[发明专利]一种基于卷积神经网络的遥感图像分割方法及装置

说明书

本发明公开了一种基于卷积神经网络的遥感图像分割方法及装置，其中方法包括：利用地面站服务器根据遥感图像数据集训练卷积神经网络得到训练好的卷积神经网络；训练时对于每一层，根据随机种子生成的种子卷积核对输入数据进行卷积操作得到种子特征图，根据预设规则对种子特征图进行非线性变换得到多个映射特征图，将种子特征图和映射特征图作为下一层的输入数据；利用地面站服务器将训练好的卷积神经网络中各层对应的种子卷积核和保存非线性变换超参数的随机数发送给近地轨道卫星；利用近地轨道卫星根据种子卷积核和随机数部署训练好的卷积神经网络，并完成对遥感图像的分割任务。本发明减少了浮点计算量和参数量，简化卫星的模型部署和运算压力。

技术领域

本发明属于图像处理技术领域，尤其是涉及一种基于卷积神经网络的遥感图像分割方法及装置。

背景技术

在计算机视觉领域，图像分割指的是将数字图像细分为多个图像子区域的过程，其目的是简化或改变图像的表示形式，使得图像更容易理解和分析。遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类，是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因，准确提取遥感图像特征具有一定难度，使得精确分割遥感图像比较困难。

卷积神经网络是一种深度学习模型，主要用于图像识别和计算机视觉任务。目前，遥感图像分割的主流方法是卫星获取数据后传输到地面站服务器，再使用卷积神经网络模型进行处理以获得高性能的结果。然而，这种方法至少具有以下局限性：第一，需要大量的带宽资源，因为遥感图像一般包含大量信息和数据，频繁向地面站服务器传输原始数据会消耗大量的带宽资源；第二，反应缓慢，因为卫星与地面站服务器之间的通信距离较长，特别是在传输大量数据的情况下，传输延迟较长，而卫星主要以太阳能为动力，传输功率和速率会受到限制；第三，由于链路信道受到各种干扰，传输数据的误码率会比较高，传输性能较低。

对近地轨道卫星的遥感影像数据先进行处理可以在一定程度上缓解上述限制，但在近地轨道卫星上部署高性能的卷积神经网络模型，存在资源限制和会消耗大量计算资源的问题。

发明内容

本发明的目的是提供一种基于卷积神经网络的遥感图像分割方法及装置，以解决现有技术中需要大量带宽资源或计算资源、传输延迟长、性能较低的技术问题。

本发明的目的，可以通过如下技术方案实现：

一种基于卷积神经网络的遥感图像分割方法，包括：

利用地面站服务器根据遥感图像数据集训练卷积神经网络得到训练好的卷积神经网络；训练时，对于所述卷积神经网络的每一层，根据种子卷积核对输入数据进行卷积操作得到对应的种子特征图，根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图，将所述种子特征图和所述映射特征图作为下一层的输入数据；

其中，所述种子卷积核是利用随机种子生成的卷积核，所述种子特征图是利用所述种子卷积核生成的特征图，所述映射特征图是该层中除所述种子特征图外的其他特征图，所述非线性变换的超参数被随机初始化并保存在随机数中；

利用地面站服务器将所述训练好的卷积神经网络中各层对应的所述种子卷积核和所述随机数发送给资源受限的近地轨道卫星；

利用所述近地轨道卫星根据所述种子卷积核和所述随机数部署所述训练好的卷积神经网络，并根据所述训练好的卷积神经网络完成对所捕获的遥感图像的分割任务。

可选地，利用所述近地轨道卫星根据所述种子卷积核和所述随机数部署所述训练好的卷积神经网络之后还包括：

利用所述近地轨道卫星根据所述种子卷积核和所述随机数更新所述训练好的卷积神经网络。

可选地，根据预设规则对所述种子特征图进行非线性变换得到多个映射特征图包括：

根据非线性变换函数对所述种子特征图进行非线性变换得到多个映射特征图。