[发明专利]一种基于纹理特征的高分辨率影像地物识别与分割方法

说明书

一种基于纹理特征的高分辨率影像地物识别与分割方法，包括：步骤1，根据类别体系制作样本集；步骤2，构造深度学习网络模型，内含：步骤2.1，构造骨干网络、步骤2.2，构造纹理特征提取结构、步骤2.3，构造特征矩阵去噪结构、步骤2.4，构造上采样结构；步骤3，深度学习网络模型训练；步骤4，图像预测；步骤5，分割结果后处理。本发明使用深度学习网络框架，通过重新设定网络框架下采样倍数，并显式设定纹理信息提取结构，不仅减少了小目标的信息损失，也提高了纹理信息的表达能力；深度网络模型中添加特征矩阵去噪模块，减少方法在计算中带来的额外噪声，实现逐像素的纹理表达，进一步提高网络模型精度。

技术领域

本发明公开的技术涉及超高分辨率影像信息提取，具体地说，是一种根据地物的纹理特征，从无人机或者卫星获取的超高分辨率影像上识别与分割地物的方法。

背景技术

轻小型无人机技术的快速发展，使得无人机遥感得到普遍采用。相对于卫星遥感，无人机低空飞行，不受云及其云阴影等噪声因素影响；相对于传统的航空遥感，数据获取成本极大降低。无人机机动灵活的数据获取方式及其能够获取超高分辨率影像的优点，使得无人机在农业损失调查、面积统计、样本采集等小区域应用中得到广泛应用，成为卫星和传统航空遥感的重要补充。

与中低分辨率影像相比，无人机影像的波段较少，往往采用非量测相机，缺乏精细的辐射校正。然而，无人机影像具有超高的空间分辨率，能够准确表现地表内部像素空间分布，即不同颜色像素的排列、组合与对比，形成独特纹理特征。因而，研究基于纹理特征的地物识别与分割对于无人机影像的利用具有重要意义，对此，国内外研究者发展了多种方法，主要分为统计法、模型法和深度学习法三种类型。

(1)基于统计的纹理特征表示方法：该方法通过定义局部区域内的统计指标，实现对纹理的表示。其中，灰度共生矩阵是一种具有代表性的方法，该方法首先通过计算图像中像素的灰度值与邻近区域的共生关系而构建共生矩阵，在此基础上定义了一系列的派生指标，如熵、矩等，从而描述区域的纹理特性。然而，灰度共生矩阵的各种指标仅对某些特殊纹理敏感，而对其他类型纹理可能缺乏区分性；同时，如何定义邻近区域及其灰度共生关系也影响了算法性能。

(2)基于模型的纹理特征表示方法：该方法首先对像素的分布按照一定方式进行建模，将纹理特征提取转化为模型参数估计问题，典型方法如随机场模型和视觉词包模型。

随机场模型以概率模型来描述图像中像素与相邻像素统计依赖关系，如马尔可夫随机场模型假设任意像素只与相邻像素相关，从而描述纹理(Kenduiywo B K,Bargiel D,Soergel U,.Higher Order Dynamic Conditional Random Fields Ensemble for CropType Classification in Radar Images[J].IEEE Transactions on Geoscience andRemote Sensing,2017,55(8):4638–4654.)。该类方法存在不同模型对不同的纹理特征的性能不同的问题，且模型参数复杂，需要使用多种优化算法，从而给方法带来不确定性。

视觉词包模型的纹理特征表达方法包含特征提取、特征聚类、特征编码三个主要步骤。其中，特征提取是从图像中提取一系列特征点，再计算各个特征点的高维特征，常用局部特征描述子如SIFT或SURF等；特征聚类是对特征点进行非监督聚类，并以聚类中心作为特征的编码，从而构建视觉词典；特征编码是计算当前特征在各个视觉单词上的响应，得到局部区域的特征向量表示，由于该特征向量表示了特征点对各个视觉单词的响应，从而描述了纹理特征。

基于统计和模型的方法虽然在应用中取得了良好结果，但是也存在特征提取方法都是预置的问题，无法根据影像上的纹理内容进行调整，而且都是基于窗口的描述符，主要应用于影像分类，无法实现像素级的地物分割精度。