[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

说明书

本发明公开了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。该方法在深度语义分割网络的损失函数项中加入基于区域连通的目标整体性约束和基于空间共生知识的目标空间分布约束，网络通过优化加入约束的综合损失函数项来调整网络模型，从而自主学习目标级特征表示和利用空间共生知识自动优化分割目标的空间分布。本发明创新性地提出了综合区域连通约束和空间共生知识约束的遥感影像深度语义分割方法，首次在语义分割领域实现对目标整体的约束；并通过空间共生条件概率将空间共生知识量化，成功地将非结构化的知识嵌入到数据驱动的深度语义分割网络中，有效改善深度语义分割网络的分割精度和分割结果。

技术领域

本发明属于遥感影像解译与人工智能的交叉领域，涉及一种综合区域连通和共生知识约束的深度语义分割方法，具体包含一种联合基于区域连通的目标整体性约束和基于空间共生知识的目标空间分布约束的遥感影像深度语义分割方法。

背景技术

视觉是人类获取信息的重要途径，时刻提供给人们对周围环境的感知信息，包括目标轮廓、位置、空间关系等语义信息。得益于计算机技术和机器观测技术的发展，计算机视觉已成为了自动识别现实世界的主要技术手段，赋予了机器智能感知的能力。作为计算机视觉三大任务之一，语义分割通过指定每个像素的类别来完成对图像的像素级描述，广泛地应用于自然影像处理、医学影像分析，遥感影像解译等领域，具有巨大的应用价值。图像是复杂的数据，包含了丰富的颜色特征、纹理特征、形状特征和空间关系语义信息，在语义分割过程中需要综合考虑这些信息才能取得好的分割结果。相比于自然影像，遥感影像的“同谱异物、同物异谱”现象显著，这给语义分割带来了巨大的挑战。

传统的图像语义分割方法包括最大似然法(MLE)、随机森林(RF)、决策树(DT)和支持向量机(SVM)等基于浅层特征判别的监督分类方法。这类方法一般根据人工设计的特征描述子从图像中提取得到的光谱、纹理和几何结构特征进行分类。传统的分割方法高度依赖于人工设计特征，难以跨越底层图像数据与高层逻辑信息的语义鸿沟，其鲁棒性和精度较差。随着人工智能理论与技术的快速发展，深度学习方法广泛地运用到了图像解译中，在图像语义分割任务中取得了突破性的进展。基于深度学习的语义分割方法包括全卷积网络(FCN)、U型网络(U-Net)、金字塔场景解析网络(PSPNet)、掩模区域卷积网络(Mask R-CNN)和深度分割网络(DeepLab)等深度语义分割网络方法。深度语义分割网络通过端到端的学习机制完成对特征提取与分类一体化模型的自动学习，从而自适应地完成分割工作，使得分割的准确度大幅提高、分割的过程也更加智能化。然而，深度语义分割网络是大数据驱动的像素级别的分类方法，通过聚合像素信息来提取特征和减低每个像素上的损失来反向优化网络模型。由于缺乏目标级别的学习，无法有效提取出目标形状特征，导致分割结果边界模糊、缺乏整体性、随机噪声分布现象明显。同时受制于数据驱动方法的缺陷，往往难以利用目标间丰富的语义信息(如空间关系)和地学先验知识。以上两点严重制约了深度语义分割网络性能的提升，亟需在分割过程中综合考虑目标级别的整体性约束以及目标间的空间语义信息和地学先验知识。

发明内容

本发明主要是解决现有技术在遥感影像语义分割过程中由目标级别学习的缺乏、空间关系和地学先验知识利用不足所导致的分割结果整体性差和精度低等问题，提供了一种综合区域连通和空间共生知识约束的遥感影像深度语义分割方法，可以有效地提高遥感影像语义分割结果的准确性和可靠性。