[發明專利]基于置信點的遙感圖像分割方法

有效

• 申請號: 201910494015.0
• 申請日: 2019-06-08
• 公開（公告）號: CN110211138B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 焦李成;張夢璇;黃鐘鍵;馮雨歆;陳悉兒;屈嶸;丁靜怡;張丹;李玲玲;郭雨薇;唐旭;馮志璽
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于置信點的遙感圖像分割方法，主要解決現有技術中高分辨率遙感影像分割精度不高的缺陷。本發明的具體步驟如下：(1)構建卷積神經網絡；(2)生成兩個訓練集；(3)生成兩個測試集；(4)對測試集進行地物類別標簽預測；(5)標記每個置信點像素；(6)修正建筑物類別；(7)更新植物類別；(8)得到最終的地物類別標簽。本發明具有提高植被與建筑物類別精度，不僅對低分辨率的遙感圖像有較好的分割效果，而且對高分辨率的遙感圖像也具有較好的分割效果。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及遙感圖像處理技術領域中的一種基于置信點的遙感圖像分割方法。本發明可用于對衛星獲取的高分辨率多波段遙感圖像進行分割，得到具有地物類別標簽的分割圖。

背景技術

遙感圖像分割是將遙感圖像分成若干個特定的、具有獨特性質的區域的技術和過程。目前，工程實踐中更多采用U-Net、PSPNet、DeepLab等深度神經網絡學習技術。用基于深度學習神經網絡的方法分割遙感圖像是利用神經網絡提取遙感圖像特征，經過訓練網絡來預測每一個像素的類別，從而最終得到具有類別標簽的分割圖。現有技術的方法對于分辨率較低的公共數據集有較好的分割效果，但是，對于高分辨率的遙感圖像，例如WorldView-3衛星遙感圖像，效果則不理想。

長安大學在其申請的專利文獻“一種基于區域的多特征融合高分辨率遙感影像分割方法”(專利申請號：201610643629.7，公開號：106296680A)中公開了一種基于區域的多特征融合高分辨率遙感影像分割方法。該方法首先分割初始遙感圖像，其次計算初始分割圖像中每一個分割區域中任一鄰域的紋理特征距離、光譜特征距離和形狀特征距離，最后應用RAG和NNG方法進行相關區域合并。雖然該方法在分辨率為1米的高分二號遙感圖像上分割精度高且執行效率高，但是，該方法仍然存在的不足之處是，該方法采用光譜特征距離、紋理特征距離、形狀特征距離來對遙感圖像進行分割，沒有利用到遙感圖像其他波段的信息，導致植被類別分割精度不高。此外，由于建筑物陰影的存在和遮擋問題，導致具體建筑物類別分割精度不高。

海河大學在其申請的專利文獻“基于灰度共生矩陣的多波段高分辨率遙感影像分割方法”(專利申請號：201310563019.2，公開號：103578110A)中公開了一種基于灰度共生矩陣的多波段高分辨率遙感影像分割方法。該方法采用降水分水嶺變換單獨分割每個波段影像，然后疊加各個波段的分割結果。最后，運用基于多波段光譜信息的區域合并策略合并過分割結果中的碎片區域，從而實現影像分割。雖然該方法能夠克服過分割及欠分割的現象，分割精度及穩定性較好，但是，該方法仍然存在的不足之處是，由于該方法適用于分辨率為2.5米的中國上海地區的三波段全色-多光譜融合遙感圖像上，對分辨率較高的遙感圖像普適性不高，此外，由于該方法采用灰度共生矩陣的方法分割遙感圖像，未考慮建筑物陰影的存在和遮擋問題，導致具體建筑物類別分割精度不高。。

發明內容

本發明的目的在于針對上述已有技術的不足，提出一種基于置信點的遙感圖像分割方法。該方法不僅分割效率較高，而且對于高分辨率的遙感圖像尤其是植被與建筑物類別，可以實現較好的分割結果。

實現本發明目的的思路是，先構建兩個訓練集和兩個測試集，搭建LinkNet網絡，設置每層參數，進行訓練后得到訓練后的兩個網絡，再將兩個測試集分別送入訓練好的兩個網絡，通過網絡對測試集進行地物類別標簽預測，最后通過標記置信點像素、更新植被類別和修正建筑物類別得到遙感圖像分割后的地物類別標簽。

為了實現上述目的，本發明的具體步驟如下：

(1)構建LinkNet神經網絡：

(1a)搭建一個14層的LinkNet神經網絡；

(1b)設置LinkNet神經網絡中各層的參數；

(2)生成兩個訓練集：