[发明专利]基于U-Net的遥感图像地物分割方法

权利要求书

1.基于U-Net的遥感图像地物分割方法，其特征在于：该方法的实施过程如下：

步骤1：对多光谱遥感影像数据I_m的地物区域使用ArcGIS软件进行人工标注并转化为WKT格式的信息，1≤m≤M，(M为数据集的总数据量)；

步骤2：使用Python读取WKT格式的信息,得到Polygon格式的图像,读取图像的像素矩阵信息并修改为单通道的图像，对应的数据信息是掩模矩阵M_m，对应的标签信息为L_m；

步骤3：将宽和高分别为W和H的I_m与L_m以同样方式进行裁剪，得到N幅宽和高分别为r和c的图像I'_n和L'_n，并组成样本对(I'_n,L'_n)；r＜＝M,c＜＝H，1≤n≤N；

步骤4：将样本对以9：1的比例划分为训练集(I'_p,L'_p)和测试集(I'_q,L'_q)，其中训练集和测试集中无重复图像，且N_train+N_test＝N；1≤p≤N_train，1≤q≤N_test；

步骤5：构建U-Net网络，设置迭代次数、学习率超参数；

步骤6：使用交叉熵损失函数和杰卡德系数构造损失函数Loss，

步骤7：输入训练集(I'_p,L'_p)进行网络训练，待网络收敛后保存训练好的模型，并使用测试集(I'_q,L'_q)进行测试，得到杰卡德系数；

步骤8：根据测试结果，得到预测矩阵pred_mask；然后，设定掩膜阈值threadhold∈[0，1]将预测后的pred_mask转化为单通道的掩模矩阵形式；最后，使用杰卡德相关系数在像素级别上对模型的预测结果进行评估。

2.根据权利要求1所述的基于U-Net的遥感图像地物分割方法，其特征在于：步骤6的损失函数Loss如下：

Loss＝H-logJ (3)

其中，N_train为训练集的大小，y_p为像素点真实的类别概率，为像素点预测的类别概率，H为交叉熵损失函数，J为杰卡德系数。