[發明專利]一種基于漸進監督的遙感影像居民區提取方法

在審

• 申請號: 202110341851.2
• 申請日: 2021-03-30
• 公開（公告）號: CN113033432A
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 張立保;呂欣然;馬潔;朱婉寧
• 申請（專利權）人: 北京師范大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/136;G06T7/194
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于漸進監督的遙感影像居民區提取方法，屬于遙感影像處理領域。實施過程包括：1)利用具有圖像級標簽的遙感影像數據集，訓練分類卷積神經網絡，計算遙感影像屬于前景類與背景類的概率；2)計算前景類遙感影像的偽標簽顯著圖；3)構建基于強監督學習的自糾錯反饋卷積神經網絡，計算多尺度顯著圖；4)對多尺度顯著圖自適應融合，生成融合后顯著圖；5)計算二值混淆熱圖并得到降噪損失函數；6)將待測試遙感影像輸入訓練好的自糾錯反饋卷積神經網絡，得到最終顯著圖；7)對最終顯著圖進行閾值分割，完成待測試遙感影像的居民區提取；本發明所提方法結合了強、弱監督學習各自優勢，能夠有效提升遙感影像的居民區提取效率。

技術領域

本發明屬于遙感影像處理技術領域，具體涉及一種基于漸進監督的遙感影像居民區提取方法。

背景技術

遙感衛星呈現出的高空間分辨率、高光譜分辨率和高時間分辨率的特點導致遙感影像的規模發生百倍千倍的激增，人們對于遙感影像自動解譯的需求也變得更加迫切。然而，高分辨率遙感影像所提供的清晰完備的地面細節給傳統的遙感影像解譯技術帶來了新的挑戰。多種多樣而又復雜的地面目標分布使高分辨率遙感影像難以被傳統的遙感影像解譯方法所認知，導致計算機無法自動對其解析，浪費了高分辨率遙感影像上的豐富信息。因此，作為遙感影像自動解譯中的重要一環，如何從復雜的地物場景中快速有效地提取出遙感影像的目標，如居民區、飛機、油庫等，目前已成為遙感圖像處理及圖像識別技術領域的研究熱點。

顯著性分析方法能夠避免對整幅影像采用過于精細而耗時的遍歷搜索，有效簡化影像處理過程，從而大幅提高影像分析效率，近年來已成為遙感影像目標提取中的重要手段之一。傳統的遙感影像顯著性分析及目標提取方法大多是結合遙感影像中目標或感興趣區域的先驗知識，通過特征提取來實現，如：Ma等人在文章“Region-of-interestdetection via superpixel-to-pixel saliency analysis for remote sensing image”中提出從超像素到像素的遙感影像顯著性分析方法，將結構張量與背景對比度分別作為紋理特征與顏色特征，并將其融合得到超像素特征圖，最后通過超像素到像素的映射完成像素級別顯著性分析與感興趣區域提取。然而，隨著遙感衛星分辨率的提升，影像的幾何結構與紋理信息趨于復雜，傳統方法已表現出以下兩方面的不足：1)影像中更加復雜的背景導致基于對比度、直線檢測、超像素分割的傳統方法難以發揮出很好的效果；2)來自不同衛星搭載平臺與傳感器的影像視覺表現差異較大，導致人工選取的特征對于不同源遙感影像的泛化能力不足。

近年來，以深度學習為代表的新一代機器學習方法已在計算機視覺相關領域取得突破性進展，并逐漸滲透到計算機視覺與衛星遙感技術交叉領域的研究中。與傳統機器學習方法相比，深度學習框架與人腦神經元結構更加相似，無需人工干預即可在數據驅動下完成模型的訓練，具備更為強大的表達能力與泛化性能。根據模型訓練階段對于標注精度要求的不同，基于深度學習的方法可以分為如下兩類：1)強監督機制下的顯著性分析方法與2)弱監督機制下的顯著性分析方法。

強監督機制下的顯著性分析方法主要是將預先人工標的顯著圖作為標簽，通過構建深層卷積神經網絡完成多尺度、多層次特征提取從而實現更為精準的顯著性分析，如：Chen等人在文章“Symmetrical dense-shortcut deep fully convolutional networksfor semantic segmentation ofvery-high-resolution remote sensing images”中提出一種對稱跨層全卷積網絡，在后處理中引入覆蓋策略以提升模型性能，利用全卷積網絡實現高分辨率遙感影像的目標提取任務。雖然強監督學習方法因為標注精度高而具有表達能力強、檢測精度高等優勢，但是高精度像素級標簽需要借助專家知識完成精準標注，遙感數據規模的不斷增大進一步加劇了人力成本的消耗。