[发明专利]一种遥感影像自适应特征选择分割方法及系统

说明书

本发明提供了一种遥感影像自适应特征选择分割方法及系统，包括数据准备，对高分辨率影像的裁剪和数据预处理；改进模型，基于基础模型网络添加设置自适应特征选择模块，所述自适应特征选择模块用于对不同特征图进行特征提取，通过对基础模型网络所得多个不同尺度或者不同感受野的特征图进行全局平均池化特征提取，利用全连接层和激活函数学习不同特征图重要程度的权重分布，根据权重分布进行特征筛选，实现自适应特征选择过程；对所得优化后的深度学习模型进行训练；根据训练所得优化后的深度学习模型对输入的可见光影像的分割结果。本发明不仅可以有效地提高分割模型精度，还可以降低模型的计算量，而且具有通用性、操作简单、性能强等优势。

技术领域

本发明属于卫星遥感影像处理领域，特别涉及到了高分辨率遥感影像的分割方案，提出了一种新的深度学习模型来实现遥感影像的自适应特征选择方案。

背景技术

近些年，随着深度学习在图像处理领域的应用不断加深，语义分割作为图像处理中的一个重要研究方向，已经得到了快速的发展。而对于遥感影像分割对遥感影像的后续处理具有重要意义。特别是在星上平台，提前对影像进行分割，提取感兴趣区域目标为图像的理解提供先验知识。将人工智能、计算机视觉应用到在轨星上平台，可以为全球范围的遥感信息提供实时智能服务。遥感影像分析已成为一个重要的研究课题，在环境监测、城市规划、土地利用管理等领域得到了广泛的应用。许多传统的分割方法过于依赖于人工提取的特征，很难在高分辨率航空影像中实现对复杂地物的有效分割。

近年来，出现了许多优秀的可作为图像特征提取的骨干网络，如VGG、ResNet、Inception等。语义分割作为计算机视觉的一个重要分支，在图像理解中发挥着极其重要的作用。以卷积神经网络(Convolution Neural Networks,CNNs)为基础的深度网络模型在许多视觉任务中取得优异的性能，如FCNs、U-Net、DeepLab、PSPNet等。

在过去的几年里，研究人员利用深度学习模型在高分辨率航空影像处理领域进行了大量的研究工作。目前针对高分辨遥感影像的语义分割方法，主要是利用当前流行的神经网络模型来实现影像的分割任务。多尺度输入是提升模型鲁棒性的一种重要方法，主要是利用具有不同感受野特征图来提升模型的拟合能力。目前在遥感影像中应用的模型主要有U-Net，PSPNet以及DeepLab系列模型。U-Net之所以被广泛地应用在遥感影像分割任务中，是因为它采用了跳跃连接(Skip connection)的方法。U-Net在上采样的过程中加入了下采样的特征图，从而将高分辨率的特征与低分辨率的特征进行整合，有效的提升了模型的学习能力。PSPNet采用了金字塔池化层，来获得不同尺度的池化层。与PSPNet具有相似效果的DeepLab系列模型，采用了空洞卷积的方法来提升模型的感受野，同时也采用了不同尺度的特征图来提升模型的拟合能力。

当前的深度学习模型在遥感影像分割任务中都展示了非常好的效果。然而，对于PSPNet，DeepLab这样的模型。针对不同的数据集，需要反复的通过实验去寻找最佳的尺度，这个过程非常的繁琐，需要消耗大量的算力和时间。目前国内外还没有一种非常好的办法来解决尺度的选择问题。在国内外期刊上，还没有相关论文发表。目前，国内也没有对尺度选择问题提出一种很好的解决办法以及授权专利。

发明内容

本发明针对当前高分辨率遥感影像的分割任务中采用的多尺度特征选择问题，提供了一种基于自适应特征选择模型的遥感影像分割方案。

本发明提供的技术方案为一种遥感影像自适应特征选择分割方法，包括以下步骤：

步骤1，数据准备，包括对高分辨率影像的裁剪和数据预处理；