[發明專利]一種遙感圖像細弱目標分割方法

在審

• 申請號: 201910842331.2
• 申請日: 2019-09-06
• 公開（公告）號: CN110689544A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 于淼;葉秀芬;劉文智;郭書祥;馬興龍
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/08;G06N3/04;G06N20/20;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出的是一種遙感圖像細弱目標分割方法。先對原始的遙感圖像進行數據增強和相應預處理，借助DenseNet的稠密連接思想對U?net進行改進，提出Dense?Unet網絡結構。通過在網絡結構中使用稠密卷積，加強了各卷積通道之間的級聯關系，又通過對稱結構和跳躍連接思想，進一步使得各層特征之間的聯系更加緊密，能夠更有效地學習到細弱目標特征。為了保證最后網絡識別的實時性，降低參數量，又在每個稠密塊之后引入瓶頸層和批歸一化層。使用代價敏感向量權重調整目標函數,解決分割目標類別不均衡問題，進一步提升分割精度。最后使用集成學習方法，訓練多個獨立模型并進行組合，共同對圖片中的目標類別信息進行預測。

技術領域

本發明涉及的是一種數字圖像處理方法，具體的說是一種對遙感圖像中的細弱目標進行精準分割的方法。

背景技術

遙感圖像目標分割是遙感圖像目標識別的一個重要技術方法，其廣泛應用于環境評測、交通規劃、自動駕駛等多個領域。圖像的語義分割是圖像信息理解的關鍵，其基本原理是將像素按照圖像中表達的語義含義不同進行不同區域的分割，即像素級的識別圖像并標注出每個像素的對象類別。伴隨著遙感技術的迅猛發展，高分辨率的遙感衛星圖像具有觀測范圍廣、包含物體信息多、信息特征提取困難等特點。傳統的圖像處理方法在在應對遙感圖像目標提取的問題時，主要難度在于目標關鍵特征的選取，傳統特征提取的方法依賴于領域專家的經驗，雖然在某些問題下可以得到較好的結果，但是泛化能力很差，當遇到全新的任務時，再次選取特征需要浪費大量的時間。近些年隨著深度學習尤其是深度卷積神經網絡在計算機視覺領域得到迅猛發展以來，其對圖像語義分割領域的發展同樣起到了巨大的促進作用，深度卷積神經網絡相比傳統的方法，能夠自動提取圖像中的特征并進行訓練,擁有良好的泛化性能。目前優秀的語義分割網絡模型有SegNet,U-Net,DeepLab等等。其中DeepLab所使用的空洞卷積會導致很大的參數計算量，而且在遙感圖像中實際的分割精度并不優于U-net,因此目前最常用的語義分割網絡為前兩種。

然而，以上的深度學習網絡都需要較大規模的數據集和精確的人工標記，且都面臨對于遙感圖像中細弱目標特征不明顯、類別非均衡、受背景干擾較大的問題，對遙感圖像中細弱目標識別精度不佳。

發明內容

本發明的目的在于提供一種分割效果好，分割精度高的遙感圖像細弱目標分割方法。

本發明的目的是這樣實現的：

步驟一：對輸入的原始圖像進行圖像增強和數據擴充，對背景樣本進行樣本平衡過采樣，并最終統一將圖片調整為512*512大小；

步驟二：對圖像進行相關的預處理和數據擴充后得到的數據集，采取70％作為訓練集，20％作為驗證集，10％作為最終的測試集，為下一步網絡訓練做準備；

步驟三：預處理之后的圖像經過Dense-Unet網絡左側的一系列稠密卷積塊進行下采樣，提取圖像中的特征信息；

步驟四：在Dense-Unet網絡右側的的一系列稠密卷積塊進行上采樣，提取圖像中的特征信息；

步驟五：采取代價敏感的方法，設置權重敏感向量來增大模型在訓練過程中對小類別的注意力，對所有的分類均加上一個權重值，每一類的權重大小與該類別占樣本中的比例負相關；

步驟六：使用集成學習的方法，通過訓練多個獨立的基本網絡模型進行組合，集成多個基本模型共同對遙感圖像中目標類別信息進行預測；

步驟七：在驗證集上對訓練模型評估分割效果，并對網絡模型進行調整；

步驟八：如果分割精度不達標，則重復進行步驟三到步驟七繼續優化網絡參數；如果精度達標，則訓練結束，得到合適的網絡模型。

本發明還可以包括：