[发明专利]一种遥感图像细弱目标分割方法

权利要求书

1.一种遥感图像细弱目标分割方法,其特征是：

步骤一：对输入的原始图像进行图像增强和数据扩充，对背景样本进行样本平衡过采样，并最终统一将图片调整为512*512大小；

步骤二：对图像进行相关的预处理和数据扩充后得到的数据集，采取70％作为训练集，20％作为验证集，10％作为最终的测试集，为下一步网络训练做准备；

步骤三：预处理之后的图像经过Dense-Unet网络左侧的一系列稠密卷积块进行下采样，提取图像中的特征信息；

步骤四：在Dense-Unet网络右侧的的一系列稠密卷积块进行上采样，提取图像中的特征信息；

步骤五：采取代价敏感的方法，设置权重敏感向量来增大模型在训练过程中对小类别的注意力，对所有的分类均加上一个权重值，每一类的权重大小与该类别占样本中的比例负相关；

步骤六：使用集成学习的方法，通过训练多个独立的基本网络模型进行组合，集成多个基本模型共同对遥感图像中目标类别信息进行预测；

步骤七：在验证集上对训练模型评估分割效果，并对网络模型进行调整；

步骤八：如果分割精度不达标，则重复进行步骤三到步骤七继续优化网络参数；如果精度达标，则训练结束，得到合适的网络模型。

2.根据权利要求1所述的遥感图像细弱目标分割方法，其特征是：在下采样提取图像中的特征信息过程中，使用批归一化层和瓶颈层来进行网络优化，之后，在一些稠密卷积块之后添加随机失活处理。

3.根据权利要求2所述的遥感图像细弱目标分割方法，其特征是：在上采样提取图像中的特征信息过程中，使用批归一化层和瓶颈层来进行网络优化，并在上下采样层之间增加跳跃连接，最终将网络输出的图像尺寸通过上采样，以使其尺寸和输入尺寸相同，再进行损失误差的参数更新。

4.根据权利要求1、2或3所述的遥感图像细弱目标分割方法，其特征是：步骤五中用代价敏感向量权重调整目标函数，其中n为整体样本的数量，y为人工标记的真实值，a代表网络的预测值，ω是与类别的分布负相关的权重系数：

5.根据权利要求1、2或3所述的遥感图像细弱目标分割方法，其特征是：所述的对输入的原始图像进行图像增强和数据扩充具体包括采用随机剪裁、尺寸缩放、角度变换、仿射变换、随机噪声添加、滤波处理、亮度改变的数据预处理方法。

6.根据权利要求4所述的遥感图像细弱目标分割方法，其特征是：所述的对输入的原始图像进行图像增强和数据扩充具体包括采用随机剪裁、尺寸缩放、角度变换、仿射变换、随机噪声添加、滤波处理、亮度改变的数据预处理方法。