[发明专利]基于空间分辨率域自适应的无监督遥感图像语义分割方法

说明书

本发明涉及基于空间分辨率域自适应的无监督遥感图像语义分割领域，基于空间分辨率域自适应的无监督遥感图像语义分割方法包括如下步骤：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，分为：图像语义分割训练集和图像语义分割测试集；搭建基于对抗学习的超分辨率‑语义分割多任务网络；搭建好的基于对抗学习的超分辨率网络进行网络预训练；训练基于对抗学习的超分辨率‑语义分割多任务网络；将图像语义分割测试集输入已训练好的基于对抗学习的超分辨率‑语义分割多任务网络生成器得到最终预测结果。

技术领域

本发明涉及基于空间域自适应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

图像语义分割，又被称作图像标注，是指为图像中的每一像素分配语义标签，基于语义单元将图像分割为若干具有不同语义标识的区域。语义分割在遥感图像信息提取中扮演重要角色，是低高层遥感图像处理及分析的重要衔接。

全卷积网络等基于深度学习的图像语义分割技术因其强大的特征自动表达能力在遥感影像语义分割的研究中取得突破性进展，实现了端到端和像素到像素式图像自动语义分割。尽管现有的许多深度神经网络模型在图像语义分割上已经有了许多成功的表现，但是深度学习是一种基于数据驱动的学习技术，模型的性能高度依赖大量多样高精度像素级标注的训练样本。而且高分辨率遥感图像地物特征呈现出类间差距小、类内差距大和尺度变化范围大的特点，往往需要更加复杂的模型以增强模型特征表达能力，进而会导致模型性能更加依赖大规模数据集。目前高分辨率遥感图像样本标注目前大多只能依赖人工，因而我们往往只能利用少量由专家标注的数据得到一个成像条件单调(如特定时间段、有限个别地域和特定遥感探测器等)的小样本集。缺乏足够的训练样本将导致严重的过拟合，即模型在测试集上分割性能大幅下降；而成像条件的单调导致了这些模型及其有限的泛化性能，即领域偏移(Domain Shifts)。

为了解决领域偏移和充分利用现有数据集，无监督域自适应方法通过迁移在源域数据集学习的知识实现无标签的目标域数据集的语义分割任务，其中，采用对抗生成网络的域自适应方法通过生成器和判别器的对抗来学习域不变特征，可以有效缩小域间差异。

不同于目前大多数遥感图像域自适应方法仅考虑不同探测器之间风格差异即光谱差异，基于空间分辨率域自适应(Resolution Domain Adaptation，RDA)的无监督语义分割方法注意到不同探测器所获取的遥感图像具有分辨率上的差异，同时考虑到超分辨率和语义分割可以相互促进性能提升，因而探索利用超分辨率和语义分割多任务多尺度生成对抗网络同时学习光谱和尺度不变特征实现遥感图像的无监督域自适应语义分割。但是传统上采样模型无法实现图像分辨率任意倍数的放大，如果放大倍数变化，就需要重新设计上采样模块，这将造成大量重复计算，使得语义分割任务非常耗时。此外，传统上采样模型还要求上采样倍数必须是整数，而不同探测器遥感图像之间的空间分辨率比值并不总是整数。这些不足严重地限制了该模型的实际应用。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种可以在单个模型上实现任意放大倍数甚至是非整数倍数的空间分辨率域自适应方法，并以此为基础实现遥感图像的无监督语义分割。

为了解决上述技术问题，本发明采用的技术方案为：基于空间分辨率域自适应的遥感图像语义分割方法，包括如下步骤：

一种基于空间域自适应的无监督遥感图像语义分割方法，其特征在于：包括如下步骤：

步骤一：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，对源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集进行预处理，将获取的目标域高分辨率遥感图像数据集分为：目标域训练集M_x和目标域测试集M_c两部分；