[發明專利]基于選擇注意力網絡的SAR圖像復雜建筑物提取方法及系統

有效

• 申請號: 202010639627.7
• 申請日: 2020-07-06
• 公開（公告）號: CN111860233B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 王智睿;孫顯;付琨;荊浩;肖岱峰;傅佳美;孫元睿
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/12;G06N3/04;G06N3/08
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于選擇注意力網絡的SAR圖像復雜建筑物提取方法，其特征在于，包括：

獲取待提取建筑物的高分辨率合成孔徑雷達圖像；

將所述待提取的高分辨率合成孔徑雷達圖像帶入預先訓練好的建筑物提取模型進行處理，從所述高分辨率合成孔徑雷達圖像中得到包含建筑物輪廓的二值圖像；

所述建筑物提取模型由選擇帶孔空間金字塔卷積模塊的新型解碼器和K5卷積塊構建而成；

所述建筑物提取模型包括：編碼模塊和解碼模塊；

所述編碼模塊包括34層殘差網，每一層由3×3的卷積核、BatchNorm層和ReLU層依次連接組成；

所述解碼模塊包括K5卷積塊和選擇帶孔空間金字塔卷積模塊；

還包括：將擴張深度可分離卷積應用于所述K5卷積塊和選擇帶孔空間金字塔卷積模塊中；

K5卷積塊用于：對于編碼器的5個不同尺度的輸出特征映射Feature map(特征圖)，他們的輸出步長分別是2,4,8,16,32，對其進行并聯；

使用雙線性插值技術進行上采樣將其恢復至相同的256×256大小的空間分辨率；

應用1×1卷積對每層的通道數量進行了縮減Squeeze，分別統一減小至48個通道。

2.如權利要求1所述的SAR圖像復雜建筑物提取方法，其特征在于，所述建筑物提取模型的訓練包括：

獲取區域高分辨率合成孔徑雷達圖像，對所述合成孔徑雷達圖像按照建筑物輪廓內外部像素值進行標記，獲得建筑物標注圖；

將所述合成孔徑雷達圖像和所述建筑物標注圖進行裁切，并將裁切后的所述合成孔徑雷達圖像和所述建筑物標注圖作為訓練樣本集；

將所述訓練樣本集按設定比例劃分為訓練集、驗證集和測試集；

基于所述訓練集中的所述合成孔徑雷達圖像作為空間金字塔神經網絡的輸入，將所述合成孔徑雷達圖像對應的建筑物標注圖作為所述空間金字塔神經網絡的輸出，對空間金字塔神經網絡進行訓練得到建筑物提取模型；

并利用驗證集和測試集對所述建筑物提取模型進行驗證和優化。

3.如權利要求2所述的SAR圖像復雜建筑物提取方法，其特征在于，所述對空間金字塔神經網絡進行訓練得到建筑物提取模型，包括：

采用訓練集中的所述合成孔徑雷達圖像作為所述建筑物提取模型的編碼器輸入，提取出多種分辨率特征圖；

由所述合成孔徑雷達圖像的K5卷積塊對于所述多種分辨率特征圖進行融合并壓縮通道數量；

基于所述融合并壓縮通道數量后的分辨率特征圖和所述建筑物提取模型的選擇帶孔金字塔卷積模塊根據所述合成孔徑雷達圖像建筑物的多尺度信息重構通道之間的關系，恢復多尺度建筑物細節和邊緣；

基于多尺度建筑物細節和邊緣對應的所述建筑物標注圖作為所述建筑物提取模型的解碼器的輸出，得到訓練好的建筑物提取模型。

4.如權利要求3所述的SAR圖像復雜建筑物提取方法，其特征在于，所述將所述合成孔徑雷達圖像和所述建筑物標注圖進行裁切，并將裁切后的所述合成孔徑雷達圖像和所述建筑物標注圖作為訓練樣本集，包括：

對所述區域高分辨率合成孔徑雷達圖像和標注圖進行處理得到新的遙感圖像；

對所述新的遙感圖像按照設定尺寸進行裁切，將裁剪后的遙感圖像作為訓練樣本集；

所述處理包括：旋轉、水平垂直翻轉、平移、尺度變換、裁剪縮放，圖像亮度對比度變換。

5.如權利要求4所述的SAR圖像復雜建筑物提取方法，其特征在于，所述基于所述待提取的高分辨率合成孔徑雷達圖像和預先訓練好的建筑物提取模型，得到建筑物輪廓的二值圖像，包括：

所述建筑物提取模型的編碼器提取所述待提取的高分辨率合成孔徑雷達圖像的多種分辨率特征圖；

所述建筑物提取模型的K5卷積塊對所述多種分辨率特征圖進行融合并壓縮通道數量；

所述選擇帶孔金字塔卷積模塊根據目標的多尺度信息重構通道之間的關系，恢復多尺度建筑物細節和邊緣，得到建筑物的預測輪廓二值圖。