[发明专利]一种基于下采样的特征融合遥感图像语义分割方法

说明书

本发明公开了一种基于下采样的特征融合遥感图像语义分割方法，包括以下步骤：将用来训练的高分辨率的遥感图像和其对应的标签图分别按照相同的方式切割成小图像作为原始输入图像，模型结构分为下采样模块，高级语义特征提取模块，特征融合模块以及分类器模块组成，所述下采样模块对输入的原始图像提取高分辨率的低级语义特征后，将它们分成两条支路，一路进入高级语义特征提取模块提取高级语义特征，与另一路下采样模块直接提取的低级语义特征一起进入特征融合模块进行特征融合，最后，通过分类器模块对融合后的特征图进行分类，通过随机梯度下降的方式更新模型参数。本发明在减少参数运算的同时，提高了分割准确率。

技术领域

本发明涉及遥感图像语义分割技术领域，尤其涉及一种基于下采样的特征融合遥感图像语义分割方法。

背景技术

图像的语义分割是对输入图像进行逐像素的类别分类，实现目标和场景的像素级分割。近年来，深度学习的方法在遥感图像语义分割方面已经取得了不错的进展。MFPN(Multi-Feature Pyramid Network)是一种用于遥感图像道路的多特征提取的金字塔网络，该网络给出了加权平衡损失函数，解决了道路稀疏导致的分类不平衡问题；FCN(FullyConvolutional Networks)以端到端、像素到像素的方法进行训练，这种框架的优势在于能够借助一个跳跃架构，利用经过训练的网络所产生的原始语义信息进行图像分割；Segnet采用反池化的方法进行上采样，使得网络的参数远少于FCN；U-net具有对称的编解码网络结构，通过编码部分到解码部分的快捷连接，恢复位置信息；Deeplabv1和Deeplabv2使用空洞卷积提高感受野，在不增加参数数量的情况下，提高了训练准确率；Refinenet使用远程残差连接的网络结构，能够有效的将下采样中缺失的信息融合进来，从而产生高分辨率的预测图像。在遥感图像语义分割方面，还有其他一些分割效果不错的网络，比如PSPNet、Deeplabv3plus。目前大部分的方法存在参数多、运算量大及分割效率低等问题，并且随着神经网络层数的增加，会出现“网络退化”现象。

发明内容

针对现有技术存在参数多、运算量大及分割效率低等问题，本发明的目的在于提供一种基于下采样的特征融合遥感图像语义分割方法，能够提高遥感图像的分割精度，同时降低网络的复杂程度且节省训练耗时。

为实现上述目的，本发明提供了如下技术方案：一种基于下采样的特征融合遥感图像语义分割方法，包括以下步骤：

(1)将彩色遥感图像分成训练图像集和测试图像集两部分，将训练图像集中的遥感图像和其对应的标签图以相同的方式切割成256×256像素的小图像，即训练小图像和训练小标签图像；

(2)对训练小图像和训练小标签图像分别进行如下操作，且操作后的图像形成一个新的数据集：

a、将训练小图像和训练小标签图像分别旋转90度、180度和270度；

b、将训练小图像和训练小标签图像分别做镜像操作；

c、将训练小图像做模糊操作；

d、将训练小图像做亮度、对比度、饱和度的色彩调整；

e、将训练小图像做添加噪声操作；

(3)搭建语义分割模型：语义分割模型由下采样模块、高级语义特征提取模块、特征融合模块和分类器模块组成，分别搭建下采样模块、高级语义特征提取模块、特征融合模块和分类器模块；