[发明专利]基于超像素的遥感图像提取方法、装置、设备及存储介质

说明书

本发明提供一种基于超像素的遥感图像提取方法、装置、设备及存储介质，方法包括：用超像素分割技术将训练图像分割成超像素块，生成不同尺寸的模型训练样本；根据生成的不同尺寸的模型训练样本，分别训练生成不同扫描尺寸的卷积神经网络模型；利用训练好的不同扫描尺寸的卷积神经网络模型，对训练图像进行提取，融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本；基于生成的高阶卷积神经网络的训练样本，训练生成高阶卷积神经网络模型，并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。本发明通过超像素块扫描，大大提升了处理的速度。

技术领域

本发明涉及图像提取领域，具体而言，涉及一种基于超像素的遥感图像提取方法、装置、设备及存储介质。

背景技术

遥感图像处理在地图更新、目标识别等具有重要应用，例如土地、草地、森林和湿地覆盖监测和道路识别均运用遥感图像处理，但目前的基于局部狄利克雷混合模型与多尺度高阶深度学习的遥感图像道路提取技术，不管是狄利克雷阶段还是深度学习阶段，都是逐像素处理，逐像素的处理导致处理速度极慢。例如，一张尺寸为1131×1589的遥感图像，其整体处理时间需要2.1个小时。尤其是多尺度高阶深度学习的逐像素扫描，需要耗费大量的计算能力和时间。

发明内容

本发明的目的在于提供一种基于超像素的遥感图像提取方法、装置、设备及存储介质用以解决遥感图像提取耗费大量的计算能力和时间的问题。

为实现上述目的，本发明实施例提供一种基于超像素的遥感图像提取方法，包括以下步骤：

用超像素分割技术将训练图像分割成超像素块，并以每个超像素块的中心为中心，生成不同尺寸的模型训练样本；

根据生成的不同尺寸的模型训练样本，分别训练生成不同扫描尺寸的卷积神经网络模型；

利用训练好的不同扫描尺寸的卷积神经网络模型，对训练图像进行提取；

融合不同扫描尺寸的卷积神经网络的提取结果生成高阶卷积神经网络的训练样本；

基于生成的高阶卷积神经网络的训练样本，训练生成高阶卷积神经网络模型，并利用所述不同扫描尺寸的卷积神经网络以及高阶卷积神经网络模型对待提取的遥感图像进行目标提取。

进一步的，利用所述高阶卷积神经网络模型对待提取的遥感图像进行目标提取具体为：

用超像素分割技术将待提取的道路的遥感图像分割成超像素块；

对超像素块进行二类分割，得到道路的潜在引导区域；

利用训练好的不同扫描尺寸的神经网络模型和高阶卷积神经网络模型对潜在引导区域进行扫描计算，得到最终提取结果。

更进一步的，对超像素块进行二类分割，得到道路的潜在引导区域采用嵌入超像素的整体狄利克雷分割技术，所述嵌入超像素的整体狄利克雷分割技术进行二类分割是基于稀疏表示对狄利克雷混合模型参数的自动优化。

进一步的，所述不同尺寸的模型训练样本包括正负样本。

进一步的，在将不同扫描尺寸的卷积神经网络的提取结果进行融合时，结合超像素分割结果，以超像素块的中心为中心生成融合结果。

本发明还提供一种基于超像素的遥感图像提取装置，包括:

分割模块，用于用超像素分割技术将训练图像分割成超像素块，并以每个超像素块的中心为中心，生成不同尺寸的模型训练样本；

训练模块，用于根据生成的不同尺寸的模型训练样本，分别训练生成不同扫描尺寸的卷积神经网络模型；

第一提取模块，用于利用训练好的不同扫描尺寸的卷积神经网络模型，对训练图像进行提取；