[发明专利]基于全卷积网络与形态学处理的遥感图像语义分割方法

摘要

本发明提出了一种基于全卷积网络与形态学处理的遥感图像语义分割方法，主要解决现有的遥感图像语义分割方法分割准确率低的问题，其实现方案为：构建训练样本集和验证样本集，对训练样本集进行数据增强与数据扩充预处理，分别搭建图像级联网络ICNet模型、金字塔场景解析网络PSPNet模型和基于编码器表示的连接网络LinkNet模型这三种全卷积网络模型，训练并验证全卷积网络模型；将待测试的遥感图像输入训练好的全卷积网络中，得到语义分割初次结果，并采用形态学腐蚀与膨胀运算对语义分割图精调，得到最终的语义分割结果。本发明提升了图像的整体分割效果，可用于遥感图像的分割、分类、检测与跟踪任务。

主权项

1.一种基于全卷积网络与形态学处理的遥感图像语义分割方法，包括如下步骤：(1)构建训练样本集和验证样本集：获取M幅遥感图像以及每幅遥感图像对应的类别标签图像，构成样本集D，其中M≥100；从D中选择80％以上的样本作为训练样本集D₁，其余的样本作为验证样本集D₂；(2)对训练样本集D₁进行预处理：(2a)对训练样本集D₁进行数据平衡处理，得到数据平衡处理后的训练样本集D′₁；(2b)随机改变D′₁中的遥感图像清晰度、对比度和色度，将改变后的每幅遥感图像以及其对应的类别标签图像作为新的样本加入到D′₁中，得到数据扩充处理后的训练样本集D″₁；(3)搭建全卷积网络模型：(3a)选用图像级联网络ICNet模型、金字塔场景解析网络PSPNet模型和基于编码器表示的连接网络LinkNet模型，并将34层ResNet‑34残差网络作为PSPNet模型的基础网络，将16层VGG卷积网络作为LinkNet模型的基础网络；(3b)对ICNet模型的所有网络层的参数随机初始化；用在ImageNet数据集上预训练过的ResNet‑34残差网络的权重初始化PSPNet模型的基础网络；用在ImageNet数据集上预训练过的VGG卷积网络的权重初始化LinkNet模型的基础网络，PSPNet模型和LinkNet模型的其他网络层参数随机初始化；(4)对搭建的全卷积网络模型进行训练：(4a)利用数据扩充后的训练样本集D″₁中遥感图像及其对应的类别标签图像，采用随机梯度下降法，对步骤(3b)中的三个网络模型：ICNet模型、PSPNet模型和LinkNet模型，分别进行迭代训练；(4b)在步骤(4a)的迭代训练过程中，每迭代Q次后分别用训练过的ICNet模型、PSPNet模型和LinkNet模型对验证样本集D₂进行验证，Q≥5000,当三个网络模型的验证结果的准确率均达到85％以上时停止训练，得到训练好的三个网络模型ICNet模型、PSPNet模型和LinkNet模型；(5)对待测试的遥感图像进行语义分割：(5a)将待测试的遥感图像分别输入到训练好的ICNet模型、PSPNet模型和LinkNet模型中，得到三幅语义分割结果图；(5b)对步骤(5a)中得到的三幅语义分割结果图运用像素级投票算法进行决策级融合，得到一幅融合后的语义分割结果图；(6)对步骤(5)中得到的融合后的语义分割结果图进行形态学处理，得到最终的语义分割结果图。