[发明专利]基于选择注意力网络的SAR图像复杂建筑物提取方法及系统有效
申请号: | 202010639627.7 | 申请日: | 2020-07-06 |
公开(公告)号: | CN111860233B | 公开(公告)日: | 2021-05-18 |
发明(设计)人: | 王智睿;孙显;付琨;荆浩;肖岱峰;傅佳美;孙元睿 | 申请(专利权)人: | 中国科学院空天信息创新研究院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06T7/12;G06N3/04;G06N3/08 |
代理公司: | 北京安博达知识产权代理有限公司 11271 | 代理人: | 徐国文 |
地址: | 100190 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 选择 注意力 网络 sar 图像 复杂 建筑物 提取 方法 系统 | ||
1.一种基于选择注意力网络的SAR图像复杂建筑物提取方法,其特征在于,包括:
获取待提取建筑物的高分辨率合成孔径雷达图像;
将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理,从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像;
所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成;
所述建筑物提取模型包括:编码模块和解码模块;
所述编码模块包括34层残差网,每一层由3×3的卷积核、BatchNorm层和ReLU层依次连接组成;
所述解码模块包括K5卷积块和选择带孔空间金字塔卷积模块;
还包括:将扩张深度可分离卷积应用于所述K5卷积块和选择带孔空间金字塔卷积模块中;
K5卷积块用于:对于编码器的5个不同尺度的输出特征映射Feature map(特征图),他们的输出步长分别是2,4,8,16,32,对其进行并联;
使用双线性插值技术进行上采样将其恢复至相同的256×256大小的空间分辨率;
应用1×1卷积对每层的通道数量进行了缩减Squeeze,分别统一减小至48个通道。
2.如权利要求1所述的SAR图像复杂建筑物提取方法,其特征在于,所述建筑物提取模型的训练包括:
获取区域高分辨率合成孔径雷达图像,对所述合成孔径雷达图像按照建筑物轮廓内外部像素值进行标记,获得建筑物标注图;
将所述合成孔径雷达图像和所述建筑物标注图进行裁切,并将裁切后的所述合成孔径雷达图像和所述建筑物标注图作为训练样本集;
将所述训练样本集按设定比例划分为训练集、验证集和测试集;
基于所述训练集中的所述合成孔径雷达图像作为空间金字塔神经网络的输入,将所述合成孔径雷达图像对应的建筑物标注图作为所述空间金字塔神经网络的输出,对空间金字塔神经网络进行训练得到建筑物提取模型;
并利用验证集和测试集对所述建筑物提取模型进行验证和优化。
3.如权利要求2所述的SAR图像复杂建筑物提取方法,其特征在于,所述对空间金字塔神经网络进行训练得到建筑物提取模型,包括:
采用训练集中的所述合成孔径雷达图像作为所述建筑物提取模型的编码器输入,提取出多种分辨率特征图;
由所述合成孔径雷达图像的K5卷积块对于所述多种分辨率特征图进行融合并压缩通道数量;
基于所述融合并压缩通道数量后的分辨率特征图和所述建筑物提取模型的选择带孔金字塔卷积模块根据所述合成孔径雷达图像建筑物的多尺度信息重构通道之间的关系,恢复多尺度建筑物细节和边缘;
基于多尺度建筑物细节和边缘对应的所述建筑物标注图作为所述建筑物提取模型的解码器的输出,得到训练好的建筑物提取模型。
4.如权利要求3所述的SAR图像复杂建筑物提取方法,其特征在于,所述将所述合成孔径雷达图像和所述建筑物标注图进行裁切,并将裁切后的所述合成孔径雷达图像和所述建筑物标注图作为训练样本集,包括:
对所述区域高分辨率合成孔径雷达图像和标注图进行处理得到新的遥感图像;
对所述新的遥感图像按照设定尺寸进行裁切,将裁剪后的遥感图像作为训练样本集;
所述处理包括:旋转、水平垂直翻转、平移、尺度变换、裁剪缩放,图像亮度对比度变换。
5.如权利要求4所述的SAR图像复杂建筑物提取方法,其特征在于,所述基于所述待提取的高分辨率合成孔径雷达图像和预先训练好的建筑物提取模型,得到建筑物轮廓的二值图像,包括:
所述建筑物提取模型的编码器提取所述待提取的高分辨率合成孔径雷达图像的多种分辨率特征图;
所述建筑物提取模型的K5卷积块对所述多种分辨率特征图进行融合并压缩通道数量;
所述选择带孔金字塔卷积模块根据目标的多尺度信息重构通道之间的关系,恢复多尺度建筑物细节和边缘,得到建筑物的预测轮廓二值图。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院空天信息创新研究院,未经中国科学院空天信息创新研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010639627.7/1.html,转载请声明来源钻瓜专利网。