[发明专利]一种预设遥感图像重叠阴影分割模型训练方法及装置

说明书

本发明提供一种预设遥感图像重叠阴影分割模型训练方法及装置，涉及深度学习技术领域，可用于金融领域或其他技术领域。所述方法包括：生成所述遥感图像的超像素图像；根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。所述装置执行上述方法。本发明实施例提供的方法及装置，节约大量时间和人工成本。

技术领域

本发明涉及深度学习技术领域，具体涉及一种预设遥感图像重叠阴影分割模型训练方法及装置。

背景技术

遥感图像包含大量的图像信息，需要对遥感图像进行分割，从而得到需要的图像信息。

现有技术通过建立图像分割模型来实现图像分割，图像分割模型是完全监督的，依赖于大规模有标注的数据集进行训练，如果训练所需要的有标注的数据集不足，会使得遥感图像中地物边缘分割模糊，在遥感图像中存在大量阴影，包括建筑物阴影，其中的阴影易重叠，并且相互投射阴影，造成纹理细节难以分辨的问题。但是，要获得大规模有标注的数据集这需要耗费大量的时间和人工成本。

发明内容

针对现有技术中的问题，本发明实施例提供一种预设遥感图像重叠阴影分割模型训练方法及装置，能够至少部分地解决现有技术中存在的问题。

一方面，本发明提出一种预设遥感图像重叠阴影分割模型训练方法，包括：

根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；

根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；

根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；

通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。

其中，所述根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵，包括：

以各有标注的超像素点分别为基准，分别计算与作为基准的超像素点在预设距离数值以内的各无标注的超像素点与作为基准的超像素点之间的欧氏距离；

将各欧氏距离作为所述语义相似度矩阵中的矩阵元素，得到所述语义相似度矩阵。

其中，所述根据所述语义相似度矩阵构建标签传播矩阵，包括：

根据预设超参数和所述语义相似度矩阵，获取对角矩阵；所述预设超参数为大于1的预设数值，且作为所述语义相似度矩阵和语义相似度矩阵元素的幂次；

根据所述对角矩阵、所述预设超参数和所述语义相似度矩阵，构建所述标签传播矩阵。

其中，所述根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵，包括：

对所述特征矩阵进行矢量化处理，将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，并继续执行将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，直到执行次数达到预设迭代次数；

将此时的矢量化处理后的特征矩阵作为标注有标签的特征矩阵。