[發明專利]一種高分辨率遙感影像弱監督建筑物提取方法

在審

• 申請號: 202110651041.7
• 申請日: 2021-06-10
• 公開（公告）號: CN113436204A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 鄭道遠;方芳;劉袁緣;李圣文;曾林蕓;張嘉輝
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194;G06K9/00;G06K9/34;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種高分辨率遙感影像弱監督建筑物提取方法，其特征在于，包括以下步驟：

S1、將高分辨率遙感影像及對應標簽圖輸入分類網絡進行訓練，得到訓練后的分類網絡，基于所述訓練后的分類網絡對所述高分辨率遙感影像進行迭代對抗上升處理，獲得處理后的遙感影像；

S2、將所述處理后的遙感影像輸入所述訓練后的分類網絡，得到迭代后的類激活圖，將所述迭代后的類激活圖進行歸一化，生成優化后的類激活圖；

S3、獲取所述優化后的類激活圖中的像素間類等價關系，并根據所述像素間類等價關系將所述優化后的類激活圖中的所有像素劃分為正集P⁺和負集P^-；

S4、基于門控卷積層搭建類邊界網絡，通過所述類邊界網絡輸出第一類邊界圖；

S5、根據所述第一類邊界圖計算得到第一語義相關矩陣，根據所述正集P⁺、負集P^-和所述第一語義相關矩陣計算得到類邊界損失，根據所述類邊界損失訓練所述類邊界網絡，得到訓練后的類邊界網絡；

S6、通過所述訓練后的類邊界網絡輸出第二類邊界圖，根據所述第二類邊界圖計算得到第二語義相關矩陣，根據所述第二語義相關矩陣計算得到轉移概率矩陣，根據所述轉移概率矩陣對所述優化后的類激活圖進行隨機游走傳播，得到傳播后的類激活圖；

S7、根據所述傳播后的類激活圖生成建筑物偽標簽，將所述建筑物偽標簽和所述高分辨率遙感影像輸入語義分割模型進行訓練，訓練完成后，提取建筑物區域。

2.如權利要求1所述的高分辨率遙感影像弱監督建筑物提取方法，其特征在于，步驟S1中，所述對高分辨率遙感影像進行迭代對抗上升處理的計算公式為：

其中，t(1≤t≤T)指對抗迭代次數，x^t指第t次迭代對抗處理后得到的遙感影像，指訓練后的分類網絡對輸入遙感影像x^t-1的類別分數，ξ代表對抗干擾的程度，代表求偏導。

3.如權利要求1所述的高分辨率遙感影像弱監督建筑物提取方法，其特征在于，步驟S2具體包括：

S21、將所述處理后的遙感影像輸入訓練后的分類網絡，計算得到迭代后的類激活圖CAM(x^t)，計算公式為：

其中，t(1≤t≤T)指對抗迭代次數，x^t指第t次迭代對抗后得到的遙感影像，代表建筑物類別對應的全連接層權重，f(x^t)是全局平均池化層之前的特征圖；

S22、對所述迭代后的類激活圖CAM(x^t)進行歸一化，得到優化后的類激活圖M；具體歸一化操作為：

其中，T指最終的對抗迭代的總次數，max代表取最大值，代表對從第0次迭代到第T次迭代所有類激活圖求和。

4.如權利要求1所述的高分辨率遙感影像弱監督建筑物提取方法，其特征在于，步驟S3具體包括：

S31、將所述優化后的類激活圖中的激活分數與前景和背景閾值進行比較，得到建筑物置信區域和背景置信區域；

S32、選取所述建筑物置信區域和所述背景置信區域中的每個像素點的分類分數的最大值對應的類別，得到所有像素點的偽類別圖

S33、對所述偽類別圖中的像素點進行局部鄰域采樣，將鄰域P內的像素點和鄰域中心像素點進行類別等價關系比較，也即鄰域中心像素預測類別若與鄰域內某像素點的預測類別相同，則該像素對的類別等價，否則不等價，根據比較結果得到像素間的類等價關系；

S34、將類別等價的像素對劃分為正集，類別不等價的像素對劃分為負集，從而將所有像素對P劃分為正集P⁺和負集P^-，具體劃分公式為：

其中，γ代表鄰域半徑來限制像素對間最大距離，(i，j)代表像素i和像素j的索引，||x_i-x_j||₂代表像素x_i和x_j的距離，代表偽類別圖，代表像素i的偽類別和像素j的偽類別一致，代表像素i的偽類別和像素j的偽類別不一致。