基于边界点选择算法的遥感图像语义分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115346048A(43)申请公布日2022.11.15(21)申请号202211026393.4G06V10/34(2022.01)(22)申请日2022.08.25G06V10/44(2022.01)G06V10/82(2022.01)(71)申请人珠江水利委员会珠江水利科学研究G06V10/80(2022.01)院地址510610广东省广州市天河区天寿路80号(72)发明人顾祝军扶卿华曾麦脉赵敏吴秉校吴家晟林带娣廖广慧林权满(74)专利代理机构南京思宸知识产权代理事务所(特殊普通合伙)32548专利代理师王真(51)Int.Cl.G06V10/26(2022.01)G06V10/30(2022.01)权利要求书2页说明书5页附图2页(54)发明名称基于边界点选择算法的遥感图像语义分割方法(57)摘要本发明公开了基于边界点选择算法的遥感图像语义分割方法，包括如下步骤：首先，通过计算对图像进行平滑滤波，得到平滑的图像，再对平滑的图像进行拉普拉斯运算，增强图像，选择二价倒数中的零交叉点进行边缘检测判据，随机选取点，构造边界区域，通过计算确定结构边界点，本发明通过边界点选择算法去结合边缘检测和深度学习的分割方法，在边缘检测的基础上选择结构边界点来构成边界点图，更好地保留语义分割对象的边界信息，结合了边缘检测算法，使得语义分割对象的边界与真实值吻合地更好，减少了在下采样过程中边界丢失的问题，得到的语义分割模型精度更好，明显改善分割对象边界与真实标签值不重合的问题。CN115346048ACN115346048A权利要求书1/2页1.基于边界点选择算法的遥感图像语义分割方法，其特征在于：包括如下步骤：S1、将原始图片进行边缘检测；S2、边界点选择算法获取边界点图；S3、使用空洞卷积获取不同大小边界点图特征；S4、将不同大小的边界点图融合到与其大小相同的Unet层中进行训练；S5、得到训练后的语义分割模型；所述S1中，对遥感影像使用边缘检测算法制作语义分割对象的边界信息，图像中的边缘检测通过对灰度值求导数来确定，而导数通过微分算子计算来实现；具体过程为：先将彩色遥感图像变换为灰度图，然后通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得二阶导数地过零点，最后选取适当的阈值来提取边界；通过拉普拉斯高斯算法即边缘检测算法，首先对图像f(x,y)进行平滑滤波，其滤波函数根据人类视觉特性选为高斯函数，即：其中，G(x,y)是一个圆对称函数，其平滑的作用是可通过σ来控制的，将图像G(x,y)与f(x,y)进行卷积，可以得到一个平滑的图像，即：g(x,y)＝f(x,y)*G(x,y)。2.根据权利要求1所述的基于边界点选择算法的遥感图像语义分割方法，其特征在于，所述S1中，对平滑图像g(x,y)进行拉普拉斯运算，进行图像增强，即：h(x,y)＝▽2(f(x,y)*G(x,y))；选择一阶导数大于某一阈值的零交叉点作为边缘点，由于对平滑图像g(x,y)进行拉普拉斯运算等效为G(x,y)的拉普拉斯运算与f(x,y)的卷积，故h(x,y)变为:h(x,y)＝f(x,y)*▽2G(x,y)；式中▽2G(x,y)称为LoG滤波器，其为：3.根据权利要求2所述的基于边界点选择算法的遥感图像语义分割方法，其特征在于，所述S1中，边缘检测判据是二阶导数的零交叉点(即h(x,y)＝0的点)并对应一阶导数的较大峰值。4.根据权利要求1所述的基于边界点选择算法的遥感图像语义分割方法，其特征在于，所述S2‑S3中，边缘检测得到的边界图像能够得到该图像中的边界，然后确定该图像有几块区域，假定为k块区域，依次遍历k个区域，在每个区域内随机选取n个点，t为迭代次数，然后通过连接第t次迭代时的n个点构造了边界区域计算与Sk的IOU，选取IOU值最大的边界点作为结构边界点。5.根据权利要求1所述的基于边界点选择算法的遥感图像语义分割方法，其特征在于，所述S4中，选择基于Unet实现，在参与网络训练时，对获得的结构边界关键点图做空洞卷2CN115346048A权利要求书2/2页积，使其在二维张量上与Unet每次采样之前的张量一样，再用concat的方法在原图channel维度上进行堆叠，增强边界信息；再用融合方法将边界点融合进与其特征大小相同的卷积模块中，增强边界信息；再用融合方法将边界点融合进与其特征大小相同的卷积模块中，增强边界信息，其具体融合过程为：假设现在卷积层的特征维度是那么与之对应的边界点图的大小就是然后将特征fi和Si在channel维度上广播做元素点乘，而后将得到的结果和特征fi相加，得到融合了边界信息的特征整个过程的具体公式为3CN115346048A说明书1/5页基于边界点选择算法的