[發明專利]基于圖神經網絡的光學遙感圖像實例分割方法及裝置

有效

• 申請號: 202110790134.8
• 申請日: 2021-07-13
• 公開（公告）號: CN113554656B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 許樂樂;李葉;徐金中;郭麗麗
• 申請（專利權）人: 中國科學院空間應用工程與技術中心
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06V10/25;G06V10/40;G06N3/04;G06N3/08
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 陳霆雷

本發明公開了一種基于圖神經網絡的光學遙感圖像實例分割方法及裝置，涉及圖像處理技術領域。該方法包括：建立基于圖神經網絡的實例分割模型，實例分割模型包括4個依次連接的多尺度特征提取網絡、基于特征重要性的感興趣區推薦網絡、感興趣區關系網絡和分割網絡；對實例分割模型進行訓練；將待分割圖像輸入到訓練后的實例分割模型中，依次通過4個子神經網絡對待分割圖像進行處理，得到待分割圖像的實例分割結果。本發明適用于復雜場景及目標遮擋情況下的光學遙感圖像實例分割，能夠充分利用場景上下文和目標間關系信息，可提高對光學遙感圖像在復雜場景及目標遮擋情況下的實例分割能力和實例分割精度。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于圖神經網絡的光學遙感圖像實例分割方法及裝置。

背景技術

基于光學遙感圖像的目標實例分割一直是計算機視覺、空間科學、測繪學等領域的研究熱點。現代遙感技術的快速發展使得光學遙感圖像分辨率不斷提高，信息量也隨之急劇增大。然而，高空間分辨率的光學遙感圖像引入了更多的背景干擾如陰影、光照等；此外，光學遙感圖像中目標間的相互遮擋造成目標信息的嚴重缺失，這給光學遙感圖像的目標實例分割帶來了巨大挑戰。

目前，深度學習方法已廣泛應用于圖像實例分割，比如Mask R-CNN、MS R-CNN、PANet等，然而面對復雜場景及目標遮擋情況下的光學遙感圖像，容易導致實例分割精度較低。

發明內容

本發明所要解決的技術問題是針對現有技術的不足，提供一種基于圖神經網絡的光學遙感圖像實例分割方法、一種基于圖神經網絡的光學遙感圖像實例分割方法裝置以及一種存儲介質。

本發明解決上述技術問題的技術方案如下：

一種基于圖神經網絡的光學遙感圖像實例分割方法，包括：

建立基于圖神經網絡的實例分割模型，所述實例分割模型包括4個依次連接的子神經網絡，依次為多尺度特征提取網絡、基于特征重要性的感興趣區推薦網絡、感興趣區關系網絡和分割網絡，所述多尺度特征提取網絡還與所述感興趣區關系網絡連接；

對所述實例分割模型進行訓練；

將待分割圖像輸入到訓練后的所述實例分割模型中，依次通過4個所述子神經網絡對所述待分割圖像進行處理，得到所述待分割圖像的實例分割結果。

本發明解決上述技術問題的另一種技術方案如下：

一種基于圖神經網絡的光學遙感圖像實例分割裝置，包括：

存儲器，用于存儲計算機程序；

處理器，用于執行所述計算機程序，實現如上述技術方案所述的基于圖神經網絡的光學遙感圖像實例分割方法。

本發明解決上述技術問題的另一種技術方案如下：

一種存儲介質，所述存儲介質中存儲有指令，當計算機讀取所述指令時，使所述計算機執行如上述技術方案所述的基于圖神經網絡的光學遙感圖像實例分割方法。

本發明的有益效果是：本發明提供的光學遙感圖像實例分割方法及裝置適用于復雜場景及目標遮擋情況下的光學遙感圖像實例分割，依次通過多尺度特征提取網絡、基于特征重要性的感興趣區推薦網絡、感興趣區關系網絡和分割網絡對待分割圖像進行處理，能夠充分利用場景上下文和目標間關系信息，可分別具有提取多尺度特征的特點、基于特征重要性推薦感興趣區的特點、跨特征圖融合感興趣區關系的特點以及預測形心中心性和分割得分圖的特點，從而可提高對光學遙感圖像在復雜場景及目標遮擋情況下的實例分割能力和實例分割精度。

本發明附加的方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發明實踐了解到。

附圖說明

圖1為本發明光學遙感圖像實例分割方法的實施例提供的流程示意圖；