[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

说明书

本发明提供了一种共享多尺度对抗特征的高分遥感影像语义分割方法，引入了多尺度对抗网络模型，利用对抗特征的多尺度结构学习，较好地刻画出遥感影像的多尺度细节信息；同时通过改进对抗网络模型的判别器，将其作为关系增强模块，进一步描述目标地物的相关性和边界信息，一方面，可以表达同一地物内的像素之间的相关性，另一方面，将每个图像的边缘像素与其周围的其他两个或多个地物类别的像素相关联，从而获得目标地物更好的空间连续性和边界准确性，提高遥感影像预测结果的边界和语义准确性；另外，本申请的对抗特征能够灵活的嵌入到不同的语义分割基准模型中，具有较好的迁移应用能力，且能够相应地提高其性能。

技术领域

本发明涉及遥感影像领域，更具体地，涉及一种共享多尺度对抗特征的高分遥感影像语义分割方法。

背景技术

随着对地观测技术的发展，高分辨率遥感图像(HRSIs)在遥感研究和应用中引起了广泛的关注。HRSI的语义分割旨在为地物的每个像素指定一个地理对象类别，并在地理对象之间有一个精确的边界。它是遥感图像分析和理解的首要任务，在城市规划、灾害监测、精准农业等广泛应用中发挥着重要作用。深卷积神经网络(DCNNs)以其强大的特征表示能力在计算机视觉领域取得了成功，并被广泛应用于图像语义分割任务中。然而，DCNNs中用于特征提取的卷积运算不可避免地会降低图像的分辨率，导致特征图很难显示地理对象的真实像素位置。为了解决这个问题，Long等人将DCNNs(例如AlexNet、VGG[8]或ResNet)转换为全卷积网络(FCN)以进行像素级分类。之后，为提高FCN对地理对象细节的敏感度，一些研究利用许多策略来捕获不同的上下文信息或扩展接受域。

由于DCNN在计算机视觉中的成功应用，许多基于DCNN的语义分割方法逐渐应用到HRSI中。Saito等人使用DCNN学习地理对象及其标签之间的映射，以便从高分辨率航空影像中提取建筑物和道路。Zhang等人结合残差学习和U-Net的优点，提出了一种用于道路提取的语义分割模型。DeepUNe被提出用于海陆分割。随后，许多研究集中关注地理对象的多尺度特征，以减少地理对象丰富的细节和不同尺度对HRSIs语义分割中的影响。虽然这些方法考虑了HRSIs多尺度特征表示的重要性，并能获得较高的预测分数，但由于其在预测像素时是独立的，因而忽略了像素之间的相关性，导致分割结果不连续。

GAN由两部分组成：生成器G用于生成尽可能接近真实的假样本，判别器D试图区分假样本和真实样本。由于对抗模型可以测量标签变量的联合分布，因此可以将其作为一种可学习的高阶损失，以提示生成器顾及像素之前的关系，从而增强预测标签的空间连续性。随后，朱等人引入对抗学习进行语义分割，以减少小规模样本上的过拟合，提高模型的鲁棒性。Phillip等人首次使用条件生成对抗网络学习从输入原始图像到输出标签映射的映射，对抗特征可以提高半监督语义分割的准确度，虽然基于GANs中的生成器的方法在语义分割上取得了一些成功，对抗性损失有利于增强生成器生成具有连续值变化的图像，但是，在生成具有离散值的标签时，可能导致语义混乱；上述方法均难以表达地理对象的内部语义连续性和外部边界准确性。因此，业内急需一种共享多尺度对抗特征的高分遥感影像语义分割方法。

发明内容

本发明目的在于提供一种共享多尺度对抗特征的高分遥感影像语义分割方法，以解决背景技术中存在的遥感影像中同类地物识别的空间不连续，不同地物类别间的边界像素缺乏相关性以及边界语义识别不准确的问题。

为实现上述目的，本发明提供了一种共享多尺度对抗特征的高分遥感影像语义分割方法，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；