[发明专利]基于高度感知的多路并行网络的遥感图像分割方法

说明书

本发明公开了一种基于高度感知的多路并行网络的遥感图像分割方法，以原始遥感图像作为网络输入，设计多路并行网络作为提取图像特征的底层网络用以提取遥感图像的多层语义特征图，同时固定每条路径中的空间分辨率；利用门控高低层特征融合方法，将低层特征图与高层特征图相互融合，同时门机制在融合过程中筛选出来自每层的有效信息；引入高度特征解码器分支，将数字地表面模型图像作为训练时的额外标签，利用学习高度几何特征作为语义上下文的指导，并且该模型在测试时不需要遥感图像对应的数字地表面图像作为额外的标签；最后构建联合损失函数对多任务进行训练。本发明减少了模型的参数量，提高了遥感图像分割的准确度。

技术领域

本发明属于遥感测绘与信息工程领域，尤其涉及基于高度感知的多路并行网络的遥感图像分割方法。

背景技术

随着高光谱遥感技术的发展，新的高光谱传感器能够同时采集具有高分辨率信息的遥感图像和具有高程信息的数字地表模型(DSM)图像，这些图像包含丰富的地物信息。遥感数据不仅反映了地物的光谱信息，且同时包含了地物的空间分布信息，因此，在农业、建筑物提取、城市规划和军事侦察等领域有着广泛的应用。遥感图像中场景复杂，图像内像素类间差异性较小，因此能否有效利用DSM图像中的高程信息，来辅助对场景与物体的理解，是对遥感图像类别进行分割与识别的关键。

遥感数据不仅包含了地物的光谱信息，还含有地物的空间分布信息。遥感图像相对于自然图像，场景复杂，类内差异性较小，给高光谱遥感图像的分割带来了挑战。传统的高光谱遥感图像分割方法仅仅利用了图像的图像信息，导致分割的准确度一直很不如人意。深度学习作为一种能够结合图像信息和高程信息的分割方法，能对高光谱遥感图像的像素类别进行准确的划分与识别，近年来被广泛应用于高光谱图像的分割任务中。在遥感图像分割领域中，以全卷积神经网络为基础的网络模型取得了巨大进展，基于全卷积神经网络的模型以能够同时对输入遥感图像和DSM图像进行不同层次的学习，浅层保留了图像分辨率信息，深层特征捕获了更丰富的语义信息，然后对学习到的语义特征和高程特征进行融合，最后通过上采样操作直接将融合后的特征图恢复成与原始输入遥感图像相同大小，得到具有高程信息指导的遥感图像分割结果。

基于全卷积网络的模型可以同时处理遥感图像和DSM图像，为高光谱遥感图像分割提供新的机制，全卷积网络可以作为一种能够结合高程信息和图像信息的分割方法能对高光谱遥感图像的地物信息进行准确的分割与识别，近年来被广泛应用于高光谱图像的分割任务中。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了基于高度感知的多路并行网络(HA-MPPNet)的遥感图像分割方法，用于高光谱遥感图像的分割，有效提升运算效率，减少模型的参数量，提高分割的准确度，充分利用了数字地表模型(DSM)图像来提升像素的区分能力，同时解决了实际生活的所得DSM图像与遥感图像不匹配的问题，增强了网络模型的普适性。

为了实现上述技术目的，本发明的技术方案为：

基于高度感知的多路并行网络的遥感图像分割方法，包括以下步骤：

(1)将原始遥感图像作为网络输入，设计多路并行网络提取原始遥感图像的多层语义特征图，固定每条路径中的空间分辨率；

(2)利用门控高低层特征融合方法，将多层语义特征图的低层特征图与高层特征图相互融合；同时筛选出每层的有效信息；

(3)引入高度特征解码器分支，设数字地表模型图像为训练时的额外标签，将学习到的高度几何特征作为语义上下文的指导；

(4)根据语义分割和高度估计两种任务构建联合损失函数对多任务进行训练。

可选地，所述步骤(1)具体包括：

首先将原始遥感图像输入两个连续的下采样模块进行下采样，其中，第二个下采样模块的通道数设置为64；然后通过最大值池化的方式完成下采样；最后通过另外两个连续的下采样模块生成多层语义特征图。