[发明专利]一种遥感图像细弱目标分割方法

摘要

本发明提出的是一种遥感图像细弱目标分割方法。先对原始的遥感图像进行数据增强和相应预处理，借助DenseNet的稠密连接思想对U‑net进行改进，提出Dense‑Unet网络结构。通过在网络结构中使用稠密卷积，加强了各卷积通道之间的级联关系，又通过对称结构和跳跃连接思想，进一步使得各层特征之间的联系更加紧密，能够更有效地学习到细弱目标特征。为了保证最后网络识别的实时性，降低参数量，又在每个稠密块之后引入瓶颈层和批归一化层。使用代价敏感向量权重调整目标函数,解决分割目标类别不均衡问题，进一步提升分割精度。最后使用集成学习方法，训练多个独立模型并进行组合，共同对图片中的目标类别信息进行预测。

主权项

1.一种遥感图像细弱目标分割方法,其特征是：/n步骤一：对输入的原始图像进行图像增强和数据扩充，对背景样本进行样本平衡过采样，并最终统一将图片调整为512*512大小；/n步骤二：对图像进行相关的预处理和数据扩充后得到的数据集，采取70％作为训练集，20％作为验证集，10％作为最终的测试集，为下一步网络训练做准备；/n步骤三：预处理之后的图像经过Dense-Unet网络左侧的一系列稠密卷积块进行下采样，提取图像中的特征信息；/n步骤四：在Dense-Unet网络右侧的的一系列稠密卷积块进行上采样，提取图像中的特征信息；/n步骤五：采取代价敏感的方法，设置权重敏感向量来增大模型在训练过程中对小类别的注意力，对所有的分类均加上一个权重值，每一类的权重大小与该类别占样本中的比例负相关；/n步骤六：使用集成学习的方法，通过训练多个独立的基本网络模型进行组合，集成多个基本模型共同对遥感图像中目标类别信息进行预测；/n步骤七：在验证集上对训练模型评估分割效果，并对网络模型进行调整；/n步骤八：如果分割精度不达标，则重复进行步骤三到步骤七继续优化网络参数；如果精度达标，则训练结束，得到合适的网络模型。/n