[发明专利]一种卫星图像分割方法

说明书

本发明涉及一种卫星图像分割方法,属于图像信息处理技术领域。该方法包括如下步骤：步骤1）将原始的卫星图像裁剪成块，然后输入到深度卷积网络中转换成卷积特征，来捕获基于空间信息的上下文；步骤2）将网络得到的特征输入到提出的特征解耦模块中，利用特征解耦模块将类别之间的共生关系编码到卷积特征中去；步骤3）将经过特征解耦模块得到的三个解耦特征经过卷积和上采样操作得到对应的分割结果；步骤4）将步骤3）得到的三个分割结果经过加权求和得到最终的分割结果。本发明将不同类别物体之间的共生关系编码到卷积特征中去，这样能够更好地处理场景中的孤立物体，进而对卫星图像进行分割，具有较好的分割性能和分割准确率。

技术领域

本发明涉及一种卫星图像分割方法,属于图像信息处理技术领域。

背景技术

随着传感器技术的高速发展，机载卫星图像的空间分辨率已经变得越来越高(比如5-10cm分辨率)。比如，由国际摄影与遥感测量协会委员会提供的在德国的Vaihingen城市拍摄的图像能够达到9cm的地面采样分辨率，每张采样图片中包含了超过一亿个像素点。在这个数据集中，对地面的六种物体进行了标记，即地面、大楼、车、树、低植被、背景。得益于如此丰富的空间信息，机载卫星图像已经被广泛地用于许多遥感应用中，比如环境监测，灾情救援，以及城市发展检测。为了让这些应用能够，语义分割是一个至关重要以及必须的前置条件。语义分割从本质上来讲是将一个语义标签分配给图像中每一个像素点。与传统的遥感图像不同，不同物体的外表在极高分辨率的机载卫星图片中表现得越来越具有异质性和易混淆这两种特点。异质性体现了同一种物体在极高分辨率机载卫星图片中呈现出不同的外观，譬如不同颜色以及不同形状的车辆。而易混淆的特性揭露了不同物体在这种图像中可能呈现出相似的外表，比如车辆的顶部和大楼的顶端甚至一些地面从颜色上来看非常接近。这种现象非常容易引起极大的类内差和极小的类间差，进一步导致了遥感领域的语义分割任务变得更具有挑战性。

先前的一些用来对遥感图像进行语义分割的工作主要使用手动提取的特征来构建分类器。但是，这种形式的特征没有足够的判别性帮助分类器来对像素点进行分类，导致不足以获得令人满意的分割结果。

近些年，卷积神经网络(CNN)已经在计算机视觉任务取得了突破性的进展。这些进展得益于卷积神经网络能够通过自身的局部连接和权重共享特性自动地从图像中学习高级特征。作为卷积神经网络的一种，全卷积网络(FCN)已经在语义分割领域取得了巨大的成功。尽管基于全卷积网络的模型能够通过卷积操作捕获上下文信息，而这个上下文信息正是机载图像分割任务所必需的。但是，卷积操作捕获的上下文信息严重受限于其局部感受野。一个直观的解决这个问题的方式是增加卷积层，因此很多深度卷积神经网络被用来作为骨干网络。但是，经过实验发现，卷积神经网络的感受野比理论上的小很多，尤其是在网络的深层。因此，基于全卷积网络的模型很难如预期的那样获得充分的上下文信息。

为了捕获更加丰富的上下文信息，很多工作充分使用各种策略。这些策略主要包括多尺度上下文融合，多级上下文融合，以及局部-全局上下文融合。和原始的基于全卷积网络的模型相比，上述的这些方法能够获得更丰富的上下文信息，来获得更好的分割性能。但是，与基于全卷积网络的模型类似，所有这些方法都主要关注探索空间上下文信息，这种上下文信息可能无法将孤立的物体很好的分割开来。孤立物体在场景中主要被不相关的物体包围。比如，如果一个车辆被大量的大楼所包围。因为只关注了空间上下文信息，之前的方法都非常容易将车辆的一部分分割成大楼。而这种现象是和常识(大楼是不会出现在车辆上的)相违背的。

发明内容

本发明提出了一种卫星图像分割方法，将不同类别物体之间的共生关系编码到卷积特征中去，这样能够更好地处理场景中的孤立物体，进而对卫星图像进行分割，具有较好的分割性能和分割准确率。

本发明为解决其技术问题采用如下技术方案：

一种卫星图像分割方法，包括如下步骤：

步骤1)将原始的卫星图像裁剪成块，然后输入到深度卷积网络中转换成卷积特征，来捕获基于空间信息的上下文；