[发明专利]综合区域连通和共生知识约束的遥感影像深度语义分割方法

权利要求书

1.一种综合区域连通和共生知识约束的遥感影像深度语义分割方法，其特征在于，包括以下步骤：

步骤1，遥感知识图谱构建；所述遥感知识图谱作为语义网络，用于描述地物目标的属性以及目标之间的关系，其中，遥感本体是遥感知识图谱的骨架，标签影像中的地物目标作为本体的实例化对象组成了遥感知识图谱的基本单元，所述遥感本体作为地物目标的本体表达，用于定义地物类及其属性关系；

步骤2，空间共生知识提取；空间共生关系是指不同目标在图像局部或全局区域内同时出现的情况，以空间相邻作为空间共生关系，空间共生知识由空间关系的统计概率表示，具体做法是在遥感知识图谱中推理得出邻域内不同类别目标出现的条件概率；

步骤3，目标单元构建；所述目标单元是对图像中物体的表达，作为基本的处理单元，从训练样本的每幅标签图像中按类别提取连通域，将获取的连通域视为目标单元，并赋予每个单元类别，从而离线地完成目标单元构建；

步骤4，基于区域连通约束的损失设计；图像原始数据输入深度语义分割网络，输出分类置信图，在置信图上按通道取最大值对应的序号即得到分割结果；为构建目标整体性约束，基于区域连通约束的损失以步骤3中目标为单元进行损失计算，首先在分类置信图上对每个目标单元区域内所有像素的分类置信度向量按通道计算均值向量，这个向量作为该目标单元的分类置信度向量；然后根据目标单元的分类置信度向量和真实类别计算损失；最后对所有目标单元的损失求均值，该均值即为基于区域连通约束的损失；

步骤5，基于空间共生知识约束的损失构建；与基于区域连通约束的损失构建一样，基于空间共生知识约束的损失以步骤3中目标为单元进行损失计算；首先确定每个目标单元的分类类别，取步骤4中每个目标单元的分类置信度向量的最大值及其对应的序号分别作为该目标单元的分类置信度和分类类别；其次给对每个目标单元打分，取中心目标单元邻域内的目标单元对中心目标单元打分，中心目标单元的分值向量由邻域内所有目标单元的分类置信度和步骤2中的共生条件概率按类别加权求和而来，该向量代表中心目标单元在当前邻域空间分布下所属各类的分类置信度；最后根据目标单元的基于空间分布的分类置信度向量和真实类别计算损失，取所有目标单元损失项的均值作为基于空间共生知识约束的损失；

步骤6，深度语义分割网络训练；图像原始数据输入深度语义分割网络，输出分类置信度图，根据分类置信度图及其标签影像计算总体损失，通过后向传播算法降低总体损失，从而优化深度语义分割网络；其中总体损失包括基于像素计算的常规损失项、基于区域连通约束的损失项和基于空间共生知识约束的损失项；

步骤7，图像语义分割；利用训练好的深度语义分割网络对待分割的原始图像进行分割，即得到语义分割结果。

2.根据权利要求1所述的一种综合区域连通和共生知识约束的遥感影像深度语义分割方法，其特征在于：步骤1遥感本体的具体内容包括，

所述遥感本体作为地物目标的本体表达，用于定义地物类及其属性关系；本体地物类分为根类、一级子类和二级子类；地物对象类为根类，其余子类从中衍生；一级子类包括水体类、植被类、地面类、农业用地类、城镇用地类、交通工具类和其他类；二级子类在一级子类的基础上细分为湖泊类、河流类、海洋类、草地类、树木类、裸地类、荒地类、耕地类、牧场类、建筑类、道路类、车辆类、船只类和飞机类；遥感本体的属性关系包括从属层级关系，方位、相邻、环绕空间关系属性以及多数类统计属性；以原始影像上超像素分割块对应于标签影像的区域作为本体类的实体，利用超像素实例化本体类，超像素中具有多数像素的地物类别作为对应实体的本体类类别，即实体的多数类属性；超像素的空间关系属性和统计属性作为实体的属性。