[发明专利]基于区域注意力多尺度特征融合的遥感图像语义分割方法

说明书

本发明提供了一种基于区域注意力多尺度特征融合的遥感图像语义分割方法，包括以下步骤：S1、构建针对遥感图像语义分割网络的网络模型；S2、构建训练数据集，并对收集训练用的数据集进行预处理；S3、将训练用的数据集输入网络模型进行训练，获得训练参数后并进行预测结果。本发明引入了图像级联网络的思想，大大减少了模型参数量。同时利用注意力机制优化编码特征与解码特征，构造出区域注意力模块、多尺度组融合模块，提取和融合不同尺度的特征图，并使用多尺度的语义标签和边界标签指导训练，在模型的参数量仅有8.4M的情况下，有效提高了模型性能。

技术领域

本发明涉及到图像处理技术领域，尤其涉及到一种基于区域注意力多尺度特征融合的遥感图像语义分割方法。

背景技术

随着科学技术的进步，遥感卫星技术得到了长远的发展，遥感图像的语义分割研究也变的火热起来，但是遥感图像具有成像复杂、信息冗余、种类繁多等特点，因此，如何提高遥感图像的分割精度成为众多研究者关注的一个重点。传统方法的分类过程可分为两个步骤：特征提取和目标分类。即利用特征提取算法提取目标特征，然后利用分类器对目标进行分类。常见的特征提取的方法一般有梯度直方图(Histogram of oriented Gradient)、尺度不变特征变换(Scale-Invariant Feature Transform)、稀疏表示。梯度直方图(HOG)能较好的提取图像局部的梯度特征，但其仍然有着对噪声敏感、计算复杂度高的缺点。尺度不变特征变换(SIFT)提取的图像局部特征具有尺度缩放、旋转和亮度变化不变性，且对噪声有一定程度的稳定性，但SIFT算法无法准确的提取光滑目标的特征点。稀疏表示则在提高准确率的同时可对遥感图像目标进行定位，被应用在很多图像分类的任务中。常见的目标分类方法包括支持向量机(support vector machines)、决策树(decision tree)、随机森林等方法(random forest)。支持向量机(SVM)的目标是寻找对特征空间划分的最优超平面，使得正样本与负样本的隔离边界最大化，不仅剔除了大量的冗余样本，而且又有较好的鲁棒性，但是SVM对多分类的问题仍然存在着较大的困难。决策树(RF)是由多颗决策树组成的整体分类器，通过每颗决策树来投票决定每个像素的分类结果，由于随机性的植入，使得RF具有不容易过拟合，抗噪声等优点。尽管如此，传统算法仍面临着样本空间局限、繁琐费时、非线性能力差的问题。因此，寻找高效且快速遥感图像分割算法是当下亟待解决的问题。

发明内容

本发明的目的是为了克服现有技术的不足，提供了一种基于区域注意力多尺度特征融合的遥感图像语义分割方法。

本发明是通过以下技术方案实现：

本发明提供了一种基于区域注意力多尺度特征融合的遥感图像语义分割方法，该基于区域注意力多尺度特征融合的遥感图像语义分割方法包括以下步骤：

S1、构建针对遥感图像语义分割网络的网络模型；该步骤S1具体包括以下步骤：

S11、选取遥感图像语义分割的主干网络；

S12、采用增强的GCN模块使选取的主干网络得到进一步的改进；

S13、提出一种区域注意力模块，该区域注意力模块可以将不同的权重分配给特征层中的不同区域，主要用于自适应融合具有详细位置信息的低级特征图和具有抽象全局信息的高级特征图；

S14、设计一种多尺度组融合模块，该多尺度组融合模块充当编码器和解码器之间的桥梁，用于融合不同接受领域的特征为具有丰富语义信息的特征；

S2、构建训练数据集，并对收集训练用的数据集进行预处理；该步骤S2具体包括以下步骤：

S21、收集训练用的遥感图像构建训练用的数据集，对数据集的标签进行预处理，即先转化为最大值为类别数的索引图，再将索引图进行one-hot编码；

S22、将收集训练用的遥感图像随机裁剪为固定尺寸的大小；