[發明專利]一種基于迭代超像素分割的遙感地物分類后處理方法

有效

• 申請號: 202010316759.6
• 申請日: 2020-04-21
• 公開（公告）號: CN111553222B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 楚博策;郭琦;劉宇;高峰;耿虎軍;陳金勇;李峰;帥通;王士成
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 河北東尚律師事務所 13124
• 代理人: 王文慶

本發明公開了一種基于迭代超像素分割的遙感地物分類后處理方法，屬于遙感圖像智能應用技術領域。該方法首先對遙感影像采用深度學習地物分類方法進行初步分類結果生成，隨后采用SLIC算法根據遙感影像分辨率以及成像效果設置合理參數對遙感影像進行初步超像素分割，接著對每個超像素塊計算超像素塊復雜度判斷是否需要進行二次甚至多次迭代分割，對不需要進一步分割的超像素塊對應的圖斑區域進行圖斑復雜度計算，根據復雜度大小進行不同后處理策略，最后以最小粒度的超像素為基礎單元進行類別合并輸出最終后處理結果。該方法能夠對人為參數弱依賴的地物分類結果進行優化，具有較好的精度提升和業務應用能力。

技術領域

本發明屬于遙感圖像智能應用技術領域，特別是指一種基于迭代超像素分割的遙感地物分類后處理方法。

背景技術

隨著軍、民、商各類對地觀測衛星逐步升空并投入使用，目前各單位逐步積累的遙感影像數據已達到百萬級別，并且隨著微納衛星、星群、星座的概念提出，后續遙感影像數據將呈爆炸式增長。面對如此龐大的遙感影像數據，如何快速地、自動地完成圖像解析，特別是地物類型解析，成為一項亟待完成的任務。

隨著深度學習、強化學習等人工智能技術的長足進步，其在各領域均具有廣闊的應用前景。在遙感智能處理領域，當前深度學習已應用于地物分類、目標檢測等影像處理方面任務，國內外各高校均開展相應技術研究產出了不少技術成果。當前與遙感地物分類任務較為接近的深度學習解決方案為語義分割，此外，目前國內外最優地語義分割網絡設計方案為全卷積類神經網絡以及其改良網絡結構。雖然全卷積類神經網絡已經在遙感影像地物分類任務中具有較好的效果，對某些典型地物類型(例如：水體、森林等)的分類精度達到90％以上，但受到網絡結構中卷積結構的局限，上采樣與下采樣過程的壓縮失真，不可避免會產生邊緣模糊以及分類孔洞等誤差的出現。就當前神經網絡的發展，雖然可以通過改進網絡卷積核分布以及其他策略在一定程度上改進誤差現象，但是由于網絡內部的“黑盒”效應導致可控性較差，難以真正達到真正業務應用水平。可見，如何自動、高效、人為可控地對網絡分類結果進行優化是一個至關重要而又亟待解決的難題。

目前，如何對遙感影像地物分類結果進行優化，業內尚缺少成熟的解決途徑，而僅從實驗理論階段進行了嘗試。

近年來，較多研究采用CRF條件隨機場對CNN分類結果進行優化，雖然一定程度上對分類結果進行改進，但CRF需要人為設定多組核函數等經驗參數，不同影像所需最優的經驗參數不同的，需要經過多次嘗試確定最優值，面對如此龐大的遙感數據量，頻繁的人為設定參數是不現實的。真正實現業務應用自動化應該避免此類人為多次干預過程，因此CRF等人為參數強依賴方法是無法滿足當前業務自動化需求的。

發明內容

本發明的目的在于克服當前海量遙感地物分類結果邊緣模糊以及分類孔洞等誤差的難題，提出了一種基于迭代超像素分割的遙感地物分類后處理方法，該方法為一種人工參數低耦合的自動化精度提升后處理方法，相比以往方法，減少了人為經驗干預，同時進一步提高了后處理的精度提升效果。

本發明的目的是這樣實現的：

一種基于迭代超像素分割的遙感地物分類后處理方法，用于對地物分類初步結果圖進行后處理，包括以下步驟：

(1)采用SLIC方法對原始遙感影像進行超像素分割，得到密集超像素塊；

(2)計算超像素塊的復雜度參數M，將超像素塊復雜度參數M與閾值U進行比較，若所有超像素塊的復雜度參數均小于U，則執行步驟(3)，否則返回步驟(1)重新進行超像素分割；其中，M用來描述超像素塊中灰度數值與空間分布的復雜度；

(3)對每個超像素塊提取其輪廓區域位置，在地物分類初步結果圖中提取該輪廓區域位置的圖斑，并計算各圖斑的復雜度參數S；其中，S用來描述圖斑中類別分布的復雜度；