[发明专利]基于残差网络和U-Net分割网络的卫星图像分割方法

摘要

一种基于残差网络和U‑Net分割网络的卫星图像分割方法，其步骤为：构建残差网络ResNet34；构建U‑Net分割网络；构建训练样本集；训练残差网络ResNet34；训练U‑Net分割网络；将待分割的卫星图像输入到残差网络ResNet34进行二分类，判断包含船只目标；使用U‑Net分割网络对分类结果中的正样本进行二值分割；对于分类结果中的负样本，直接输出单值掩码图；本发明利用残差网络ResNet34对卫星图像进行二分类，使用U‑Net分割网络仅对分类结果中的正样本进行分割，并在U‑Net分割中嵌入SE‑ResNet模块，提取更加精细的分割掩码，实时性高，分割精度高。

主权项

1.一种基于残差网络和U‑Net分割网络的卫星图像分割方法，其特征在于，利用残差网络ResNet34对卫星数据进行二分类，利用所构建和训练的U‑Net分割网络从分类结果中的正样本中分割出船只区域；该方法的具体步骤如下：(1)构建残差网络ResNet34：(1a)搭建一个34层的残差网络ResNet34；(1b)设置残差网络ResNet34各模块参数；(2)构建U‑Net分割网络：(2a)搭建一个39层的U‑Net分割网络，其结构依次为：输入层→特征提取层→最大池化层→第二组合模块→第三组合模块；所述第二组合模块的结构与34层的残差网络ResNet34中的第一组合模块的结构相同；所述第三组合模块是由五个上采样层串联构成的，其中，前四个上采样层均由一个反卷积层和一个六层的SE‑ResNet模块并联组成，第五个上采样层由一个反卷积层组成；第二组合模块中的第十三、九、五、一共四个残差块的输出与六层的SE‑ResNet模块的输入相连接；所述六层的SE‑ResNet模块的结构依次为：卷积层→全局池化层→第二个全连接层→ReLU激活函数层→第三个全连接层→Sigmoid层，将Sigmoid层的输出结果与卷积层的输出结果相乘，获得新的特征图，将该特征图与卷积层的输入相连接；(2b)设置U‑Net分割网络的各模块参数如下：所述特征提取层、第二组合模块参数的设置与34层的残差网络ResNet34中的特征提取层、第一组合模块的参数相同；将第三组合模块中的前四个上采样层的反卷积层特征映射图均设置为128个，卷积核大小均设置为2×2个像素，将六层的SE‑ResNet模块中的卷积层的输出特征映射图均设置为128个，卷积核大小均设置为1×1像素，步长均设置为1个像素；将第三组合模块中第五个上采样层的反卷积层特征映射图设置为1个，卷积核大小设置为2×2个像素；(3)构建训练样本集：(3a)采集至少50000张分辨率为768×768的卫星图像，其中至少1/3的图像中包含船只目标；(3b)对包含船只的每一张图像中船只的像素点进行人工标注，生成与采集图像一一对应的分割掩码图像，将所采集的卫星图像和分割掩码图像组成训练样本集；(4)训练残差网络ResNet34：(4a)对训练样本集中包含船只的样本进行过采样，选取与过采样的样本数目相同的仅包含背景的样本进行欠采样；(4b)将过采样和欠采样后的训练样本集输入到残差网络ResNet34中，采用逐级训练的方式，不断调整优化网络训练参数，直到残差网络ResNet34分类准确率超过设定的阈值0.98，得到训练好的残差网络ResNet34二分类模型；(5)训练U‑Net分割网络：(5a)将过采样后的样本集输入到U‑Net分割网络中，将U‑Net分割网络输出的特征图作为网络预测的分割掩码图；(5b)计算DiceLoss和FocalLoss的联合损失函数值，使用随机梯度下降法优化该联合损失函数值，训练U‑Net分割网络，得到训练好的U‑Net分割网络；(6)将每幅待分割的卫星图像输入到残差网络ResNet34进行二分类；(7)判断输入的每幅卫星图像中是否包含船只目标，若是，则执行步骤(8)，否则，执行步骤(9)；(8)使用U‑Net分割网络对包含船只目标的正样本进行二值分割：对于包含船只目标的每幅卫星图像，使用训练好的U‑Net34分割网络对船只目标所在区域进行分割，对分割结果进行二值开运算处理，将二值开运算处理后的分割掩码图作为卫星图像最终的分割掩码图；(9)对于不包含船只目标的卫星图像，直接输出单值掩码图。