多尺度分割约束的遥感影像语义分割方法.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CN110119744A(43)申请公布日2019.08.13(21)申请号201910375375.9(22)申请日2019.05.07(71)申请人上海交通大学地址200240上海市闵行区东川路800号(72)发明人霍宏郑双朋鲍腾飞吕亮方涛(74)专利代理机构上海交达专利事务所31201代理人王毓理王锡麟(51)Int.Cl.G06K9/34(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图4页(54)发明名称多尺度分割约束的遥感影像语义分割方法(57)摘要一种多尺度分割约束的遥感影像语义分割方法，通过对遥感影像进行多尺度区域合并，并将合并结果进行融合处理后得到多尺度分割结果，通过深度学习网络进行语义预测得到遥感影像地物准确边界及语义信息；本发明利用多尺度分割结果作为约束，一方面既能够获得遥感影像地物准确边界；另一方面又能够得到封闭区域的语义信息，解决了传统的多尺度分割方法无法直接获得封闭区域的语义信息的问题，以及基于深度学习的语义分割方法不能很好地保留地物的准确边界的问题。CN110119744ACN110119744A权利要求书1/2页1.一种多尺度分割约束的遥感影像语义分割方法，其特征在于，通过对遥感影像进行多尺度区域合并，并将合并结果进行融合处理后得到多尺度分割结果，通过深度学习网络进行语义预测得到遥感影像地物准确边界及语义信息；所述的深度学习网络优选采用具有Caffe深度学习框架的AlexNet网络；所述的遥感影像地物准确边界及语义信息是指：将多尺度分割约束的遥感影像语义分割结果中的每一个区域的边界存储为多边形矢量数据，所有区域的多边形数据组成通用的Shp格式矢量图形文件，每个多边形表示一个空间对象，并设置索引号和类别属性，便于分割结果的存储和交换。2.根据权利要求1所述的方法，其特征是，所述的多尺度区域合并，包括以下步骤：A1、读入遥感影像，设置尺度参数和用于度量区域同质性进行区域合并的分割参数并计算遥感影像的区域结构信息；A2、初始化区域邻接图，计算出每对相邻区域的同质性，寻找局部最优合并区域对进行合并，得到起始尺度的合并结果并保存；A3、以尺度间隔作为步长，将当前尺度增加一个尺度间隔数，判断是否达到预设的终止尺度，当达到终止尺度时结束尺度区域合并，否则转步骤A4；A4、在前一个尺度的合并结果基础上，在新尺度下寻找局部最优合并区域对进行合并，得到新尺度下的合并结果并保存，然后更新区域邻接图并转步骤A3。3.根据权利要求2所述的方法，其特征是，所述的区域结构信息是指：通过度量同质性，即两个相邻区域之间的相似性获得的当前尺度下影像可划分的区域以及各区域中包含像素情况的信息。4.根据权利要求1所述的方法，其特征是，所述的融合处理，包括如下步骤：B1、每个合并结果的标准差以及该合并尺度下的区域平均标准差，以平均标准差出现峰值且均值标准差变化率开始下降时的尺度作为融合的最佳尺度；B2、由于每个尺度下的合并结果之间具有内在的关联，即可作为层次连接结构图，根据最佳尺度和多尺度合并过程中得到的层次连接结构图获得该尺度中的各个区域及每个区域自身的层次结构图，计算各区域的莫兰指数，用于衡量每个区域内部的空间相关性并进行欠分割判断；B3、将每个区域保持其尺度上的空间继承关系进行自适应融合，得到最终的多尺度融合结果，即得到最终的多尺度分割结果。5.根据权利要求4所述的方法，其特征是，所述的莫兰指数其中：n为该区域内部的子区域总数，wij为子区域i和子区域j的邻接关系，pi和pj分别是子区域i和子区域j的特征值，是子区域特征的平均值。6.根据权利要求4所述的方法，其特征是，所述的欠分割判断是指：当区域的莫兰指数没有达到该阈值，则该区域不存在欠分割，在最终融合时，将保留该区域，否则，需要检查前一尺度该区域的莫兰指数是否达到该阈值，直到找到不存在欠分割的尺度或者达到初始最小尺度。2CN110119744A权利要求书2/2页7.根据权利要求1所述的方法，其特征是，所述的深度学习网络的训练样本通过以下方式得到：从影像中采集地物样本图像，采用重叠采样、旋转、翻转等方式，对样本图像进行增强，构建地物样本数据集，将地物样本数据集分为训练子集、验证子集与测试子集，每个子集中的样本图像各自统一命名，并分别存储在硬盘上相应的文件目录中，然后，建立各个子集的标签文件，每个标签文件中都包含对应子集中所有样本图像的存储路径、名字及其类别标签。8.一种实现上述权利要求1～7中任一所述方法的多尺度分割约束的遥感影像语义分割系统，其特征在于，包括：用于将读入的遥感影像进行多尺度分割的多尺度合并与融合模块、用于将深度网络封装到系统中进行语义预测的深度网络封装模块、用