[发明专利]一种共享多尺度对抗特征的高分遥感影像语义分割方法

权利要求书

1.一种共享多尺度对抗特征的高分遥感影像语义分割方法，其特征在于，包括以下步骤：

S1、获取遥感影像及其语义标签训练集，通过网上下载获取遥感影像及对应的语义标签图，并将获取的遥感影像和对应的语义标签图以相同的步长裁剪成相同大小的图像块对，构成遥感影像及其语义标签训练集；

S2、利用训练集训练生成对抗网络，包括以下步骤：

S2.1、将训练集中的语义标签图输入生成器，得到假遥感影像；

S2.2、将假遥感影像与训练集中的真实遥感影像输入到判别器，得到的概率值，该概率值表示输入图像来自真实图片的概率；

S2.3、对抗网络模型更新，通过损失函数计算误差，并将误差反向传播，更新生成器和判别器的参数至网络模型收敛，并保存网络模型；

S3、构建语义分割模型，语义分割模型包括编码部分和解码部分；

编码部分包括语义特征提取、语义特征关系增强和语义特征融合；

语义特征提取，将遥感影像的RGB三通道图像输入语义特征提取模块，得到五个具有不同尺寸大小以及识别能力的特征图像；

语义特征关系增强，将遥感影像的RGB三通道图像分别进行2倍和4倍下采样，得到原图、1/2倍和1/4倍三个尺度的图像金字塔，原图、1/2倍和1/4倍三个尺度的图像输入到关系增强模块，得到五个分别具有三个尺度的关系增强特征图像；其中，关系增强模块由对抗网络模型的判别器改进制成，通过去掉判别器中原有的sigmoid函数，作为关系增强模块；

语义特征融合，将语义特征模块提取的特征图像与关系增强模块提取的关系增强特征图像使用融合特征模块进行融合，得到五个融合特征图像；其中，语义特征融合过程：

a)、将关系增强模块中卷积块1得到的三个特征图上采样到同一尺寸，然后将对应位置的特征值进行逐像素相加，得到一个特征图；

b)、将a)中得到的特征图与语义特征提取模块中卷积块1得到的特征图通过融合特征模块进行融合，得到融合特征图像；

c)、依次对关系增强模块和语义特征提取模块中另外4个卷积块进行上述步骤a)和步骤b)处理，最终得到五个融合特征图像；

解码部分，将编码部分的五个融合特征进行上采样和拼接，最终得到与影像尺寸相同的语义标签预测图；其中，解码部分的解码过程为：将第五个融合特征进行上采样至与第四融合特征尺寸相同，并与第四融合特征进行拼接；拼接后的融合特征再径向上采样至与第三融合特征尺寸相同，并与第三融合特征进行拼接；与第三融合特征拼接后的融合特征再上采样至与第二融合特征尺寸相同，并与第二融合特征进行拼接；与第二融合特征拼接后的融合特征再上采样至与第一融合特征尺寸相同，并与第一融合特征进行拼接，再上采样得到与影像尺寸相同的语义标签预测图；

S4、语义分割网络参数更新，将解码部分得到的语义标签预测图与训练集中的真实语义标签图利用交叉熵损失函数计算误差，并将得到的误差反向传播，更新语义分割网络参数；

S5、语义分割网络模型更新，重复步骤S3、S4过程，直至网络收敛，保存训练好的语义分割网络模型；

S6、遥感影像预测，将待分割的遥感影像输入到步骤S5中训练好的语义分割模型中进行预测，得到该影像的语义分割图。

2.根据权利要求1所述的一种共享多尺度对抗特征的高分遥感影像语义分割方法，其特征在于，步骤S2.3中，损失函数为

其中，P_data(x)指真实数据分布，P_z(z)指先验噪声分布，G(z)指生成器的输出，D(x)指判别器的输出。

3.根据权利要求1所述的一种共享多尺度对抗特征的高分遥感影像语义分割方法，其特征在于，步骤S4中，交叉熵损失函数：

其中，N代表样本数，y代表真实标签值，y代表预测标签值。