[发明专利]一种遥感图像细弱目标分割方法

说明书

本发明提出的是一种遥感图像细弱目标分割方法。先对原始的遥感图像进行数据增强和相应预处理，借助DenseNet的稠密连接思想对U‑net进行改进，提出Dense‑Unet网络结构。通过在网络结构中使用稠密卷积，加强了各卷积通道之间的级联关系，又通过对称结构和跳跃连接思想，进一步使得各层特征之间的联系更加紧密，能够更有效地学习到细弱目标特征。为了保证最后网络识别的实时性，降低参数量，又在每个稠密块之后引入瓶颈层和批归一化层。使用代价敏感向量权重调整目标函数,解决分割目标类别不均衡问题，进一步提升分割精度。最后使用集成学习方法，训练多个独立模型并进行组合，共同对图片中的目标类别信息进行预测。

技术领域

本发明涉及的是一种数字图像处理方法，具体的说是一种对遥感图像中的细弱目标进行精准分割的方法。

背景技术

遥感图像目标分割是遥感图像目标识别的一个重要技术方法，其广泛应用于环境评测、交通规划、自动驾驶等多个领域。图像的语义分割是图像信息理解的关键，其基本原理是将像素按照图像中表达的语义含义不同进行不同区域的分割，即像素级的识别图像并标注出每个像素的对象类别。伴随着遥感技术的迅猛发展，高分辨率的遥感卫星图像具有观测范围广、包含物体信息多、信息特征提取困难等特点。传统的图像处理方法在在应对遥感图像目标提取的问题时，主要难度在于目标关键特征的选取，传统特征提取的方法依赖于领域专家的经验，虽然在某些问题下可以得到较好的结果，但是泛化能力很差，当遇到全新的任务时，再次选取特征需要浪费大量的时间。近些年随着深度学习尤其是深度卷积神经网络在计算机视觉领域得到迅猛发展以来，其对图像语义分割领域的发展同样起到了巨大的促进作用，深度卷积神经网络相比传统的方法，能够自动提取图像中的特征并进行训练,拥有良好的泛化性能。目前优秀的语义分割网络模型有SegNet,U-Net,DeepLab等等。其中DeepLab所使用的空洞卷积会导致很大的参数计算量，而且在遥感图像中实际的分割精度并不优于U-net,因此目前最常用的语义分割网络为前两种。

然而，以上的深度学习网络都需要较大规模的数据集和精确的人工标记，且都面临对于遥感图像中细弱目标特征不明显、类别非均衡、受背景干扰较大的问题，对遥感图像中细弱目标识别精度不佳。

发明内容

本发明的目的在于提供一种分割效果好，分割精度高的遥感图像细弱目标分割方法。

本发明的目的是这样实现的：

步骤一：对输入的原始图像进行图像增强和数据扩充，对背景样本进行样本平衡过采样，并最终统一将图片调整为512*512大小；

步骤二：对图像进行相关的预处理和数据扩充后得到的数据集，采取70％作为训练集，20％作为验证集，10％作为最终的测试集，为下一步网络训练做准备；

步骤三：预处理之后的图像经过Dense-Unet网络左侧的一系列稠密卷积块进行下采样，提取图像中的特征信息；

步骤四：在Dense-Unet网络右侧的的一系列稠密卷积块进行上采样，提取图像中的特征信息；

步骤五：采取代价敏感的方法，设置权重敏感向量来增大模型在训练过程中对小类别的注意力，对所有的分类均加上一个权重值，每一类的权重大小与该类别占样本中的比例负相关；

步骤六：使用集成学习的方法，通过训练多个独立的基本网络模型进行组合，集成多个基本模型共同对遥感图像中目标类别信息进行预测；

步骤七：在验证集上对训练模型评估分割效果，并对网络模型进行调整；

步骤八：如果分割精度不达标，则重复进行步骤三到步骤七继续优化网络参数；如果精度达标，则训练结束，得到合适的网络模型。

本发明还可以包括：