[发明专利]基于多尺度卷积神经网络的语义分割方法

权利要求书

1.一种基于多尺度卷积神经网络的语义分割方法，其特征在于，包括如下步骤：

获取高分辨率航空影像和LiDAR点云数据中的模态内特征；

基于多尺度卷积神经网络进行模态间特征提取和分类；

采用多尺度分割方法提取地物边界，多尺度分割MRS提取的地物边界作为卷积神经网络CNN分类结果的补充，消除椒盐效应并优化分类结果；

所述高分辨率航空影像和LiDAR点云数据中的LiDAR点云数据包括栅格化的数字表面模型和归一化地表模型，高分辨率航空影像包括红、绿、蓝、近红外4个波段；所述获取高分辨率航空影像和LiDAR点云数据中的模态内特征包括：

将地面点与非地面点分离；通过反向距离权重插值法提取数字高程模型和数字表面模型，并获取归一化数字表面模型；

据标准距离、测量强度、传感器与地表的测量距离来提取归一化强度，并对LiDAR点云数据的强度数据进行归一化；

将点云强度和回波次数栅格化；

采用高斯差分来生成地物边界，所述高斯差分基于两种不同的高斯内核执行边缘检测；所述基于多尺度卷积神经网络进行模态间特征提取和分类包括：

采用自动或半自动图像标记方法，根据数据集所覆盖区域的地物分布特点，将地物类别进行标记；将标记好的图像以及原图裁剪成300×300的图块，预留一定比例的图块作为验证样本，余下的作为训练样本对深度卷积神经网络进行训练；基于多尺度卷积神经网络进行特征提取，并将所有特征导入分类器中进行分类；将归一化地表模型NDSM、高斯差分DoG两种模态内特征、LiDAR点云数据和源图像进行叠加，然后使用多尺度CNN提取模态间特征。

2.如权利要求1所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述卷积神经网络具有卷积-反卷积结构，其中：反卷积处理是对卷积阶段中由池化层下采样后提取的输入特征图进行上采样，每个反卷积结构由上采样层，卷积层和批归一化处理层组成。

3.如权利要求2所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述多尺度卷积神经网络由三种不同尺度的滤波器并行构成，包括3×3，5×5和7×7。

4.如权利要求3所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述多尺度卷积神经网络的结构由一个具有五层的卷积部分和所对应的反卷积部分构成，每个卷积层由一个具有64个输出特征的卷积层，一个BN层，一个ReLU层和一个最大池化层组成，所对应的反卷积部分由一个上采样层，一个卷积层和一个BN层构成。

5.如权利要求1至4任一项所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述采用多尺度分割方法提取地物边界，消除椒盐效应并优化分类结果包括：

将图像分割成一个个小对象，然后根据尺度，形状和紧凑性的参数将彼此相邻的同质对象合并成较大的对象；

使用多尺度分割方法的分割结果对多尺度滤波卷积神经网络的分类结果进行后处理以消除分类噪声。