[發(fā)明專利]一種基于U-NET的深度學習遙感圖像語義分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110662122.7
• 申請日: 2021-06-15
• 公開（公告）號: CN113392845A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 潘穎;何卓彥;陳洋臣
• 申請（專利權(quán)）人: 廣州觀必達數(shù)據(jù)技術(shù)有限責任公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06N3/04;G06N3/08
• 代理公司: 廣東高端專利代理事務(wù)所(特殊普通合伙) 44346
• 代理人: 李彩鳳

1.一種基于U-NET的深度學習遙感圖像語義分割方法，其特征在于，所述方法包括：

對初始遙感數(shù)據(jù)進行校正與超分辨率重建，得到重建遙感數(shù)據(jù)；

對所述重建遙感數(shù)據(jù)進行分類預(yù)處理，構(gòu)造遙感樣本庫；

建立基于U-NET的分割網(wǎng)絡(luò)模型，以Keras人工神經(jīng)網(wǎng)絡(luò)庫為學習框架，對所述遙感樣本庫進行預(yù)測分類，得到基礎(chǔ)訓練數(shù)據(jù)集；

對所述基礎(chǔ)訓練數(shù)據(jù)集進行數(shù)據(jù)增強處理，得到目標訓練數(shù)據(jù)集；

基于所述目標訓練數(shù)據(jù)集調(diào)整訓練參數(shù)，訓練所述分割網(wǎng)絡(luò)模型；

采用所述分割網(wǎng)絡(luò)模型處理遙感圖像，得到目標分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于U-NET的深度學習遙感圖像語義分割方法，其特征在于，所述對初始遙感數(shù)據(jù)進行校正與超分辨率重建，得到重建遙感數(shù)據(jù)，包括：

對所述初始遙感數(shù)據(jù)進行大氣校正與輻射校正，得到校正圖像；

對所述校正圖像進行去噪及上采樣處理，得到特征圖像；

對所述特征圖像中包含的非線性特征進行擬合，提取得到對應(yīng)于圖像細節(jié)的高頻信息；

搭建重建卷積神經(jīng)網(wǎng)絡(luò)模型，并基于先驗知識確定損失函數(shù)；

基于所述高頻信息確定優(yōu)化器與學習參數(shù)，并采用反向傳播算法更新網(wǎng)絡(luò)參數(shù)，通過最小化損失函數(shù)訓練所述重建卷積神經(jīng)網(wǎng)絡(luò)模型；

通過驗證集驗證所述重建卷積神經(jīng)網(wǎng)絡(luò)模型，基于驗證結(jié)果調(diào)整所述重建卷積神經(jīng)網(wǎng)絡(luò)模型；

采用所述重建卷積神經(jīng)網(wǎng)絡(luò)模型對所述特征圖像進行超分辨率重建，得到所述重建遙感數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的基于U-NET的深度學習遙感圖像語義分割方法，其特征在于，所述重建卷積神經(jīng)網(wǎng)絡(luò)模型基于SRCNN卷積神經(jīng)網(wǎng)絡(luò)，采用雙立方插值放大所述特征圖像，通過三層卷積層對所述特征圖像與所述重建遙感數(shù)據(jù)之間的非線性映射進行擬合；

或者，所述重建卷積神經(jīng)網(wǎng)絡(luò)模型基于ESPCN卷積神經(jīng)網(wǎng)絡(luò)所引入的亞像素卷積層處理所述特征圖像；

或者，所述重建卷積神經(jīng)網(wǎng)絡(luò)模型基于SRGAN卷積神經(jīng)網(wǎng)絡(luò)，采用鑒別器對所述特征圖像及生成器構(gòu)造的合成圖像進行鑒別，以二元零和博弈方式處理所述特征圖像。

4.根據(jù)權(quán)利要求1所述的基于U-NET的深度學習遙感圖像語義分割方法，其特征在于，所述建立基于U-NET的分割網(wǎng)絡(luò)模型，以Keras人工神經(jīng)網(wǎng)絡(luò)庫為學習框架，對所述遙感樣本庫進行預(yù)測分類，得到基礎(chǔ)訓練數(shù)據(jù)集，包括：

基于U-NET建立用于圖像分割的多通道的分割網(wǎng)絡(luò)模型，所述網(wǎng)絡(luò)分割模型采用多光譜輸入方式，對人類視覺之外的光譜特征進行學習；

基于所述網(wǎng)絡(luò)分割模型訓練二分類模型；

采用所述二分類模型對所述遙感樣本庫中每一樣本所包含的物體進行預(yù)測，得到若干預(yù)測圖；

對所述若干預(yù)測圖進行疊加及合并，得到預(yù)測結(jié)果作為所述基礎(chǔ)訓練數(shù)據(jù)集。

5.根據(jù)權(quán)利要求4所述的基于U-NET的深度學習遙感圖像語義分割方法，其特征在于，所述基于所述目標訓練數(shù)據(jù)集調(diào)整訓練參數(shù)，訓練所述分割網(wǎng)絡(luò)模型，包括：

采用SGD算法更新所述分割網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)權(quán)重；

利用所述目標訓練數(shù)據(jù)集及驗證集進行交叉驗證，調(diào)整所述分割網(wǎng)絡(luò)模型的訓練參數(shù)；

在每一迭代周期結(jié)束時，檢測所述分割網(wǎng)絡(luò)模型是否收斂；

若檢測到所述分割網(wǎng)絡(luò)模型未收斂，則執(zhí)行所述采用SGD算法更新所述分割網(wǎng)絡(luò)模型的神經(jīng)網(wǎng)絡(luò)權(quán)重，以及利用所述目標訓練數(shù)據(jù)集及驗證集進行交叉驗證，調(diào)整所述分割網(wǎng)絡(luò)模型的訓練參數(shù)的方法，進行下一周期的迭代；若檢測到所述分割網(wǎng)絡(luò)模型收斂，則所述分割網(wǎng)絡(luò)模型完成迭代訓練。