[发明专利]基于深度学习语义分割网络的遥感影像地物分类方法

权利要求书

1.一种基于深度学习语义分割网络的遥感影像地物分类方法，其特征在于包括以下步骤：

(1)采集不同载荷的高分辨率可见光的遥感图像，对每一张图像中地物进行逐像素标注，标注后的数据组成一幅二值图像，把原始遥感图像和对应标注图像打包构成训练集和测试集；

(2)对训练集中原始遥感图像采用多尺度窗口对二维熵、粗糙度和对比度纹理特征进行提取，形成多尺度特征图组；并对训练集中原始遥感图像采用Canny算子将地物边缘提取出来，形成结构特征图；

(3)以DeepLab的思想为基础，构建深度学习全卷积语义分割模型；

(4)将步骤(2)中生成的多尺度特征图组、结构特征图与原始遥感图像进行组合形成输入图组，作为步骤(3)中深度学习全卷积语义分割模型的输入进行模型训练，最终得到参数稳定的模型；

(5)对测试集中待分类的原始遥感图像进行切分，将切分后影像通过步骤(4)中训练好的参数稳定的模型进行分类，将分类结果合并到一起生成宽幅检测结果，当重叠区域检测结果产生矛盾时，保留其中分类为非背景像素的结果，得到最终的合并结果。

2.根据权利要求1所述的一种基于深度学习语义分割网络的遥感影像地物分类方法，其特征在于，步骤(3)中全卷积语义分割模型具体为：

模型分为向下和向上两段，其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层，输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层；向上通路中，对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸，对第7层进行上采样后融合第5层多孔卷积生成第8层；对第8层进行上采样后融合第6层多孔卷积生成第9层，对第9层的输出进行尺寸变换还原至原始遥感图像尺寸，得到最终分类结果。