[發明專利]融合改進UNet和SegNet的遙感圖像語義分割方法

有效

• 申請號: 202010475602.8
• 申請日: 2020-05-29
• 公開（公告）號: CN111783782B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 王鑫;戴慧鳳;呂國芳
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 湯金燕

本發明公開了一種融合改進UNet和SegNet的遙感圖像語義分割方法，將批處理規范化加在UNet神經網絡的卷積層和激活層中間，采用ELU激活函數代替ReLU激活函數，采用訓練二分類的方式分別訓練每一個語義分割類別，將各個二分類訓練的模型進行合并，在SegNet神經網絡的編碼過程中，在最大池化操作后，引入SegNet神經網絡中前面設定層的結果進行卷積操作，對卷積操作的結果進行階躍短路連接，以減少SegNet的部分網絡層數，得到改進SegNet神經網絡，融合改進UNet神經網絡和改進SegNet神經網絡，得到遙感圖像語義分割模型，進行語義分割，以提高針對遙感圖像進行語義分割的效果。

技術領域

本發明涉及數字圖像處理技術領域，尤其涉及一種融合改進UNet和SegNet的遙感圖像語義分割方法。

背景技術

遙感技術是衡量一個國家的科技水平和綜合國力的重要標志之一，在軍事和民用的諸多領域都有著廣泛的應用。遙感技術的本質，就是需要從繁雜的遙感圖像中，提取到更多的有效信息。高分辨率遙感圖像就是遙感技術的重要分析對象。通常情況下，遙感圖像的智能語義分割都需要龐大的數據集和極為精確的數據標注才能訓練，對數據集的要求極高，而標注不精確，或者樣本較小的數據集則無法取得令人滿意的結果。因此，對于小樣本且標注不精確的高分遙感圖像的語義分割處理問題依然需要進一步的研究和探討。

公開號CN110059772A的高分遙感圖像語義分割方法，該方法時以VGG網絡為原型，將網絡結構分為編碼和解碼兩部分，通過反池化路徑、反卷積路徑將編碼信息分辨率擴大一倍，將其與空洞卷積的結果進行通道連接，通過反卷積上采樣將特征圖像恢復到原始尺寸，再將輸出標簽圖輸入PPB模塊進行多尺度聚合處理。該方法可以有效的對遙感圖像實施分割，但是其對標簽標注要求較高，并不能在標注不精確的高分遙感圖像數據集上取得滿意的結果。

公開號為CN109948517A的高分遙感圖像語義分割方法，該方法首先結合近些年在圖像分類領域取得優異成績的深度卷積神經網絡，利用密集網絡對全卷積神經網絡模型的特征提取部分進行改進，有效地利用了各個網絡層產生的特征圖信息；接著對上采樣部分進行了優化，先通過兩次2倍上采樣的合并，再通過8倍上采樣實現圖像分辨率大小的恢復；最后采用預訓練模型進行密集全卷積網絡的參數初始化。該方法可以有效的對高分遙感圖像進行語義分割，但是其需要大量的數據集進行訓練才可以達到良好的分割精度，對于小數據集而言，并不適用。

還有文獻提出了使用大規模且公開的標簽進行培訓，采用經典的卷積神經網絡FCN，并且對FCN架構進行了一定程度的改進，然后對建筑和道路進行了分割。該方法可以在標注不精確噪聲較大的情況下對遙感圖像中的道路和建筑進行分割，但是需要超大規模的數據集作為支撐，無法在小數據集上發揮良好的作用。

總之，現有的高分遙感圖像語義分割方法，其存在的諸多局限性主要表現在：需要大規模的數據作為支撐，對小數據集的分割效果不甚理想；需要精確的人工標注作為基礎，對標注不精確的數據集效果不甚理想。可見傳統的高分遙感圖像語義分割方案容易發生分割效果差的問題。

發明內容

針對以上問題，本發明提出一種融合改進UNet和SegNet的遙感圖像語義分割方法。

為實現本發明的目的，提供一種融合改進UNet和SegNet的遙感圖像語義分割方法，包括如下步驟：

S10，將批處理規范化加在UNet神經網絡的卷積層和激活層中間，采用ELU激活函數代替ReLU激活函數，采用訓練二分類的方式分別訓練每一個語義分割類別，將各個二分類訓練的模型進行合并，以得到改進UNet神經網絡；

S20，在SegNet神經網絡的編碼過程中，在最大池化操作后，引入SegNet神經網絡中前面設定層的結果進行卷積操作，對卷積操作的結果進行階躍短路連接，以減少SegNet的部分網絡層數，得到改進SegNet神經網絡；