基于深度编解码融合网络的SAR遥感图像水域分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119621A(43)申请公布日2022.03.01(21)申请号202111453186.2G06V10/80(2022.01)(22)申请日2021.11.30(71)申请人云南电网有限责任公司输电分公司地址650000云南省昆明市五华区普吉街道办事处羊仙坡1号(72)发明人孙斌张继伟沈志张雯娟杨凤赵维谚王洪武李俊鹏黄俊波金晶者梅林罗哲轩徐真蔡澍雨(74)专利代理机构昆明正原专利商标代理有限公司53100代理人金耀生于洪(51)Int.Cl.G06T7/10(2017.01)G06V10/40(2022.01)权利要求书2页说明书7页附图4页(54)发明名称基于深度编解码融合网络的SAR遥感图像水域分割方法(57)摘要本发明涉及一种基于深度编解码融合网络的SAR遥感图像水域分割方法，属于图像分割技术领域。该方法包括如下步骤：（1）构建数据集；（2）训练数据标注；（3）数据增强；（4）构建深度编码网络；（5）构建深度解码网络；（6）构建编解码网络损失函数；（7）模型训练与验证；（8）分割处理；（9）根据需求，对分割结果进行保存或输出。本发明所搭建模型泛化性强、鲁棒性高、性能优异，解决目前水域提取技术上存在的弊端，可实现SAR遥感图像中水域的快速、准确分割，易于推广应用。CN114119621ACN114119621A权利要求书1/2页1.基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于，包括如下步骤：步骤（1），构建数据集：采集SAR影像数据共N景，单景尺寸不低于10k×10k像素，并将数据划分为训练数据集和验证数据集；步骤（2），训练数据标注：读入训练数据集中SAR遥感图像，标注出图像中水域位置信息，获得标签集；步骤（3），数据增强：对训练数据集中SAR遥感图像进行扩增，获得增广数据集；步骤（4），构建深度编码网络：所述的深度编码网络包括特征提取网络和由空洞卷积构成的特征金字塔网络模块，特征提取网络用于对图像中水域特征进行提取和学习，生成特征图；由空洞卷积构成的特征金字塔网络模块用于对提取特征图进行池化；步骤（5），构建深度解码网络：所述的深度解码网络包括融合模块和解码网络模块，所述的融合模块用于对不同分辨率特征图进行融合，解码网络模块用于解码输出网络预测的水域位置信息；特征提取网络和由空洞卷积构成的特征金字塔网络模块均与融合模块相连，形成深度编解码融合网络模型；步骤（6），构建编解码网络损失函数：采用交叉熵损失函数作最小化作为目标函数进行模型训练；步骤（7），模型训练与验证：将训练数据集和标签集输入到搭建好的深度编解码融合网络模型中进行训练，得到训练M代的网络模型架构，之后将训练得到的模型进行加载，并基于验证数据集进行测试，计算分类准确率，保存准确率最优的模型参数；步骤（8），分割处理：加载最优模型参数，将待分割SAR影像输入到深度编解码融合网络模型中，获得标签信息，最后将标签信息对应至待分割SAR影像，获得水域图像的分割结果；步骤（9），根据需求对分割结果进行保存或输出。2.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（1）中，采集搜集聚束模式下高分三号卫星SAR影像数据；训练数据集和验证数据集中的数据比例为8：2。3.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（2）中，利用Labelme标注软件框选并沿水域边缘逐点标注出图像中水域位置信息。4.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（3）中，扩增的方法包括旋转、平移、缩放、灰度变换和Mosaic数据增强方法。5.根据权利要求1所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（4）中，（4.1）构建第一阶段深度编码网络：该网络由三个残差网络模块构成，每个残差网络模块的主干支路采用3个深度可分离卷积层，跨层连接支路则采用1个常规卷积层对输入特征图做尺寸降维、通道升维处理；（4.2）构建第二阶段深度编码网络：该网络由4个相同的分离卷积模块组成，每个分离卷积模块由基于残差连接的3个深度可分离卷积层组成；（4.3）构建第三阶段深度编码网络：该网络包含2个深度分离卷积模块，第1个卷积模块2CN114119621A权利要求书2/2页采用3个深度可分离卷积层，跨层连接支路则采用1个常规卷积层；第2个卷积模块采用深度可分离卷积层，并在其后面串联扩张卷积层。6.根据权利要求5所述的基于深度编解码融合网络的SAR遥感图像水域分割方法，其特征在于：步骤（5）中操作步骤为：对特征提取网络构建的第二阶段深度编码网络提取的特征图作为低维特