[发明专利]一种基于渐进监督的遥感影像居民区提取方法

说明书

本发明公开一种基于渐进监督的遥感影像居民区提取方法，属于遥感影像处理领域。实施过程包括：1)利用具有图像级标签的遥感影像数据集，训练分类卷积神经网络，计算遥感影像属于前景类与背景类的概率；2)计算前景类遥感影像的伪标签显著图；3)构建基于强监督学习的自纠错反馈卷积神经网络，计算多尺度显著图；4)对多尺度显著图自适应融合，生成融合后显著图；5)计算二值混淆热图并得到降噪损失函数；6)将待测试遥感影像输入训练好的自纠错反馈卷积神经网络，得到最终显著图；7)对最终显著图进行阈值分割，完成待测试遥感影像的居民区提取；本发明所提方法结合了强、弱监督学习各自优势，能够有效提升遥感影像的居民区提取效率。

技术领域

本发明属于遥感影像处理技术领域，具体涉及一种基于渐进监督的遥感影像居民区提取方法。

背景技术

遥感卫星呈现出的高空间分辨率、高光谱分辨率和高时间分辨率的特点导致遥感影像的规模发生百倍千倍的激增，人们对于遥感影像自动解译的需求也变得更加迫切。然而，高分辨率遥感影像所提供的清晰完备的地面细节给传统的遥感影像解译技术带来了新的挑战。多种多样而又复杂的地面目标分布使高分辨率遥感影像难以被传统的遥感影像解译方法所认知，导致计算机无法自动对其解析，浪费了高分辨率遥感影像上的丰富信息。因此，作为遥感影像自动解译中的重要一环，如何从复杂的地物场景中快速有效地提取出遥感影像的目标，如居民区、飞机、油库等，目前已成为遥感图像处理及图像识别技术领域的研究热点。

显著性分析方法能够避免对整幅影像采用过于精细而耗时的遍历搜索，有效简化影像处理过程，从而大幅提高影像分析效率，近年来已成为遥感影像目标提取中的重要手段之一。传统的遥感影像显著性分析及目标提取方法大多是结合遥感影像中目标或感兴趣区域的先验知识，通过特征提取来实现，如：Ma等人在文章“Region-of-interestdetection via superpixel-to-pixel saliency analysis for remote sensing image”中提出从超像素到像素的遥感影像显著性分析方法，将结构张量与背景对比度分别作为纹理特征与颜色特征，并将其融合得到超像素特征图，最后通过超像素到像素的映射完成像素级别显著性分析与感兴趣区域提取。然而，随着遥感卫星分辨率的提升，影像的几何结构与纹理信息趋于复杂，传统方法已表现出以下两方面的不足：1)影像中更加复杂的背景导致基于对比度、直线检测、超像素分割的传统方法难以发挥出很好的效果；2)来自不同卫星搭载平台与传感器的影像视觉表现差异较大，导致人工选取的特征对于不同源遥感影像的泛化能力不足。

近年来，以深度学习为代表的新一代机器学习方法已在计算机视觉相关领域取得突破性进展，并逐渐渗透到计算机视觉与卫星遥感技术交叉领域的研究中。与传统机器学习方法相比，深度学习框架与人脑神经元结构更加相似，无需人工干预即可在数据驱动下完成模型的训练，具备更为强大的表达能力与泛化性能。根据模型训练阶段对于标注精度要求的不同，基于深度学习的方法可以分为如下两类：1)强监督机制下的显著性分析方法与2)弱监督机制下的显著性分析方法。

强监督机制下的显著性分析方法主要是将预先人工标的显著图作为标签，通过构建深层卷积神经网络完成多尺度、多层次特征提取从而实现更为精准的显著性分析，如：Chen等人在文章“Symmetrical dense-shortcut deep fully convolutional networksfor semantic segmentation ofvery-high-resolution remote sensing images”中提出一种对称跨层全卷积网络，在后处理中引入覆盖策略以提升模型性能，利用全卷积网络实现高分辨率遥感影像的目标提取任务。虽然强监督学习方法因为标注精度高而具有表达能力强、检测精度高等优势，但是高精度像素级标签需要借助专家知识完成精准标注，遥感数据规模的不断增大进一步加剧了人力成本的消耗。