基于深度学习的遥感图像的分割方法.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CN111489370A(43)申请公布日2020.08.04(21)申请号202010233059.0(22)申请日2020.03.29(71)申请人复旦大学地址200433上海市杨浦区邯郸路220号(72)发明人王海鹏张鑫(74)专利代理机构上海正旦专利代理有限公司31200代理人陆飞陆尤(51)Int.Cl.G06T7/136(2017.01)G06T5/00(2006.01)G06T11/40(2006.01)G06N3/04(2006.01)权利要求书3页说明书6页附图7页(54)发明名称基于深度学习的遥感图像的分割方法(57)摘要本发明属于图像处理技术领域，具体为基于深度学习的遥感图像的分割方法。本发明方法包括：选取包含若干种地物类别的遥感图像，制作图像分割标签；将大图像裁剪成若干较小的遥感图像，统计每张较小图像中各种类别比例，定义选取规则，保留部分图像，并将其定义为特定类别；利用迁移学习调取大型公开数据集的训练参数，用卷积神经网络训练制作好的分类数据集，训练得到模型参数；对测试图像的所有像素点周围选取多种测试窗口，基于多尺度对像素点进行类别分类；最后去除独立的类别噪声点，将测试结果优化。本发明实用性强，可以将大规模遥感图像快速生成多类别的分割图像，为国土资源规划部门提供参考，减少了人工操作的成本。CN111489370ACN111489370A权利要求书1/3页1.一种基于深度学习的遥感图像的分割方法，其特征在于，具体步骤如下：(1)对多种传感器多时段多地域得到的遥感图像制作分割标签，即利用不同卫星传感器、不同时间、不同地区拍摄的图像，获取遥感图像分割数据集，定义每一张大规模遥感图像中多类地物类别，并对其进行精细到像素点的手动分割从而制作分割真值；(2)裁剪遥感图像及其分割标签，舍弃部分数据，将保留数据修改为分类数据；具体是选取一定的裁剪窗口大小，将大规模遥感图像裁剪为小窗口数据，统计每张小窗口数据的类别比例信息，舍弃最高占比小的小窗口数据，将最高占比大的小窗口数据变为分类数据，并按照比例选取不同类别的数据，并划分训练集和验证集；(3)基于迁移学习获取大规模开源数据集的训练参数，利用卷积神经网络训练数据；包括调取大规模开源数据的训练参数，去除最后的全连接层，以此给模型训练初始化参数，减少训练时间和训练成本；然后修改网络的输出层，多次调整训练超参数设置，调整训练子模块的结构，来获得一个具有更高效率和准确率的卷积神经网络模型；(4)调取训练好的参数，利用多尺度测试大规模遥感图像，在大范围遥感图像中得出合适尺度参数；包括将训练好的参数带入到不同尺度大小的图像上，将不同尺度得到的测试概率融合起来，以不同的视野观测像素点的类别，以获得遥感图像测试的最佳视野；(5)测试任意遥感图像，后期处理，剔除噪声并对测试结果上色，得到输出结果；包括得到所有像素点的预测类别后，去除“孤岛现象”，即若干被其他类别像素包围的较小的像素块，来消除测试过程中的误处理现象，然后将不同的类别按照不同的颜色上色，以得到一张大规模大场景遥感图像的分割图。2.根据权利要求1所述的基于深度学习的遥感图像的分割方法，其特征在于，步骤(1)中所述对多种传感器多时段多地域得到的遥感图像制作分割标签，具体步骤为：(1a)选取开源的来自不同传感器图像的不同季节、不同地域的遥感图像，将图像打上特有的传感器、拍摄时间、拍摄地点编号；(1b)对于合成孔径雷达成像，进行地理信息编码；(1c)利用matlab打开合成孔径雷达的SAR遥感图像和对应的光学遥感图像，手动在两副对应图像上标注若干对应点，将两幅图配准到一起；(1d)利用matlab分割标注工具，将不同类别的区域按照像素级别分为不同的颜色。3.根据权利要求1所述的基于深度学习的遥感图像的分割方法，其特征在于，步骤(2)中所述裁剪遥感图像及其分割标签，舍弃部分数据，将保留数据修改为分类数据，具体步骤为：(2a)将步骤(1d)中得到的遥感图像真值和对应的光学/合成孔径雷达遥感图像对应起来；(2b)将得到的遥感图像真值从给定范围(64-128)之间选取一定窗口大小，选择有重叠滑动或无重叠滑动，并自行选择滑动步长，裁剪成若干小窗口的真值数据；(2c)统计步骤(2b)中每一张小窗口真值数据中所有颜色的比例，得到占比最高的那一类的类别和对应占比；(2d)设定一个阈值，如果最高类别占比大于这一个阈值，则根据真值窗口的位置定位到对应遥感图像上，裁剪对应的小窗口遥感图像，并认为该窗口图像完全属于最高占比类别，并将该窗口图像保存在该最高类别的文件夹下；若最高类别占比小于这一阈值，则舍2CN111489370A权利要求书2/3页弃；阈值选取范围为0.7-0.99；(2e