[發明專利]基于場景識別任務下的遙感圖像目標提取方法

有效

• 申請號: 201910053342.2
• 申請日: 2019-01-21
• 公開（公告）號: CN109784283B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 汪西莉;馮晨霄
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 覃婧嬋

一種基于場景識別任務下的遙感圖像目標提取方法，包括：S100：輸入原始遙感圖像；S200：從所述原始遙感圖像中提取目標場景圖像并得到所述目標場景圖像的目錄文件；S300：按照所述目標場景圖像的目錄文件，從不同類型的圖像文件夾中獲取對應同一目標場景的不同類型的圖像后，將其輸入改進后的分割網絡，進行目標提取；S400：輸出所提取的目標結果。該方法首先識別場景，在可能存在目標的場景中再分割出目標，解決了大規模高分辨率遙感圖像提取特定目標問題。其次，通過提取豐富的上下文信息，不僅增強了特征融合，使網絡提取豐富的上下文信息，又在網絡末端進行加權概率融合，在突出目標的同時有效抑制錯分，提升分割性能。

技術領域

本公開屬于遙感圖像處理技術領域，特別涉及一種基于場景識別任務下的遙感圖像目標提取方法。

背景技術

近年來，隨著航空航天領域的高速發展，我國自主研發的航空航天平臺、傳感器、通信及信息處理技術得到迅速提高，遙感對地觀測技術已經能夠提供高時間分辨率、高空間分辨率、大尺度范圍的遙感圖像觀測數據。高分辨率遙感圖像除了具有較高的空間分辨率、時間分辨率以及豐富的紋理特征等優勢外，也暴露出一些問題。例如因為傳感器特性以及尺度較大等原因帶來的異物同譜問題，因為衛星觀測角度的原因產生的地物遮擋問題，因為較高的空間、光譜分辨率突出了噪聲影響的問題。這些問題限制了遙感圖像目標提取技術的泛化能力以及精度水平，對高分辨率遙感圖像進行高精度、高效率、目標明確的信息提取，成為遙感學科以及圖像處理領域的研究熱點和難點。

深度學習技術在遙感圖像地物識別領域得到了較為廣泛的應用。深度學習技術的優勢在它可以自動地提取到更合適的特征，不完全依賴于人類設計的特征，一般情況下自動提取到的特征比較有效，但目前依然存在改進空間。首先，現有深度學習技術無法直接針對大規模圖像進行處理，需將圖像裁剪成小塊輸入網絡進行分割提取，而裁剪后的全背景區域圖像由于不含目標會產生錯分，因此先進行場景識別非常具有必要性。其次，針對深度卷積神經網絡而言，池化操作的重復使用降低了特征分辨率，由其通過上采樣預測結果比較粗略，難以精確保留目標區域邊緣、位置等細節特征。另外，使用性能更高且層次更深的卷積神經網絡作為分割的主干網絡有利于提取特征，但將使參數增多，需要更多的標記樣本來訓練網絡，而對于多數實際應用難以提供充足的訓練樣本。再次，深度卷積神經網絡難以承受巨大尺寸的圖像作為輸入，并在其中提取小目標物體獲取較高的精度。

發明內容

為了解決上述問題，本公開提供了一種基于場景識別任務下的遙感圖像目標提取方法，包括如下步驟：

S100：輸入原始遙感圖像；

S200：從所述原始遙感圖像中提取目標場景圖像并得到所述目標場景圖像的目錄文件；

S300：按照所述目標場景圖像的目錄文件，從不同類型的圖像文件夾中獲取對應同一目標場景的不同類型的圖像后，將其輸入改進后的分割網絡，進行目標提取；其中改進后的分割網絡是對作為圖像分割的主干網絡卷積-反卷積網絡進行改進，具體為：

S301：采用卷積-反卷積網絡作為圖像分割的主干網絡；

S302：在所述主干網絡中加入全分辨率網絡分支；

S303：在所述主干網絡與所述全分辨率網絡分支之間建立數據交流機制，全分辨率網絡分支前半段逐步匯聚來自主干網絡卷積各階段的多級尺度特征，全分辨率網絡分支后半段則為主干網絡反卷積各階段提供匯聚后的多級尺度特征；

S304：在所述改進后的分割網絡末端，對不同類型的圖像作為輸入得到的類別預測概率圖進行加權融合；

S400：輸出所提取的目標結果。