[發明專利]一種基于稠密邊界塊和注意力機制的建筑物分割方法

在審

• 申請號: 202010782544.3
• 申請日: 2020-08-06
• 公開（公告）號: CN112084859A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 劉盛;葉煥然;徐婧婷;陳冠州;高飛;陳勝勇
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊天嬌

本發明公開了一種基于稠密邊界塊和注意力機制的建筑物分割方法，包括：獲取已標記建筑物的遙感圖像生成訓練集；構建損失函數，利用所述訓練集優化圖像分割模型；利用優化后的圖像分割模型處理待分割的遙感圖像，輸出標記建筑物后的建筑物圖，完成建筑物分割。本發明的圖像分割模型包括編碼器、跳過連接單元、解碼器，利用深度卷積網絡進行分割，實現了輸入待分割圖像即可獲得分割結果，避免了額外的計算，使得整個流程更加的趨于自動化。

技術領域

本申請屬于圖像處理技術領域，具體涉及一種基于稠密邊界塊和注意力機制的建筑物分割方法。

背景技術

隨著無人機和衛星技術的快速發展，遙感圖像數量正在數以萬計的增長。而建筑物作為與人類生活密切相關的一種地物，在遙感圖像中占據著大量的比重。因此，高分辨率下的遙感圖像中建筑物分割技術一直是研究的重點，對于城市規劃，土地保護，城鄉改造等都有著重大意義。但是遙感圖像自身的特點使得這種分割顯得格外困難。首先，遙感圖像中有很多遮擋和陰影問題，這些不利因素都影響著建筑物分割算法的判斷。其次遙感圖像中建筑物區域都有較接近的視覺特征，給相似的感興趣目標進行分割時有較大的難度。然后，越高的分辨率越能夠為圖像分割提供更精確的細節，但是這同樣會帶來分割時的模糊邊界。最后，不同地理位置的建筑物形狀外觀各不相同，這需要網絡具有強大的泛化能力。

迄今為止，建筑物的分割可以大致分為基于傳統的機器學習提取特征方法和基于深度學習的端到端訓練方法。早期人們精心設計一些特征描述符來確定逐像素的分類器。例如從光譜，紋理和形狀特征等不同角度，正確組合不同特征獲得更好的分類性能；利用多種類別的支持向量機方法，減少了手動獲取訓練樣本的時間。但是這種泛化性差的機器學習方法很難在復雜場景下分割出建筑物，而且一旦面臨遙感影像上的不利因素，例如樹木遮擋和陰影，就會導致效果不理想。另外，這種手工提取特征的方式無法及時處理好有用數據，成本較高且耗時較長。

隨著現代技術的不斷進步，GPU的計算速度已經能夠滿足深度學習的運行消耗，這使得深度學習成為處理遙感圖像和建筑物分割的主流方法。卷積神經網絡的提出使得深度學習架構不僅用于目標識別，還可以用于語義分割。這種端到端的學習方式可以預測復雜的模型，尤其是與RGB圖像有關的模型，例如建筑物的自動分割。通過深度學習對特征的自動適應與選擇，解決了傳統機器學習手動提取特征中工作量大、分割不準確和魯棒性較差的缺陷。

對于當前基于深度學習建筑物分割方法的研究，絕大多數的方法都需要大量的標記好的訓練樣本，一旦數據量不足時，就會對網絡的分割結果精度造成影響。其次，在遙感圖像中建筑物的外貌特征和外界的道路特征非常相似，大量的分割網絡無法分清這兩種不同類別的像素；最后，在遙感圖像中建筑物會出現模糊和不規則的邊界，對分割算法的要求較大。

發明內容

本申請的目的在于提供一種基于稠密邊界塊和注意力機制的建筑物分割方法，對圖像分割的精度高，準確率高，并且分割的邊界清晰。

為實現上述目的，本申請所采取的技術方案為：

一種基于稠密邊界塊和注意力機制的建筑物分割方法，用于針對遙感圖像進行建筑物分割，所述基于稠密邊界塊和注意力機制的建筑物分割方法，包括：

步驟S1、獲取已標記建筑物的遙感圖像生成訓練集；

步驟S2、構建損失函數，利用所述訓練集優化圖像分割模型；

步驟S3、利用優化后的圖像分割模型處理待分割的遙感圖像，輸出標記建筑物后的建筑物圖，完成建筑物分割；

其中，所述圖像分割模型包括依次連接的編碼器、跳過連接單元、解碼器，所述編碼器采用ResNet網絡提取遙感圖像的特征，所述ResNet網絡包括N個卷積層和一個GlobalPool層，N個卷積層命名為Res-0至Res-(N-1)，在卷積層Res-0至Res-(N-1)中，前一個卷積層的輸出作為后一個卷積層的輸入，Res-(N-1)的輸出作為Global Pool層的輸入；