[发明专利]融合改进UNet和SegNet的遥感图像语义分割方法

说明书

本发明公开了一种融合改进UNet和SegNet的遥感图像语义分割方法，将批处理规范化加在UNet神经网络的卷积层和激活层中间，采用ELU激活函数代替ReLU激活函数，采用训练二分类的方式分别训练每一个语义分割类别，将各个二分类训练的模型进行合并，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络，融合改进UNet神经网络和改进SegNet神经网络，得到遥感图像语义分割模型，进行语义分割，以提高针对遥感图像进行语义分割的效果。

技术领域

本发明涉及数字图像处理技术领域，尤其涉及一种融合改进UNet和SegNet的遥感图像语义分割方法。

背景技术

遥感技术是衡量一个国家的科技水平和综合国力的重要标志之一，在军事和民用的诸多领域都有着广泛的应用。遥感技术的本质，就是需要从繁杂的遥感图像中，提取到更多的有效信息。高分辨率遥感图像就是遥感技术的重要分析对象。通常情况下，遥感图像的智能语义分割都需要庞大的数据集和极为精确的数据标注才能训练，对数据集的要求极高，而标注不精确，或者样本较小的数据集则无法取得令人满意的结果。因此，对于小样本且标注不精确的高分遥感图像的语义分割处理问题依然需要进一步的研究和探讨。

公开号CN110059772A的高分遥感图像语义分割方法，该方法时以VGG网络为原型，将网络结构分为编码和解码两部分，通过反池化路径、反卷积路径将编码信息分辨率扩大一倍，将其与空洞卷积的结果进行通道连接，通过反卷积上采样将特征图像恢复到原始尺寸，再将输出标签图输入PPB模块进行多尺度聚合处理。该方法可以有效的对遥感图像实施分割，但是其对标签标注要求较高，并不能在标注不精确的高分遥感图像数据集上取得满意的结果。

公开号为CN109948517A的高分遥感图像语义分割方法，该方法首先结合近些年在图像分类领域取得优异成绩的深度卷积神经网络，利用密集网络对全卷积神经网络模型的特征提取部分进行改进，有效地利用了各个网络层产生的特征图信息；接着对上采样部分进行了优化，先通过两次2倍上采样的合并，再通过8倍上采样实现图像分辨率大小的恢复；最后采用预训练模型进行密集全卷积网络的参数初始化。该方法可以有效的对高分遥感图像进行语义分割，但是其需要大量的数据集进行训练才可以达到良好的分割精度，对于小数据集而言，并不适用。

还有文献提出了使用大规模且公开的标签进行培训，采用经典的卷积神经网络FCN，并且对FCN架构进行了一定程度的改进，然后对建筑和道路进行了分割。该方法可以在标注不精确噪声较大的情况下对遥感图像中的道路和建筑进行分割，但是需要超大规模的数据集作为支撑，无法在小数据集上发挥良好的作用。

总之，现有的高分遥感图像语义分割方法，其存在的诸多局限性主要表现在：需要大规模的数据作为支撑，对小数据集的分割效果不甚理想；需要精确的人工标注作为基础，对标注不精确的数据集效果不甚理想。可见传统的高分遥感图像语义分割方案容易发生分割效果差的问题。

发明内容

针对以上问题，本发明提出一种融合改进UNet和SegNet的遥感图像语义分割方法。

为实现本发明的目的，提供一种融合改进UNet和SegNet的遥感图像语义分割方法，包括如下步骤：

S10，将批处理规范化加在UNet神经网络的卷积层和激活层中间，采用ELU激活函数代替ReLU激活函数，采用训练二分类的方式分别训练每一个语义分割类别，将各个二分类训练的模型进行合并，以得到改进UNet神经网络；

S20，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络；