[发明专利]一种基于稠密边界块和注意力机制的建筑物分割方法

说明书

本发明公开了一种基于稠密边界块和注意力机制的建筑物分割方法，包括：获取已标记建筑物的遥感图像生成训练集；构建损失函数，利用所述训练集优化图像分割模型；利用优化后的图像分割模型处理待分割的遥感图像，输出标记建筑物后的建筑物图，完成建筑物分割。本发明的图像分割模型包括编码器、跳过连接单元、解码器，利用深度卷积网络进行分割，实现了输入待分割图像即可获得分割结果，避免了额外的计算，使得整个流程更加的趋于自动化。

技术领域

本申请属于图像处理技术领域，具体涉及一种基于稠密边界块和注意力机制的建筑物分割方法。

背景技术

随着无人机和卫星技术的快速发展，遥感图像数量正在数以万计的增长。而建筑物作为与人类生活密切相关的一种地物，在遥感图像中占据着大量的比重。因此，高分辨率下的遥感图像中建筑物分割技术一直是研究的重点，对于城市规划，土地保护，城乡改造等都有着重大意义。但是遥感图像自身的特点使得这种分割显得格外困难。首先，遥感图像中有很多遮挡和阴影问题，这些不利因素都影响着建筑物分割算法的判断。其次遥感图像中建筑物区域都有较接近的视觉特征，给相似的感兴趣目标进行分割时有较大的难度。然后，越高的分辨率越能够为图像分割提供更精确的细节，但是这同样会带来分割时的模糊边界。最后，不同地理位置的建筑物形状外观各不相同，这需要网络具有强大的泛化能力。

迄今为止，建筑物的分割可以大致分为基于传统的机器学习提取特征方法和基于深度学习的端到端训练方法。早期人们精心设计一些特征描述符来确定逐像素的分类器。例如从光谱，纹理和形状特征等不同角度，正确组合不同特征获得更好的分类性能；利用多种类别的支持向量机方法，减少了手动获取训练样本的时间。但是这种泛化性差的机器学习方法很难在复杂场景下分割出建筑物，而且一旦面临遥感影像上的不利因素，例如树木遮挡和阴影，就会导致效果不理想。另外，这种手工提取特征的方式无法及时处理好有用数据，成本较高且耗时较长。

随着现代技术的不断进步，GPU的计算速度已经能够满足深度学习的运行消耗，这使得深度学习成为处理遥感图像和建筑物分割的主流方法。卷积神经网络的提出使得深度学习架构不仅用于目标识别，还可以用于语义分割。这种端到端的学习方式可以预测复杂的模型，尤其是与RGB图像有关的模型，例如建筑物的自动分割。通过深度学习对特征的自动适应与选择，解决了传统机器学习手动提取特征中工作量大、分割不准确和鲁棒性较差的缺陷。

对于当前基于深度学习建筑物分割方法的研究，绝大多数的方法都需要大量的标记好的训练样本，一旦数据量不足时，就会对网络的分割结果精度造成影响。其次，在遥感图像中建筑物的外貌特征和外界的道路特征非常相似，大量的分割网络无法分清这两种不同类别的像素；最后，在遥感图像中建筑物会出现模糊和不规则的边界，对分割算法的要求较大。

发明内容

本申请的目的在于提供一种基于稠密边界块和注意力机制的建筑物分割方法，对图像分割的精度高，准确率高，并且分割的边界清晰。

为实现上述目的，本申请所采取的技术方案为：

一种基于稠密边界块和注意力机制的建筑物分割方法，用于针对遥感图像进行建筑物分割，所述基于稠密边界块和注意力机制的建筑物分割方法，包括：

步骤S1、获取已标记建筑物的遥感图像生成训练集；

步骤S2、构建损失函数，利用所述训练集优化图像分割模型；

步骤S3、利用优化后的图像分割模型处理待分割的遥感图像，输出标记建筑物后的建筑物图，完成建筑物分割；

其中，所述图像分割模型包括依次连接的编码器、跳过连接单元、解码器，所述编码器采用ResNet网络提取遥感图像的特征，所述ResNet网络包括N个卷积层和一个GlobalPool层，N个卷积层命名为Res-0至Res-(N-1)，在卷积层Res-0至Res-(N-1)中，前一个卷积层的输出作为后一个卷积层的输入，Res-(N-1)的输出作为Global Pool层的输入；