[发明专利]一种用于遥感图像语义分割的特征提取方法和分割系统

说明书

本发明提供了一种用于遥感图像语义分割的特征提取方法和分割系统，特征提取方法应用于特征提取模型，特征提取模型包括卷积模块和多尺度卷积网络，特征提取方法包括：将遥感图像输入卷积模块，得到初始特征图；将初始特征图输入多尺度卷积网络，得到目标特征图，其中，多尺度卷积网络包括若干多尺度卷积模块，每个多尺度卷积模块均包括级联的若干深度可分离卷积单元。本发明中的特征提取模型，主要通过多尺度卷积网络提取遥感图像对应的目标特征图，多尺度卷积网络中的深度可分离卷积单元可以有效降低参数量，提取到遥感图像更精确的目标特征图，进而可以基于目标特征图得到效果更好的分割图像，可以做到快速对遥感图像进行分割。

技术领域

本申请涉及图像处理领域，特别是涉及一种用于遥感图像语义分割的特征提取方法和分割系统。

背景技术

随着遥感技术的发展，遥感图像的分辨率逐渐提升，更高的分辨率就包含了更加丰富的信息，使其广泛应用于国土资源、气象海洋、城市规划、环境监测、军事侦察等领域。

遥感图像通常包括道路、水域、建筑、森林、农作物、车辆等多个类别的细节信息，类别分布非常不平衡。同时，受拍摄角度和位置的影响，遥感图像中对目标通常尺度变化较大，且纹理细节难以分辨。遥感图像的分割就是将遥感图像中不同的类别分割为不同的区域，并用不同的颜色进行标记，使其成为计算机和使用者都能理解的直观表示。然而，使用传统的图像分割方法分割的准确率较低，分割的实时性交叉，难以大规模部署和使用。深度学习成为了人工智能重点研究领域之一，深度学习在解决诸如图像识别、语音识别和自然语言处理等方面表现十分出色。基于深度学习的分割方法以像素点为单元进行精准分割，在处理遥感图像方面有着得天独厚的条件。因此，使用深度学习方法对遥感图像进行分割势在必行。

因此，现有技术有待改进。

发明内容

本发明所要解决的技术问题是，现有的图像分割方法，分割的准确率较低。本发明提出了一种用于遥感图像语义分割的特征提取方法和分割系统，特征提取模型包括多尺度卷积网络，通过多尺度卷积网络可以提取到遥感图像更精确的特征图，进而得到效果更好、准确度更高的分割图像。

第一方面，本发明实施例提供了一种用于遥感图像语义分割的特征提取方法，应用于特征提取模型，所述特征提取模型包括卷积模块和多尺度卷积网络，所述用于遥感图像语义分割的特征提取方法，包括：

将遥感图像输入所述卷积模块，以得到初始特征图；

将所述初始特征图输入所述多尺度卷积网络，得到目标特征图，其中，所述多尺度卷积网络包括若干多尺度卷积模块，每个多尺度卷积模块均包括级联的若干深度可分离卷积单元，所述深度可分离卷积单元包括多个卷积层，所述目标特征图用于进行语义分割。

作为进一步的改进技术方案，所述多尺度卷积网络包括第一多尺度卷积模块、第二多尺度卷积模块、第三多尺度卷积模块和第四多尺度卷积模块；所述将所述初始特征图输入所述多尺度卷积网络，得到目标特征图，具体包括：

将所述初始特征图输入所述第一多尺度卷积模块，得到第一特征图；

将所述第二特征图输入所述第二多尺度卷积模块，得到第二特征图；

将所述第三特征图输入所述第三多尺度卷积模块，得到第三特征图；

将所述第四特征图输入所述第四多尺度卷积模块，得到目标特征图。

作为进一步的改进技术方案，所述第一多尺度模块包括级联的3个深度可分离卷积单元，所述第二多尺度模块包括级联的4个深度可分离卷积单元；所述第三多尺度模块包括级联的6个深度可分离卷积单元；所述第四多尺度模块包括级联的3个深度可分离卷积单元。

作为进一步的改进技术方案，对于属于不同多尺度卷积模块的任意两个深度可分离卷积单元，所述任意两个深度可分离卷积单元包括卷积核数量不同、卷积核尺寸相同、连接顺序相同的多个卷积层。