[发明专利]一种半监督深度图卷积的遥感土地利用语义分割方法

说明书

本发明公开了一种半监督深度图卷积的遥感土地利用语义分割方法，包括以下处理过程：数据采集，确定样本的抽样方案及多尺度网络模型；划分监督及非监督学习样本，并设置训练、验证及测试样本；设立多样本多尺度的深层编码‑解码CNN模型，并进行预训练；设立门控循环的图卷积网络，并连接成深度残差网络模型；采用监督样本对进行监督学习；采用监督及非监督样本进行半监督学习；判断精度或训练次数是否达标；若达标，进入模型的尺度转换应用。本发明提高了图像分割模型在遥感图像土地利用语义分割的效率，且减少分割过程中的噪点，提高遥感土地利用分割的质量。

技术领域

本发明涉及一种语义分割方法，尤其涉及一种半监督深度图卷积的遥感土地利用语义分割方法。

背景技术

虽然深度学习在计算机视觉、图像处理及医学影像等领域取得了不错的效果，但是应用在遥感图像分类方面还是比较有限的。由于处理的影响数据波段特性差异，即普通光学RGB-D的4波段影像同遥感波谱影像及其特征的较大差别，导致许多深度学习算法及预处理模型不能直接用于处理遥感图像，一些较新的技术在遥感土地利用分割应用有限。因此，充分利用先进的深度学习技术，提高遥感土地利用分割的效果，是当前遥感图像处理领域的前沿技术。遥感图像土地利用分割精度的提高，对提高土地覆盖监控、城市土地规划、交通路线规划及农作物监测等具有重要意义。

同传统的方法比较，深度学习在语义分割方面的效率及精度上均取得了突出的进展。例如，全卷积网络(fully convolutional network，简写FCN)取代了传统的“图像-补丁”(image-patch)方法，通过全连接层极大提高了图像语义分割的效率。此外，SegNet通过从编码层复制信息到解码层提高分割效果，而空洞卷积(dilated convolution)提高感受野(receptive field)。此外，DeepLab第一版及第二版分别提出空洞层、多孔空间金字塔池(atrous spatial pyramidpooling，简写ASPP)及充分连接的条件随机层提高语义分割的精度。现有技术提出的RefinedNet采用了残差块提高存储效率，以及现有技术提出的全局卷积提高分类及分割精度。虽然深度学习图像语义分割总体精度提高了，但是在一些局部细节方面还需要后处理，条件随机场(conditional random field，简称CRF)提出来采用概率模型建模空间对象(点)之间的依赖关系。CRF以RNN方式嵌入模型，卷积条件随机场则将条件随机场引入深层卷积建模。Conv-LSTM则采用LSTM(Long-short term memory，简写LSTM)结合卷积神经网络(Convolutional neural network，简写CNN)提高分割精度。现有技术还采用有对抗网络GAN进行图像分割，但泛化性有限。虽然后处理如条件随机场同深度网络融合提高精度，但邻近点信息依赖于已有的先验知识或关系，信息传播效率提高有限。

条件随机场作为一种图建模技术提高有限，作为图建模新方法的图卷积网络则提供了更强大的不规则节点的建模及优化技术。图卷积网络通过建模最近邻依赖关系，可以提高节点之间的邻近关系建模。对于栅格的图建模方法，连接的建立确定在图像节点的位置，大幅提高图建模的效率。现有技术已有将深层特征引入图卷积的输入，采用门卷积进行建筑物图像分割，从而提高了建筑物的语义分割。

此外，许多语义分割模型是基于单模型的，相对多模型，由于单模型基于单一尺度样本建模，而单一样本训练受到抽样偏差影响，预测具有一定的不确定性，在实际应用中泛化性有限。有的则是采用多个分离单模型的简单聚集，也提高了语义分割的精度。对遥感土地利用的图像分割，一个普遍的主要问题是样本获取的困难，通常采用手工方式划分边界获得标注样本。然而，手工方式获取样本花费大量的时间，获得样本数有限，标注的准确性也受到人为判断失误的影响。而且还有大量的非标注样本，如何有效的将这些样本利用起来提高分割的精度，也是遥感土地利用语义分割方面亟需解决的问题。