[发明专利]一种基于深度对抗学习的遥感图像语义分割方法

说明书

本发明属于遥感图像语义分割方法技术领域。一种基于深度对抗学习的遥感图像语义分割方法，将遥感数据集划分为训练集和测试集，搭建遥感图像语义分割网络，将训练集遥感图像输入至步骤二中的遥感语义分割网络中，将遥感图像及其对应标签图组成真图像对，遥感图像及其对应生成器输出的预测标签图像组成假图像对，接着将真、假图像对输入判别器模块计算对抗损失函数，计算总损失函数，直到生成器模块达到精准语义分割，将经过预处理的测试集遥感图像输入到精准语义分割的生成器模块，输出遥感图像的精确分割结果。

技术领域

本发明涉及一种基于深度对抗学习的遥感图像语义分割方法，属于遥感图像语义分割方法技术领域。

背景技术

高空间分辨率(以下简称)遥感图像包含了地物丰富的纹理、形状、结构、邻域关系等信息，可以提供更丰富的地表空间及纹理信息，并清楚地表达地物目标的特征分布和空间关联，还可分辨出地物目标内部更为详细的结构组成，进而为解译分析提供良好的条件和基础。因此，遥感大数据是一种重要的地理信息资源，在军事、交通、环境、农林、环境监测、城市建设、灾害评估和预测等领域有着巨大的应用价值。

图像语义分割将遥感图像中的每个像素标注为特定的地物种类，是遥感图像信息理解和提取的基础和重要手段。传统基于对象的语义分割方法，只是使用了人工设计的低级语义特征，由于土地覆盖的多样性和复杂性，这种方法并不能从高分率遥感图像中提取出复杂的语义信息。这就导致了低级特征和高级语义信息之间的“语义鸿沟”。特征提取技术，如“视觉词包”和“语义主题模型”，可以减轻但不能完全消除“语义鸿沟”的影响。

深度卷积神经网络通过多层网络结构和非线性变换可以自动地从遥感图像中获取高级语义特征，在图像分类中展现出良好的性能。基于深度卷积神经网络的全卷积语义分割方法已经成为各个应用领域语义分割的主流研究方法并且取得了巨大的成功。然而，全卷积神经网络模型孤立地对图像中的每个像素进行分类，忽略了像素之间相互联系，因而容易丢失全局和长程信息。这将导致分割结果与真实语义图之间的空间不一致。

条件生成对抗网络模型通过由全卷积组成的生成器模块和由二分类深度卷积神经网络组成的判别器模块之间的相互对抗演化，能够从遥感图像中学习识别特征。该方法通过引入判别器模块进行图像级监督学习进而获取全局和长程信息，并保证分割结果与真实语义图之间的空间一致性。

但是目前的生成条件生成对抗网络在遥感图像上仍不能表现出令人满意的语义分割效果。一方面，有些条件生成对抗网络为了降低模型复杂程度和模型训练难度，其生成器模块和判别器模块往往采用浅层网络结构。而遥感图像的地物具有“类内差别大，类间差异大”的特点，这些浅层网络结构无法学到有效的识别特征。另一方面，即使有的条件生成对抗网络采用了复杂的网络结构增强模型特征表达能力，但其生成器模块和判别器模块往往依赖海量的高精度训练样本或由自然场景海量样本训练所得的预训练模型。然而，遥感图像的像素级标注却往往需要专业知识及经验丰富的专家人工标注，因而训练数据往往非常稀少。同时，由自然图像训练得到的预训练模型与遥感图像因获取视角的差异和类别的不同，分割精度经常差强人意。此外，这些复杂的模型参数量巨大对存储和计算设备均提出了较高要求，训练和应用模型也均非常耗时。这些缺陷极大的限制了遥感大数据的实际应用。

发明内容

本发明为了综合解决现有遥感图像语义分割技术中存在的特征表达能力不足、模型效率低下和训练困难等挑战，本发明提出一种基于深度对抗学习的遥感图像语义分割方法，包括以下步骤：

步骤一：将遥感数据集划分为训练集和测试集，并对训练集和测试集中的遥感图像分别进行预处理；

步骤二：搭建遥感图像语义分割网络，所述遥感图像语义分割网络基于条件生成对抗学习，包括生成器模块和判别器模块；