[發明專利]基于U-Net的遙感圖像地物分割方法

在審

• 申請號: 202010031038.0
• 申請日: 2020-01-13
• 公開（公告）號: CN111242028A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 李玉鑑;李冬冬;張婷;劉兆英
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開一種對多光譜遙感圖像進行地物分割的方法，首先，對多光譜遙感圖像進行標注，生成標簽圖像；然后，對圖像進行裁剪和縮放，得到預處理后的圖像；接著，使用U?Net模型在訓練集上進行訓練，并保存訓練好的模型；最后，使用訓練好的模型在測試集上進行預測，得到最終的地物分割結果圖。

技術領域

本發明屬于圖像識別技術領域，涉及到的是基于U-Net的多光譜遙感圖像地物分割方法。

背景技術

遙感圖像地物分割指的是利用從傳感器獲得的遙感數據，將觀測場景中未知地物類型的數據樣本進行類別識別并定位的過程。隨著衛星遙感圖像技術的提高，人們可以更加方便的從遙感圖像中獲取更多有用的數據和信息來對遙感數據進行分析。遙感技術目前在許多領域都有著廣泛的應用，如農業生產條件研究、農作物估產、國土資源調查、土地利用和土地覆蓋、環境監測和軍事勘查等。可以說，遙感技術是人類獲取空間信息的主要并且有效的手段之一。

隨著遙感技術與信息技術的發展，每天都有快速增長的遙感數據產生。面對這些海量的遙感信息數據，如何充分地利用它們，并從中挖掘有價值的信息，為人們的工作和生活提供幫助，是一個急需解決的問題。在遙感圖像的研究與分析中，對遙感圖像的地物進行識別是遙感技術的一個重要的研究方向。

趙雪梅等人使用隱馬爾可夫隨機場和高斯模型分別建立標號場和特征場的鄰域關系，提出了基于隱馬爾可夫高斯隨機場模型的模糊聚類遙感圖像分割算法。該方法建立在精確的數學模型之上，具有嚴密的數學論證，但通常分割準確率較低，且難以推廣到其他數據集。

Kaiser等人探討了當難以獲取大量人工標簽時，在大數據集上使用弱標簽進行訓練的可能性，強調了訓練集規模的重要性。Yuan等人從地理信息系統(GIS)中生成標簽，專注建筑物提取任務。以上兩種方法均使用了一種稱為深度卷積神經網絡(DeepConvolutional Neural Network，DCNN)的深度學習技術。基于深度卷積神經網絡，Long等人提出的全卷積網絡(Fully Convolutional Network，FCN)以端對端的方式將卷積網絡應用到語義分割中。該網絡使用反卷積層進行上采樣，使用跳躍連接來改善上采樣的粗糙度。

隨后，出現了很多使用卷積神經網絡進行語義分割的模型。例如，Farabet等使用多尺度卷積神經網絡學習像素及超像素特征，得到了良好的語義分割效果。一個深度學習模型一般由若干層神經網絡組合而成，每層神經網絡的輸出是對其輸入的抽象表示，當較為復雜的數據經過多層次的深度學習模型后，通過組合低層特征形成了數據的更高層抽象表示，使數據更容易被分類。

發明內容

本發明要解決的技術問題是，提供一種基于U-Net的地物分割研究方法，用于多光譜遙感圖像的地物分割。

本發明采用的技術方案為基于U-Net的遙感圖像地物分割方法，包括以下幾個步驟：

步驟1：對多光譜遙感影像數據I_m的地物區域使用ArcGIS軟件進行人工標注并轉化為WKT格式的信息，1≤m≤M；

步驟2：使用Python讀取WKT格式的信息,得到Polygon格式的圖像,讀取圖像的像素矩陣信息并修改為單通道的圖像，對應的數據信息是掩模矩陣M_m，對應的標簽信息為L_m；

步驟3：將寬和高分別為W和H的I_m與L_m以同樣方式進行裁剪，得到N幅寬和高分別為r和c的圖像I′_n和L′_n，并組成樣本對(I′_n,L′_n)；r＜＝M,c＜＝H，1≤n≤N；