[发明专利]遥感图像分割方法、装置和电子设备

说明书

本公开提供了一种遥感图像分割方法、装置和电子设备，该方法包括：获取待分割的遥感图像，对遥感图像进行多次目标要素的提取，得到多个提取结果，再综合多个提取结果得到最终目标要素提取结果，提升了最终目标要素提取结果的准确性，进而基于最终目标要素提取结果，便可以在遥感图像中准确地分割出目标要素，实现提升遥感图像分割结果准确性的目的。

技术领域

本公开涉及计算机技术领域，尤其涉及一种遥感图像分割方法、装置和电子设备。

背景技术

遥感图像分割是把遥感图像中每一个像素进行分类，具有相同值的像素归为同一类，可用于典型地物分析、道路提取、城市规划等实际应用，对民事和军事具有重大意义。早期，通常使用传统方法对遥感图像进行分割，例如：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法等，但是，这些方法只能提取低层特征。随着遥感技术的发展，高分辨率遥感图像越来越容易获取，同时，遥感图像的细节特征也越来越复杂。采用传统遥感图像分割方法对高分辨率遥感图像进行分割，得到的图像分割结果的准确性较低，已经不能满足高分辨率遥感图像的分割要求。

发明内容

鉴于此，本公开提出了一种遥感图像分割方法、装置和电子设备，可以解决遥感图像分割结果准确性较低的问题。

为了解决上述技术问题，本公开是这样实现的：

根据本公开的一方面，提供了一种遥感图像分割方法，包括：

获取待分割的遥感图像；

对所述遥感图像进行多次目标要素的提取，得到多个提取结果，并综合多个所述提取结果得到最终目标要素提取结果；

基于所述最终目标要素提取结果，在所述遥感图像中分割出所述目标要素。

在一种可能的实现方式中，对所述遥感图像进行多次目标要素的提取，得到多个提取结果，并综合多个所述提取结果得到最终目标要素提取结果时，通过预先构建的强分类器进行；

其中，所述强分类器采用集成学习算法构建得到。

在一种可能的实现方式中，采用集成学习算法构建所述强分类器，包括：

获取训练数据集和至少两个基础弱分类器；

基于所述训练数据集，对至少两个所述基础弱分类器进行分别训练，得到至少两个弱分类器；

对于至少两个所述弱分类器，通过预设的结合策略得到所述强分类器。

在一种可能的实现方式中，所述训练数据集中的样本数据通过以下方式进行构建：

选取样本遥感图像；

根据目标提取任务绘制与所述样本遥感图像同坐标系的目标要素的矢量数据；

将所述目标要素的矢量数据转换与所述样本遥感图像大小一致的栅格数据，并将所述栅格数据作为所述样本遥感图像对应的标签数据；

根据所述样本遥感图像和所述标签数据，得到所述样本数据。

在一种可能的实现方式中，基于所述训练数据集，对所述至少两个基础弱分类器进行训练，包括：

通过有放回的抽取方法，在所述训练数据集中抽取出所述基础弱分类器对应的训练子集；

通过所述基础弱分类器对应的训练子集对所述基础弱分类器进行训练，得到所述各弱分类器。

在一种可能的实现方式中，所述弱分类器采用U-Net网络实现。

在一种可能的实现方式中，所述U-Net网络包括依次级联的六层下采样编码层和依次级联的六层上采样解码层。

在一种可能的实现方式中，各所述上采样解码层包括通道空间注意力模块；