[发明专利]基于深度辨别性增强网络的遥感影像语义分割方法

说明书

本发明提供了一种基于深度辨别性增强网络的遥感影像语义分割方法，该方法主要包括：S1深度辨别性增强网络训练；S2基于深度辨别性增强网络的高分影像语义分割推断；S3语义分割后处理。该基于深度卷积神经网络的高分辨率遥感影像语义分割方法，针对高分辨率遥感影像语义分割中类内差异大，类间差异小造成的错分问题，提出了一种具有普适性的损失函数，提升深度特征的辨别能力，且是一种端到端高分辨率遥感影像语义分割框架，无需人工干预。

技术领域

本发明光学遥感图像处理技术领域，尤其涉及一种基于深度辨别性增强网络的遥感影像语义分割方法。

背景技术

随着对地观测技术的快速发展，高分辨率遥感影像已经可以大量获取，为地理国情普查、精细农业、环境监测等提供了坚实的数据基础。相较于中低分辨率遥感，高分辨率遥感呈现了更加精细的空间细节信息,使得遥感地物目标的精细识别成为可能。然而随着空间分辨率的提高，高分影像也面临着可用波段少、地物目标可变性大等问题，为高分辨率遥感影像分类带来了挑战。目前高分辨率遥感影像已经发展出了基于频谱变换的分类方法，基于条件随机场的方法，面向对象的分类方法和基于深度学习的方法等。

深度学习作为一种数据驱动的模型方法，可以有效地从数据中自动学习特征，无需专家先验，已经被成功应用于遥感高分辨率遥感影像语义分割，如道路提取、建筑物提取、地表覆盖分类等。如论文“Multi-Scale and Multi-Task Deep Learning Frameworkfor Automatic Road Extraction.IEEE Transactions on Geoscience and RemoteSensing,2019.57(11):9362-9377”通过构建多任务卷及神经网络同时提取道路和道路中心线，利用任务之间的相关性来提高道路提取精度。论文“RiFCN:Recurrent network infully convolutional network for semantic segmentation of high resolutionremote sensing images.arXiv preprint arXiv:1805.02091,2018”提出双向卷积神经网络将带有边界信息的浅层高分辨率特征和高层低分辨率特征融合。不同于基于频谱变换的分类方法，基于条件随机场的方法,和面向对象的分类方法等传统方法，基于深度学习的遥感高分辨率遥感影像语义分割算法可以充分利用大数据优势，进行迁移学习，提高语义分割精度，如论文“Land-Cover Classification with High-resolution RS Images usingTransferable Deep Models.Remote Sensing of Environment,2020.237:111322”利用网络迁移技术，采用已经在其他数据集上经过预训练的网络作为初始化参数进行微调训练，获得了比传统方法更优的语义分割精度。

然而，虽然相较于传统方法，基于卷积神经网络的高分影像分割方法已经取得了更优的语义分割效果，由于高分遥感影像中存在类内地物方差大、类间方差小现象，利用深度卷积神经网络用于高分影像语义分割仍然面临混淆分类的问题。因此针对高分辨率遥感影像类内方差大、类间方差小现象造成的错误分类问题，提高深度卷积神经网络的特征辨别性，改善语义分割精度，需要进一步研究。

发明内容

有鉴于此，本发明旨在克服上述现有技术中存在的缺陷，提供一种基于深度辨别性增强网络的遥感影像语义分割方法，以解决高分辨率遥感影像语义分割中面临的类内方差大、类间方差小现象造成的错误分类问题。

为达到上述目的，本发明包括如下步骤：

S1，深度辨别性增强网络训练，本步骤进一步包括：

1.1高分辨率遥感影像预处理。其中进一步包括：

1)将用于训练的大幅高分辨率影像及其对应的标注图进行切割，切割为互不重叠的小幅影像和标注图，根据GPU内存，切割尺寸一般选用1000×1000像素或512×521像素；