[發(fā)明專利]一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010795781.3
• 申請(qǐng)日: 2020-08-10
• 公開（公告）號(hào): CN112084871A
• 公開（公告）日: 2020-12-15
• 發(fā)明（設(shè)計(jì)）人: 夏列鋼;張雄波;張軍俠;吳煒;楊海平
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/08;G06T7/11;G06T7/13
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

1.一種基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，包括如下步驟：

步驟1：制作遙感影像目標(biāo)邊界樣本：選用高分辨率遙感衛(wèi)星影像數(shù)據(jù)，選取多處生產(chǎn)目標(biāo)所在區(qū)域裁剪成統(tǒng)一大小的多景影像，對(duì)少量影像描畫目標(biāo)的精細(xì)邊界并標(biāo)記類型，獲得少量精確樣本標(biāo)簽，對(duì)大量影像標(biāo)注地物目標(biāo)中心點(diǎn)，獲得大量不確切樣本標(biāo)簽；

步驟2：根據(jù)提取目標(biāo)選擇神經(jīng)網(wǎng)絡(luò)并使用少量精確樣本標(biāo)簽訓(xùn)練小樣本集邊緣模型至擬合；

步驟3：使用小樣本集邊緣模型預(yù)測(cè)步驟1中的大量不確切樣本，獲得大量不準(zhǔn)確樣本標(biāo)簽；

步驟4：以步驟1中的不確切樣本標(biāo)簽為基準(zhǔn)，計(jì)算不準(zhǔn)確樣本標(biāo)簽的邊界完整程度，從不準(zhǔn)確樣本中挑選出邊界比較完整的標(biāo)簽構(gòu)建新的樣本庫，具有更準(zhǔn)確的樣本標(biāo)簽；

步驟5：使用更準(zhǔn)確樣本標(biāo)簽對(duì)小樣本集邊緣模型進(jìn)行迭代訓(xùn)練至收斂，獲得更可靠的大樣本集邊緣模型。

2.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟1中，高分辨率遙感衛(wèi)星影像數(shù)據(jù)可采用光學(xué)衛(wèi)星遙感數(shù)據(jù)或者搭載光學(xué)相機(jī)的航空遙感數(shù)據(jù)，根據(jù)分辨率要求可直接使用多光譜影像或經(jīng)過輻射定標(biāo)、正射校正、圖像融合的全色影像。

3.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟1中，人工使用Arcmap等地理生產(chǎn)軟件進(jìn)行選取目標(biāo)區(qū)域中心點(diǎn)、裁剪成固定大小、勾畫邊界標(biāo)記類型等操作，最終生成大小一致帶有地理坐標(biāo)的柵格文件和面矢量文件。

4.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟2中具體包括：

步驟2.1：設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)：為了能得到比較準(zhǔn)確的目標(biāo)邊緣，選擇RCF作為邊緣檢測(cè)網(wǎng)絡(luò)，可以很好地利用豐富的特征層次結(jié)構(gòu)，提取檢測(cè)精確邊緣。其損失函數(shù)為：

其中是階段k的激活值，是來自激活層，|I|是圖像的各個(gè)像素值，K是階段數(shù)，W表示神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的權(quán)重；

步驟2.2:初始化網(wǎng)絡(luò)權(quán)重：使用VGG16預(yù)訓(xùn)練模型來初始化RCF網(wǎng)絡(luò)權(quán)重；

步驟2.3:設(shè)置訓(xùn)練超參數(shù)：配置超參數(shù)，模型調(diào)優(yōu)后具體數(shù)值：迭代次數(shù)8000，batch_size＝4,學(xué)習(xí)率更新策略，學(xué)習(xí)率更新步長＝[3200,4800,6400,8000]，初始學(xué)習(xí)率＝0.001，學(xué)習(xí)率更新系數(shù)＝0.1；

步驟2.4:訓(xùn)練第一代模型：按照步驟2.3設(shè)置好的超參數(shù)，將步驟1.3中的少量精確樣本輸入到RCF網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，待神經(jīng)網(wǎng)絡(luò)收斂，獲得第一代邊緣檢測(cè)模型。

5.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟3具體包括：

步驟3.1:將步驟1.3中的不確切樣本輸入到步驟2.4中的第一代邊緣檢測(cè)模型中，獲得關(guān)于地物目標(biāo)的邊緣強(qiáng)度圖，描述是否為目標(biāo)邊緣的可能性；

步驟3.2:將步驟3.1中的地物目標(biāo)邊緣強(qiáng)度圖使用skeleton算法進(jìn)行骨架提取，獲得不準(zhǔn)確樣本標(biāo)簽，與不確切樣本標(biāo)簽不同，不準(zhǔn)確樣本標(biāo)簽僅為網(wǎng)絡(luò)模型預(yù)測(cè)處理后的結(jié)果，含有錯(cuò)誤信息，而不確切樣本標(biāo)簽是人工繪制確定地物目標(biāo)位置的一個(gè)定位點(diǎn)，幾乎完全可信。

6.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟4中，不確切樣本標(biāo)簽是地物目標(biāo)中心點(diǎn)，確定地物目標(biāo)位置，是計(jì)算邊界完整程度的重要依據(jù)；根據(jù)地物目標(biāo)中心點(diǎn)并使用邊界完整程度算法篩選出較優(yōu)質(zhì)的樣本標(biāo)簽，降低噪聲干擾；邊界完整程度算法如下：

步驟4.1:遍歷不確切樣本標(biāo)簽中的每個(gè)地物目標(biāo)中心點(diǎn)，以點(diǎn)為中心，從0點(diǎn)鐘方向開始，360度地順時(shí)針向外輻射，直至觸碰到步驟3.2中不準(zhǔn)確樣本的骨架邊緣線，記錄每個(gè)觸碰點(diǎn)；

步驟4.2:對(duì)于圍繞同一個(gè)定位點(diǎn)的觸碰點(diǎn)，使用八鄰域的形態(tài)學(xué)方法盡可能拓?fù)溥B接，每個(gè)定位點(diǎn)將得到關(guān)于它的目標(biāo)邊界線；

步驟4.3:計(jì)算每一個(gè)目標(biāo)邊界線的閉合程度，并根據(jù)設(shè)定的閾值分兩種情況處理邊界線；

步驟4.3.1:可修補(bǔ)斷線延伸：對(duì)于閉合程度大于閾值的邊界線，參考步驟3.1中的邊緣強(qiáng)度圖，選取強(qiáng)度圖中數(shù)值較大的像素點(diǎn)使邊界斷線得到延伸，最終閉合并記錄到更準(zhǔn)確的樣本標(biāo)簽中；

步驟4.3.2:不可修補(bǔ)斷線刪除：對(duì)于閉合程度小于閾值的邊界線，不記錄到更準(zhǔn)確的樣本標(biāo)簽。

7.如基于弱監(jiān)督學(xué)習(xí)的高分遙感目標(biāo)邊界提取方法，其特征在于：步驟5中，使用小樣本集邊緣模型初始化邊緣檢測(cè)模型的網(wǎng)絡(luò)權(quán)重，訓(xùn)練至擬合的大樣本集邊緣模型為最終模型，具體包括：

步驟5.1:用步驟2.4中的第一代模型取代VGG16預(yù)模型來重新初始化RCF網(wǎng)絡(luò)權(quán)重；

步驟5.2:將步驟4.3獲得的更準(zhǔn)確樣本輸入到RCF網(wǎng)絡(luò)中按照步驟2.3的超參數(shù)訓(xùn)練，待神經(jīng)網(wǎng)絡(luò)收斂，獲得最終的大樣本集邊緣模型；

步驟5.3:使用最終的大樣本集邊緣模型預(yù)測(cè)待生產(chǎn)的高分遙感影像數(shù)據(jù)，可得到較步驟3.1更準(zhǔn)確的地物目標(biāo)邊緣強(qiáng)度圖；

步驟5.4:使用skeleton算法對(duì)邊緣強(qiáng)度圖進(jìn)行骨架提取，得到的骨架圖；

步驟5.5：對(duì)骨架圖取最外邊界，得到最終的地物目標(biāo)邊界提取結(jié)果。