[发明专利]一种多尺度前景特征自适应加权的遥感图像分割方法

说明书

本发明公开了一种多尺度前景特征自适应加权的遥感图像分割方法，包括：准备训练、测试用的图像数据集；构建多尺度前景特征自适应加权的遥感图像分割网络，包括特征提取模块、多尺度前景特征提取模块和前景特征激活模块；使用训练好的网络模型得到遥感图像分割结果。实验表明，本发明提出的方法可以学习更丰富的多尺度特征表达，并自适应地计算不同尺度的特征图的注意力权重，在高分辨率遥感影像多类语义分割中具有更高的精度。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种多尺度前景特征自适应加权的遥感图像分割方法。

背景技术

随着遥感采集技术的快速发展，高分辨率遥感图像(HRRSIs)的语义分割应用越来越广泛。遥感图像语义分割的鲁棒性和泛化能力对于地球观测、土地利用、土地覆盖和制图等应用至关重要。然而，HRRSI包含大量的地面物体信息，呈现出多样性和复杂性，不一致的类别分布和多尺度的物体以及复杂的背景样本，使得HRRSI的语义分割具有挑战性。尽管结合低级和高级特征可以提高语义分割的性能，但现有的方法大多将这种结合方式直接应用于整个HRRSI场景，如基于FPN的语义分割方法，而没有进一步提取多尺度信息。HRRSI场景通常包括各种各样的人工物体和自然元素，如建筑、道路、荒芜、不透水的表面和树木，城市环境中的建筑是非常多变的，通常是紧密排列的，而农村地区的建筑则比较简单，排列也比较杂乱。同时，与农村地区相比，城市道路通常更宽、更复杂。此外，在城市场景中，水一般表现为河流或湖泊，而农村场景中的小池塘和小沟渠则更为普遍。对于某个地面类别，其形状和规模在不同的遥感场景中是不同的。对于某个遥感场景，它包含不同类型和尺度的地面物体。因此，需要设计一个针对多尺度物体的多尺度前景特征提取方法。

另一方面，即使DCNN在提取全局背景信息方面有很强的特征表达能力，但这种能力也会对DCNN的HRRSI学习造成额外的干扰。HRRSI涵盖了广泛的地理区域，通常表现出各种空间模式。由于人造物体通常在城市场景中占主导地位，拥有足够的局部特征有利于检测小和密集排列的物体。另一方面，由于存在广泛而有规律的农场或其他自然元素，农村地区的局部特征可能是多余的，大量的局部特征会给分类带来额外的干扰。如果直接使用未经处理的多尺度特征进行分割可能导致不太理想的结果。因此，如何使模型能够根据HRRSI场景自主地选择不同尺度的特征，也是需要解决的问题。

发明内容

本发明提供一种多尺度前景特征自适应加权的遥感图像分割方法，用于进一步提取特征金字塔中的多尺度前景特征，并自适应地给不同尺度的前景特征赋权。该方法利用DCNN模型中的FPN架构提取图像特征，构建特征金字塔，在FPN架构后端增加了多尺度前景特征提取模块，以进一步提取特征金字塔中的多尺度的前景特征，并通过前景特征激活模块，自适应地根据输入影像给不同尺度的特征赋注意力权值，通过分类器获得最终分割结果。

为了达到上述目的，本发明提供的技术方案是一种多尺度前景特征自适应加权的遥感图像分割方法，包括以下步骤：

步骤1，准备遥感图像数据集用于训练和测试；

步骤2，构建多尺度前景特征自适应加权的遥感图像分割网络；

步骤3，使用训练集图像对多尺度前景特征自适应加权的遥感图像分割网络进行训练；

步骤4，使用步骤3训练好的网络模型对测试集图像进行分割，得到图像语义分割结果。

而且，所述步骤1中对全部遥感图像做随机镜像、旋转数据增强操作，并将影像裁剪到N×N大小。

而且，所述步骤2中该网络包括特征提取模块、多尺度前景特征提取模块和前景特征激活模块三个模块，多尺度前景特征提取模块用多尺度卷积核提取特征金字塔中的多尺度前景特征，前景特征激活模块用于自适应的赋予不同尺度的前景特征权值。