[发明专利]基于双路径稀疏分层网络的光学遥感图像地物分类方法

说明书

本发明提供一种基于双路径稀疏分层网络的光学遥感图像地物分类方法，本方法通过将多尺度特征利用预先设置的间隔进行稀疏分组，并利用对应间隔的两条特征融合路径分别对不同层次的特征图进行融合，得到各自对应的特征性图，并进行进一步的融合，同时引入了压缩激励模块来对融合后的特征图进行校准，突出重要的特征，从而提高了光学遥感图像的地物分类任务的准确度。

技术领域

本发明涉及光学遥感图像地物分类技术领域，尤其涉及一种基于双路径稀疏分层网络的光学遥感图像地物分类方法。

背景技术

随着遥感成像技术的不断发展，遥感影像的分辨率逐渐提高，同时获得的遥感影像数量不断增加。高分辨率的遥感影像所包含的地物信息与细节信息更加丰富，同时，也为更加精细的地理信息分析带来帮助。光学遥感图像的地物分类结果在军用和民用领域起着越来越重要的作用。光学遥感图像的地物分割是遥感图像信息提取的基础。影像分割是面向对象的影像分析方法的关键步骤，其分割结果质量直接影响着后续影像信息的提取质量。准确及时地从得到的遥感影像中获取地物信息有着实际需求。

深度学习技术兴起后，基于深度卷积网络的方法在光学遥感图像地物分类任务上取得了巨大的进步。遥感图像在成像机理上与自然图像存在不同，其包含有丰富的光谱特征，又因为遥感图像的成像高度较高，其包含物体的结构更为复杂和多样。

基于深度卷积神经网络的核心挑战在于难以有效沿主干层次聚合高级特征图的语义信息和浅层特征图的细节信息。当前大都数方法仅仅利用短距离的连接，融合相邻层的特征，这样的融合方式缺乏特征交互的多样性。多级特征间的巨大语义信息和分辨率之间的差距也为特征融合带来困难。

面临问题：

(1)现有的不同层次的特征融合方式，只利用了短距离连接来实现相邻层特征的融合，缺乏特征交互的多样性。

(2)多层级间的特征存在巨大的语义差距和分辨率差距，现有的特征融合方式难以很好地实现特征的融合。

发明内容

基于此，有必要针对上述技术问题，提供一种基于双路径稀疏分层网络的光学遥感图像地物分类方法。

一种基于双路径稀疏分层网络的光学遥感图像地物分类方法，所述方法包括：利用特征提取网络提取不同尺度的特征图，所述不同尺度的特征图构成特征图集；设置两种特征融合路径，所述两种特征融合路径的特征融合间隔分别设置为2和3；根据所述两种特征融合路径，分别对所述特征图集进行特征融合，得到第一路径特征图和第二路径特征图，其中所述第一路径特征图对应特征融合间隔为2的特征融合路径，所述第二路径特征图对应特征融合间隔为3的特征融合路径；利用空间压缩激励模块和通道压缩激励模块，分别对所述第一路径特征图和第二路径特征图进行校准，得到第一后续特征图和第二后续特征图；将所述第一后续特征图和第二后续特征图通过像素点相加进行融合，得到进阶特征图；利用空间压缩激励模块和通道压缩激励模块对所述进阶特征图进行校准，得到目标特征图；根据所述目标特征图生成最终的预测结果，从而训练得到目标网络，根据所述目标网络对遥感图像进行地物分割。

在其中一个实施例中，所述根据所述两种特征融合路径，分别对所述特征图集进行特征融合，得到第一路径特征图和第二路径特征图，其中所述第一路径特征图对应特征融合间隔为2的特征融合路径，所述第二路径特征图对应特征融合间隔为3的特征融合路径，具体为：对于所述特征融合间隔设置为2的所述特征融合路径，对间隔为2的特征图进行融合，得到第一初始特征图，并将所述第一初始特征图进行融合，得到第一路径特征图；对于所述特征融合间隔设置为3的所述特征融合路径，将特征图分为两组分别进行融合，得到第二初始特征图，并将所述第二初始特征图进行融合，得到第二路径特征图。

在其中一个实施例中，每一次将特征图进行融合后，都需利用空间压缩激励模块和通道压缩激励模块对融合后的特征图进行校准。

在其中一个实施例中，所述校准具体为选择信息丰富的特征同时抑制信息较弱的特征。