[发明专利]一种遥感图像分割方法及装置

权利要求书

1.一种遥感图像分割方法，其特征在于，包括：

获取遥感图像，并对所述遥感图像进行图像处理；

基于预设遥感图像重叠阴影分割模型对经过图像处理后的遥感图像进行分割处理，得到去除重叠后的阴影分割图像；

其中，所述预设遥感图像重叠阴影分割模型为预先完成训练的卷积神经网络；所述卷积神经网络包含卷积核的尺度信息和方向信息。

2.根据权利要求1所述的遥感图像分割方法，其特征在于，所述卷积神经网络包括依次相连的基于滤波的自动编码器、级联压缩双注意力模块和密集自动解码器；相应的，所述基于预设遥感图像重叠阴影分割模型对经过图像处理后的遥感图像进行分割处理，包括：

基于所述基于滤波的自动编码器对经过图像处理后的遥感图像进行特征提取，得到卷积特征图；所述卷积特征图包含各卷积层中多尺度和多方向的特征；所述基于滤波的自动编码器包含卷积核的尺度信息和方向信息；

基于所述级联压缩双注意力模块对所述卷积特征图进行特征提取，得到融合有空间位置加权和压缩通道加权的特征图；

基于所述密集自动解码器对所述特征图中特征的关联关系进行提取，并映射到输出空间。

3.根据权利要求2所述的遥感图像分割方法，其特征在于，所述级联压缩双注意力模块包括感受野多尺度特征提取子模块、重叠阴影的边界特征提取子模块和所述遥感图像的识别对象类别特征提取子模块；所述感受野多尺度特征提取子模块输出的各级联感受野分支通道分别与所述边界特征提取子模块和所述识别对象类别特征提取子模块相连接；所述感受野多尺度特征提取子模块包括逐级递增卷积层数量或卷积核大小的级联感受野分支通道；相应的，所述基于所述级联压缩双注意力模块对所述卷积特征图进行特征提取，得到融合有空间位置加权和压缩通道加权的特征图，包括：

基于各级联感受野分支通道获取各级联感受野分支通道输出的局部特征图；

基于所述边界特征提取子模块对各级联感受野分支通道输出的局部特征图进行特征提取，得到包含空间位置加权的特征图，以及基于所述识别对象类别特征提取子模块对各级联感受野分支通道输出的局部特征图进行特征提取，得到包含压缩通道加权的特征图；

将所述包含空间位置加权的特征图和所述包含压缩通道加权的特征图相加；

将各级联感受野分支通道之间的相加结果再进行相加，得到融合有空间位置加权和压缩通道加权的特征图。

4.根据权利要求3所述的遥感图像分割方法，其特征在于，所述边界特征提取子模块包括边界特征提取第一通道、边界特征提取第二通道和边界特征提取第三通道；其中：

所述边界特征提取第一通道包括卷积层、平均池化层、最大池化层和激活层；其中一个卷积层的输出端分别与所述平均池化层的输入端和所述最大池化层的输入端相连接；

所述平均池化层的输出端和所述最大池化层的输出端共同作为其中一个卷积层的输入端；

其中一个卷积层的输出端与所述激活层的输入端相连接；

所述边界特征提取第二通道包括至少一个卷积层；

所述边界特征提取第三通道用于引入所述遥感图像的局部特征；

所述边界特征提取第一通道与所述边界特征提取第二通道通过点乘方式相连，并将点乘相连结果与所述边界特征提取第三通道通过相加方式相连。

5.根据权利要求4所述的遥感图像分割方法，其特征在于，所述基于所述边界特征提取子模块对各级联感受野分支通道输出的局部特征图进行特征提取，包括：

将所述局部特征图分别输入所述边界特征提取第一通道、所述边界特征提取第二通道和所述边界特征提取第三通道；

将所述边界特征提取第一通道和所述边界特征提取第二通道的输出结果进行点乘计算，将点乘计算结果与所述边界特征提取第三通道的输出结果相加，得到包含空间位置加权的特征图。