[發明專利]一種面向對象的高分辨率遙感影像分割算法

在審

• 申請號: 202011011810.9
• 申請日: 2020-09-22
• 公開（公告）號: CN112348823A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 杜磊岐;王江安
• 申請（專利權）人: 陜西土豆數據科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/08;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種面向對象的高分辨率遙感影像分割算法，該方法包括以下步驟：A.無人機或者衛星拍照單元采集遙感影像數據；B.對每張IMG源數據圖片進行矢量、柵格、PNG格式轉換；C.將預處理的圖片依據crop size進行裁剪作為神經網絡的輸入；D.按照8∶2比例隨機劃分訓練集和測試集；E.深度學習訓練神經網絡參數，保存訓練結果最優的模型；F.預測圖片，輸出后處理優化成果物。本發明顯著解決數據樣本不均衡問題，模型交并比高；輸入大尺度遙感影像圖片，成果圖像融合性好，生成的圖像分辨率高。

技術領域

本發明屬于遙感測繪地理信息技術領域，具體為一種面向對象的高分辨率遙感影像分割算法。

背景技術

語義分割是一種典型的計算機視覺問題，其涉及將一些原始數據例如：平面圖像作為輸入，并將它們轉換為具有突出顯示的感興趣區域的掩模。專業術語為全像素語義分割，其中圖像中的每個像素根據其所屬的感興趣對象被分配類別ID。

普通的圖像分割，通常意味著傳統語義分割，這個時期的圖像分割(大概2010年前)，由于計算機計算能力有限，早期只能處理一些灰度圖，后來才能處理RGB圖，這個時期的分割主要是通過提取圖片的低級特征，然后進行分割，涌現了一些方法：Ostu、FCM、分水嶺、N-Cut等。這個階段一般是非監督學習，分割出來的結果并沒有語義的標注；換句話說，分割出來的東西并不知道是什么。

隨后，隨著計算能力的提高，人們開始考慮獲得圖像的語義分割，這里的語義目前是低級語義，主要指分割出來的物體的類別，這個階段(大概是2010年到2015年)人們考慮使用機器學習的方法進行圖像語義分割。

隨著FCN的出現，深度學習正式進入圖像語義分割領域。基于神經網絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然后用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。

針對相關技術中的問題，目前尚未提出有效的解決方案，為此，我們提出一種面向對象的高分辨率遙感影像分割算法。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供一種面向對象的高分辨率遙感影像分割算法，解決了背景技術中提到的問題。

(二)技術方案

為實現上述目的，本發明提供如下技術方案：一種面向對象的高分辨率遙感影像分割算法，該方法包括以下步驟：

A.無人機或者衛星拍照單元采集遙感影像數據；

B.對每張IMG源數據圖片進行矢量、柵格、PNG格式轉換；

C.將預處理的圖片依據crop size進行裁剪作為神經網絡的輸入；

D.按照8∶2比例隨機劃分訓練集和測試集；

E.深度學習訓練神經網絡參數，保存訓練結果最優的模型；

F.預測圖片，輸出后處理優化成果物。

優選的，所述拍照單元是用于拍照和采集圖像信息的，其設置有多個，所述拍照單元為攝像頭；多個拍照單元以掃描目標為中心形成向心型陣列，所有拍照單元均與處理三維建模數據的計算機連接，所述拍照單元固定在主面板上，主面板固定在支架組件上。

優選的，所述遙感影像額分辨率為空間分辨率，又稱地面分辨率，后者是針對地面而言，指可以識別的最小地面距離或最小目標物的大小，前者是針對遙感器或圖像而言的，指圖像上能夠詳細區分的最小單元的尺寸或大小，或指遙感器區分兩個目標的最小角度或線性距離的度量，它們均反映對兩個非常靠近的目標物的識別、區分能力。