[发明专利]用于图像处理的深度学习模型及遥感影像的地图提取方法

权利要求书

1.一种用于图像处理的深度学习模型，其特征在于，包括：

数据输入单元，所述数据输入单元包括多个数据输入层，每个所述数据输入层用于输入不同分辨率的图像数据；

编码单元，所述编码单元包括多个子编码器，所述子编码器与所述数据输入层一一对应设置，所述子编码器对数据输入层的输入数据进行编码；

特征融合层，其与编码单元连接以多编码单元的输出数据进行融合，所述特征融合层的输入端分别与多个子编码器连接；

解码单元，其与所述特征融合层的输出端连接，所述解码单元对特征融合层的输出数据进行解码操作；

数据输出单元，所述数据输出单元与所述解码单元连接以实现数据输出。

2.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器的输入维度根据图像数据的分辨率设计，多个所述子编码器的输出维度相同。

3.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述特征融合层将所述编码单元输出的多个特征融合成一个特征矩阵。

4.如权利要求3所述的用于图像处理的深度学习模型，其特征在于，所述特征融合层的融合方法是相加、平均、加权和非线性激活中的一种或多种组合。

5.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器为相同的基础解码器，通过改变所述基础解码器的一层或者多层操作以实现不同分辨率的数据输入转换成相同维度的数据输出。

6.如权利要求1所述的用于图像处理的深度学习模型，其特征在于，所述子编码器为不同的基础解码器，不同的所述基础解码器的输出数据维度相同。

7.一种遥感影像的地图提取方法，其特征在于，包括以下步骤：

S1、根据图像采集的数据，生成训练数据集和预测数据集；

S2、构建权利要求1-6任一项所述的深度学习模型，设定所述深度学习模型的子编码器数量；

S3、通过训练数据集对深度学习模型进行训练，获得优化后的深度学习模型；

S4、将所述预测数据输入至优化后的深度学习模型，获得预测结果。

8.如权利要求7所述的遥感影像的地图提取方法，其特征在于，所述S1中，所述训练数据集的获取方法包括：

对不同波段的原图像在地理位置上对齐；

确定子图像的大小，以相同大小的方框在原图像内部随机截取子图像，每次生成一幅子图像；

若干子图像组成训练集。

9.如权利要求7所述的遥感影像的地图提取方法，其特征在于，所述S1中，所述预测数据集的获取方法包括：

对不同波段的原图像在地理位置上对齐；

确定子图像的大小，判断原图像的像素的行列数量是否为子图像的整数倍，若否，则以0像素值将原图像补全，若是，则进入下一步；

以子图像大小为标准网格大小对原图像进行切分，获得子图像；

所有子图像组成的数据集为预测数据集。

10.如权利要求7所述的遥感影像的地图提取方法，其特征在于，所述S3中，训练分批次进行，一个批次内先生成训练数据，再进行训练；每个批次中的训练数据的子图像与深度学习模型所占内存应当小于计算机硬件内存。