同样的小样本数据集进行训练、验证、测试，发现改进后的atrous-unet网络较U-net有更好的识别准确率,能够达到73％以上。

附图说明

图1为传统的U-net神经网络结构示意图；

图2为改进的U-net神经网络结构示意图；

图3为实施例中下采样示意图；

图4为普通卷积和空洞卷积的对比示意图；

图5为实施例中反卷积示意图；

图6为实施例中的训练样本；

图7为实施例中的测试样本；

图8～9为实施例中采用传统U-net神经网络的图像分割结果；

图10～11为实施例中采用改进U-net神经网络的图像分割结果。

具体实施方式

为便于理解本发明，下面将对本发明技术原理、实施过程及技术效果进行详细说明。