[发明专利]基于U-Net的遥感图像地物分割方法

说明书

本发明公开一种对多光谱遥感图像进行地物分割的方法，首先，对多光谱遥感图像进行标注，生成标签图像；然后，对图像进行裁剪和缩放，得到预处理后的图像；接着，使用U‑Net模型在训练集上进行训练，并保存训练好的模型；最后，使用训练好的模型在测试集上进行预测，得到最终的地物分割结果图。

技术领域

本发明属于图像识别技术领域，涉及到的是基于U-Net的多光谱遥感图像地物分割方法。

背景技术

遥感图像地物分割指的是利用从传感器获得的遥感数据，将观测场景中未知地物类型的数据样本进行类别识别并定位的过程。随着卫星遥感图像技术的提高，人们可以更加方便的从遥感图像中获取更多有用的数据和信息来对遥感数据进行分析。遥感技术目前在许多领域都有着广泛的应用，如农业生产条件研究、农作物估产、国土资源调查、土地利用和土地覆盖、环境监测和军事勘查等。可以说，遥感技术是人类获取空间信息的主要并且有效的手段之一。

随着遥感技术与信息技术的发展，每天都有快速增长的遥感数据产生。面对这些海量的遥感信息数据，如何充分地利用它们，并从中挖掘有价值的信息，为人们的工作和生活提供帮助，是一个急需解决的问题。在遥感图像的研究与分析中，对遥感图像的地物进行识别是遥感技术的一个重要的研究方向。

赵雪梅等人使用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系，提出了基于隐马尔可夫高斯随机场模型的模糊聚类遥感图像分割算法。该方法建立在精确的数学模型之上，具有严密的数学论证，但通常分割准确率较低，且难以推广到其他数据集。

Kaiser等人探讨了当难以获取大量人工标签时，在大数据集上使用弱标签进行训练的可能性，强调了训练集规模的重要性。Yuan等人从地理信息系统(GIS)中生成标签，专注建筑物提取任务。以上两种方法均使用了一种称为深度卷积神经网络(DeepConvolutional Neural Network，DCNN)的深度学习技术。基于深度卷积神经网络，Long等人提出的全卷积网络(Fully Convolutional Network，FCN)以端对端的方式将卷积网络应用到语义分割中。该网络使用反卷积层进行上采样，使用跳跃连接来改善上采样的粗糙度。

随后，出现了很多使用卷积神经网络进行语义分割的模型。例如，Farabet等使用多尺度卷积神经网络学习像素及超像素特征，得到了良好的语义分割效果。一个深度学习模型一般由若干层神经网络组合而成，每层神经网络的输出是对其输入的抽象表示，当较为复杂的数据经过多层次的深度学习模型后，通过组合低层特征形成了数据的更高层抽象表示，使数据更容易被分类。

发明内容

本发明要解决的技术问题是，提供一种基于U-Net的地物分割研究方法，用于多光谱遥感图像的地物分割。

本发明采用的技术方案为基于U-Net的遥感图像地物分割方法，包括以下几个步骤：

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；

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；