基于超像素与分水岭的遥感图像深度学习分割方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114898216A(43)申请公布日2022.08.12(21)申请号202210671099.2G06V10/764(2022.01)(22)申请日2022.06.14G06V10/762(2022.01)G06T7/10(2017.01)(71)申请人湖南省农林工业勘察设计研究总院G06T7/11(2017.01)地址410000湖南省长沙市雨花区城南中G06N3/04(2006.01)路232号G06N3/08(2006.01)申请人湖南神帆科技有限公司(72)发明人杨文军李智勇邓志鹏易敏曹雪佳张鹏杨芳(74)专利代理机构长沙昌恒达专利代理事务所(普通合伙)43283专利代理师胡昌国(51)Int.Cl.G06V20/10(2022.01)G06V10/26(2022.01)G06V10/82(2022.01)权利要求书2页说明书6页附图3页(54)发明名称基于超像素与分水岭的遥感图像深度学习分割方法及系统(57)摘要本发明公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本发明有效提高遥感图像地物分割的可视化效果和遥感图像地物分割的精度。CN114898216ACN114898216A权利要求书1/2页1.一种基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，包括以下步骤：利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。2.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。3.如权利要求2所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述超像素分割算法涉及区域尺寸参数和正则化平衡参数，所述利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，设置相应的区域尺寸参数和正则化平衡参数。4.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图的步骤中，以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。5.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别的步骤中，定义遥感图像中的地物类别，所述地物类别包括建筑物、河流、道路和植被。6.一种基于超像素与分水岭的遥感图像深度学习分割系统，其特征在于，包括：第一分割模块(10)，用于利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；第二分割模块(20)，用于利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；统计计算模块(30)，用于将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；第三分割模块(40)，用于将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。7.如权利要求6所述的基于超像素与分水岭的遥感图像深度学习分割系统，其特征在于，所述第一分割模块(10)包括第一分割单元，所述第一分割单元用于采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素2CN114898216A权利要求