[發明專利]一種基于樹形結構的遙感圖像分割網絡

有效

• 申請號: 201910280400.5
• 申請日: 2019-04-09
• 公開（公告）號: CN110009637B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 岳凱;李瑞瑞
• 申請（專利權）人: 北京化工大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠;胡玉章

本發明涉及一種基于樹形結構的遙感圖像分割網絡，屬于計算機視覺技術領域。所述遙感圖像分割網絡為DeepLab V3+結構化的樹形網絡模型，所述樹形網絡模型包括依次連接的分割模塊和樹形處理模塊；其中所述分割模塊為DeepLab V3+網絡模型，且所述DeepLab V3+網絡模型包括編碼器部分和解碼器部分。所述樹形處理模塊的構建方法包括構建混淆矩陣、計算下三角矩陣、建立混淆無向完全圖、對所述混淆無向完全圖進行迭代的割邊操作及得到所示其中樹形處理模塊。本發明能夠對易混淆的像素更好地區分，得到更準確的分割結果，有效提升了高分辨率遙感圖像語義分割整體精度，其中易混淆類別數據的分割準確率提高顯著。

技術領域

本發明涉及一種基于樹形結構的遙感圖像分割網絡，具體為一種混合DeepLab V3+和樹形結構的遙感圖像分割網絡，屬于計算機視覺技術領域。

背景技術

高分辨率遙感圖像語義分割是指為圖像中的每一個像素分配語義標簽的任務。近年來，隨著遙感測繪技術的高速發展，我們已經可以輕而易舉地獲得地面采樣間隔(GSD)為5至10厘米的超高分辨率的光學遙感圖像。以此為基礎，如何準確高效地對這些圖像進行分割成為遙感圖像分割領域中的研究熱點。對于超高分辨率分遙感圖像的數據，大多數傳統方法依賴以人工設計特征的受監督分類器來進行分割處理。而人工設計的特征往往只能表達低級的語義信息，深度學習技術則可以充分挖掘圖像中的高級語義信息特征。深度學習技術已經在計算機視覺領域中取得了巨大的成功，例如圖片分類、目標檢測、語義分割等。深度卷積神經網絡接收原始數據輸入，以端到端的結構通過學習，最終根據特定任務得到輸出結果。

對于多分類的遙感圖像分割任務，由于易被混淆的類別數據在空間分布上通常是相鄰分布的，如圖4所示，因為一般的網絡模型很難學習到有效的特征表示，因此分割的準確率并不高。遙感圖像語義分割的本質是對房屋、車輛、道路、植被、海洋冰等地表形態進行像素級分類。遙感圖像來源于航空無人機或光譜傳感器的圖像。早期遙感圖像分割研究主要以圖論為基礎。例如傳統方法中的將最小生成樹算法與MumfordShah理論相結合的遙感圖像分割方法。對于監督學習，大多數分割方法都是基于人工手工選擇特征的。這些特征通常很復雜，但是也只能表達低級或中級的語義信息描述。

隨著遙感技術的發展，我們現在可以方便地獲取大量的高超分辨率(VHR，very-high-resolution)遙感圖像。這些圖像通常具有豐富的上下文信息，使得大多數傳統的分割方法都不適用。卷積神經網絡(CNN，Convolution neural network)最初通過基于區域的訓練來學習像素的語義表示。完全卷積網絡(FCN)是最先應用于圖像分割的網絡模型，它用卷積層替換所有的全連接層，以允許任意大小的圖像作為輸入進行分割。此后，反卷積網絡((DeconvNet))、SegNet、RefineNet、U-Net等網絡模型接連被引入遙感圖像分割領域，用來解決超高分立案率遙感圖像的分割精度不高的難題。雖然整體的分割準確率已經相比傳統方法大大提高，但是對于易混淆的數據類別，例如灌木與樹木、建筑和不透水表面還是會存在分割相互錯亂的情況。

發明內容

為解決易混淆類別數據分割準確率低的問題，本發明的目的在于提供一種混合DeepLab V3+和樹形結構的遙感圖像分割網絡，針對超高分辨率遙感圖像中的易混淆類別數據的分割問題，提高其分割精度。

本發明的目的是通過以下技術方案實現的：

一種基于樹形結構的遙感圖像分割網絡，所述遙感圖像分割網絡為DeepLab V3+結構化的樹形網絡模型，所述樹形網絡模型包括依次連接的分割模塊和樹形處理模塊；其中所述分割模塊為DeepLab V3+網絡模型，且所述DeepLab V3+網絡模型包括編碼器部分和解碼器部分；

所述樹形處理模塊的構建方法包括以下步驟：

步驟1，利用先驗的分割結果，統計分割圖中的不同類別的像素數量，構建混淆矩陣A，混淆矩陣A中a_ij表示實際為第j類但是預測為第i類的像素數量；