[发明专利]一种基于随机块的高分遥感图像的语义分割方法及系统

说明书

本发明公开了一种基于随机块的高分遥感图像的语义分割方法及系统，所述语义分割方法采用对高分遥感图像进行随机块划分，对单个随机块进行分别语义分割的方式避免了高分遥感图像的语义分割方法中GPU溢出现象，并且在语义分割过程中结合随机块相邻的随机块中的特征数据，克服了现有的遥感图像分割方法会削弱图像内部的关联性的技术缺陷，而且本发明的语义分割方法分别对高分遥感图像的每个波段的单光谱特征数据进行语义分割，利用不同地物对不同波段光的敏感性不同的特点实现对相同或相近颜色的事物的识别，提高了高分遥感图像的语义分割的准确性。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于随机块的高分遥感图像的语义分割方法及系统。

背景技术

在计算机视觉领域，语义分割是目前最热门的话题之一，旨在将图像的每一个像素划分为预定义的类别。针对不同的任务，各种各样的语义分割模型已经被接连不断地提出，并取得了斐然的成果。同样地，对于高分遥感领域，语义分割在遥感图像的应用中也发挥着巨大的作用。例如：通过检测河流、湖泊、冰川等水资源，实时监测生态系统中的水资源占比；通过检测城市灯光分布，评估城市发展的富饶程度，有利于为城市的进一步发展提供依据。

在过去的十年内，越来越多的高分遥感卫星发射升空，并源源不断地反馈回大量的高分遥感图像。这些遥感图像获取廉价且内容丰富，并且可以做到动态更新。可是，与传统的计算机图像不同，这些高分遥感图像是多光谱的，不同范围的谱段，对图像中相应地物的敏感程度不同，因此，可用于详细事物的检测。

目前，面向遥感图像的语义分割模型主要借鉴于传统图像的语义分割网络，以全卷积网络框架(FCN,Full ConvolutionNetwork)为主。这些方法主要通过全卷积网络输入任意尺寸的图像，图像每经过一层的卷积和池化即缩小1/2的尺寸，直到图像缩小到最小尺寸，成为热图，最后利用上采样恢复图像的尺寸，输出像素级别的概率图以达到对每个像素进行预测的目的。其中，知名的U-Net网络便是这一框架(FCN)的改进网络。可是，不难发现，虽然上述的语义分割网络在普通图像的语义分割任务中取得了极大的进展，但是面向大数据量、多光谱的遥感图像时，也会差强人意。普通的高分遥感图像相较于普通图像数据量巨大，通常单幅图像所占空间即可达到G级别，直接将图像用于现有网络，可能达到GPU溢出的现象，而直接将遥感图像分割成块状会削弱图像内部的关联性。同时，高分遥感图像拍摄距离远，于高空之中，现有网络对同样颜色的事物常常分不清具体地物类别，例如，草原和森林。如何克服现有的高分遥感图像的语义分割方法中GPU溢出现象及无法识别相同或相近颜色的事物的技术缺陷，提高对高分遥感图像的语义分割的准确性，成为一个亟待解决的技术问题。

发明内容

本发明的目的是提供一种基于随机块的高分遥感图像的语义分割方法及系统，以克服现有的高分遥感图像的语义分割方法中GPU溢出现象及无法识别相同或相近颜色的事物的技术缺陷，提高高分遥感图像的语义分割的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于随机块的高分遥感图像的语义分割方法，所述语义分割方法包括如下步骤：

对高分遥感图像进行随机块划分，将所述高分遥感图像划分成多个随机块；

提取每个随机块的每个波段的单光谱特征数据；

结合每个随机块相邻的随机块的每个波段的单光谱特征数据采用带监督的语义分割网络分别对每个随机块的每个波段的单光谱特征数据进行语义分割，获得每个随机块的每个波段的单光谱语义分割概率图；

对每个随机块的每个波段的单光谱语义分割概率图利用训练后的权重进行融合，获得每个随机块的语义分割融合概率图。

可选的，所述对高分遥感图像进行随机块划分，将所述高分遥感图像划分成多个随机块，具体包括：

在所述高分辨率遥感图像中心区域随机选择一个像素点d₀；