[發明專利]一種用于遙感圖像語義分割的特征提取方法和分割系統

有效

• 申請號: 202110678322.1
• 申請日: 2021-06-18
• 公開（公告）號: CN113723411B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 王改華;翟乾宇;曹清程;甘鑫
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/70;G06V10/82;G06N3/0464
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 張火春

本發明提供了一種用于遙感圖像語義分割的特征提取方法和分割系統，特征提取方法應用于特征提取模型，特征提取模型包括卷積模塊和多尺度卷積網絡，特征提取方法包括：將遙感圖像輸入卷積模塊，得到初始特征圖；將初始特征圖輸入多尺度卷積網絡，得到目標特征圖，其中，多尺度卷積網絡包括若干多尺度卷積模塊，每個多尺度卷積模塊均包括級聯的若干深度可分離卷積單元。本發明中的特征提取模型，主要通過多尺度卷積網絡提取遙感圖像對應的目標特征圖，多尺度卷積網絡中的深度可分離卷積單元可以有效降低參數量，提取到遙感圖像更精確的目標特征圖，進而可以基于目標特征圖得到效果更好的分割圖像，可以做到快速對遙感圖像進行分割。

技術領域

本申請涉及圖像處理領域，特別是涉及一種用于遙感圖像語義分割的特征提取方法和分割系統。

背景技術

隨著遙感技術的發展，遙感圖像的分辨率逐漸提升，更高的分辨率就包含了更加豐富的信息，使其廣泛應用于國土資源、氣象海洋、城市規劃、環境監測、軍事偵察等領域。

遙感圖像通常包括道路、水域、建筑、森林、農作物、車輛等多個類別的細節信息，類別分布非常不平衡。同時，受拍攝角度和位置的影響，遙感圖像中對目標通常尺度變化較大，且紋理細節難以分辨。遙感圖像的分割就是將遙感圖像中不同的類別分割為不同的區域，并用不同的顏色進行標記，使其成為計算機和使用者都能理解的直觀表示。然而，使用傳統的圖像分割方法分割的準確率較低，分割的實時性交叉，難以大規模部署和使用。深度學習成為了人工智能重點研究領域之一，深度學習在解決諸如圖像識別、語音識別和自然語言處理等方面表現十分出色。基于深度學習的分割方法以像素點為單元進行精準分割，在處理遙感圖像方面有著得天獨厚的條件。因此，使用深度學習方法對遙感圖像進行分割勢在必行。

因此，現有技術有待改進。

發明內容

本發明所要解決的技術問題是，現有的圖像分割方法，分割的準確率較低。本發明提出了一種用于遙感圖像語義分割的特征提取方法和分割系統，特征提取模型包括多尺度卷積網絡，通過多尺度卷積網絡可以提取到遙感圖像更精確的特征圖，進而得到效果更好、準確度更高的分割圖像。

第一方面，本發明實施例提供了一種用于遙感圖像語義分割的特征提取方法，應用于特征提取模型，所述特征提取模型包括卷積模塊和多尺度卷積網絡，所述用于遙感圖像語義分割的特征提取方法，包括：

將遙感圖像輸入所述卷積模塊，以得到初始特征圖；

將所述初始特征圖輸入所述多尺度卷積網絡，得到目標特征圖，其中，所述多尺度卷積網絡包括若干多尺度卷積模塊，每個多尺度卷積模塊均包括級聯的若干深度可分離卷積單元，所述深度可分離卷積單元包括多個卷積層，所述目標特征圖用于進行語義分割。

作為進一步的改進技術方案，所述多尺度卷積網絡包括第一多尺度卷積模塊、第二多尺度卷積模塊、第三多尺度卷積模塊和第四多尺度卷積模塊；所述將所述初始特征圖輸入所述多尺度卷積網絡，得到目標特征圖，具體包括：

將所述初始特征圖輸入所述第一多尺度卷積模塊，得到第一特征圖；

將所述第二特征圖輸入所述第二多尺度卷積模塊，得到第二特征圖；

將所述第三特征圖輸入所述第三多尺度卷積模塊，得到第三特征圖；

將所述第四特征圖輸入所述第四多尺度卷積模塊，得到目標特征圖。

作為進一步的改進技術方案，所述第一多尺度模塊包括級聯的3個深度可分離卷積單元，所述第二多尺度模塊包括級聯的4個深度可分離卷積單元；所述第三多尺度模塊包括級聯的6個深度可分離卷積單元；所述第四多尺度模塊包括級聯的3個深度可分離卷積單元。

作為進一步的改進技術方案，對于屬于不同多尺度卷積模塊的任意兩個深度可分離卷積單元，所述任意兩個深度可分離卷積單元包括卷積核數量不同、卷積核尺寸相同、連接順序相同的多個卷積層。