[发明专利]一种基于树形结构的遥感图像分割网络

摘要

本发明涉及一种基于树形结构的遥感图像分割网络，属于计算机视觉技术领域。所述遥感图像分割网络为DeepLab V3+结构化的树形网络模型，所述树形网络模型包括依次连接的分割模块和树形处理模块；其中所述分割模块为DeepLab V3+网络模型，且所述DeepLab V3+网络模型包括编码器部分和解码器部分。所述树形处理模块的构建方法包括构建混淆矩阵、计算下三角矩阵、建立混淆无向完全图、对所述混淆无向完全图进行迭代的割边操作及得到所示其中树形处理模块。本发明能够对易混淆的像素更好地区分，得到更准确的分割结果，有效提升了高分辨率遥感图像语义分割整体精度，其中易混淆类别数据的分割准确率提高显著。

主权项

1.一种基于树形结构的遥感图像分割网络，其特征在于，所述遥感图像分割网络为DeepLab V3+结构化的树形网络模型，所述树形网络模型包括依次连接的分割模块和树形处理模块；其中所述分割模块为DeepLab V3+网络模型，且所述DeepLab V3+网络模型包括编码器部分和解码器部分；所述树形处理模块的构建方法包括以下步骤：步骤1，利用先验的分割结果，计算分割图中的所有像素，构建混淆矩阵A，混淆矩阵A中a_ij表示第i行第j列的像素数据，其中所述混淆矩阵A的第i行表示该像素数据被预测的类别，第j列表示该像素数据实际的类别；步骤2，将混淆矩阵A中相应行列的元素a_ij与a_ji相加，得到相对应的下三角矩阵B，b_ij表示的是第i类和第j类数据的混淆度；步骤3，建立混淆无向完全图：将下三角矩阵B看作一个无向图的关联矩阵，在无向图中，每个节点表示一个类别，节点与节点之间边的权值表示两个节点的混淆程度，将下三角矩阵B中b_ij的值作为混淆无向完全图节点i与节点j之间的边的权值；步骤4，对所述混淆无向完全图进行迭代的割边操作：每次遍历图中所有未被割去的边，选中其中权值最小的一条将其割去，并检查无向图是否被分割为两个子图；若原图没有被分成两个子图，则在剩余未选择的边中继续选择权值最小的一条将其割去并重复操作该步骤4；若原图被分为了两个子图，则对每一个子图重复操作该步骤4；步骤5，得到树形处理模块：对于步骤4中每一次分为两个子图时，将两个子图的点集分别作为树形结构原先根节点的两个子节点，当所有的节点都被分离出来，树形处理模块构建完成。