[发明专利]一种构建大规模遥感影像语义分割模型训练样本集的方法

权利要求书

1.一种构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于包括如下步骤：

步骤1、将已有的遥感影像矢量数据与多期遥感影像进行配准，并通过滑窗算法自动切割提取初级样本集；

在所述初级样本集的提取过程中，当配准后遥感影像矢量数据中图斑分布较为稀疏时的步骤为：

步骤A1、获取每一个图斑的四至范围，在四至范围的基础上向周围扩展随机大小的缓冲区；

步骤A2、对扩展缓冲区后的图斑范围进行栅格化，得到扩展缓冲区后的图斑范围内目标地物的掩膜；

步骤A3、使用固定尺寸的滑窗在掩膜上滑动，并计算前景和背景之间的比值；

步骤A4、当比值大于设定的阈值时，裁剪影像和掩膜上该区域数据作为图像和标签；

步骤A5、将裁剪得到的数据和标签进行整合，得到初级样本集；

当配准后遥感影像矢量数据中图斑分布较为密集时的步骤为：

步骤B1、将遥感影像矢量数据栅格化，得到覆盖整张遥感影像的掩膜；

步骤B2、使用固定尺寸的滑窗在遥感影像和掩膜上同时滑动提取数据作为图像和标签；

步骤B3、将裁剪得到的数据和标签进行整合，得到初级样本集；

步骤2、对初级样本集中每一张图像进行特征提取，并采用聚类算法进行分类，剔除初级样本集中含有云雾遮挡和阴影遮挡的样本，获得中间样本集；

步骤3、将中间样本集分批次输入语义分割模型进行迭代优化训练，并在每次迭代优化完成后对样本进行预测，剔除中间样本集中的错误样本，获得目标样本集。

2.根据权利要求1所述的构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于：所述缓冲区的范围大小为滑窗的1-2倍。

3.根据权利要求1所述的构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于：步骤2中所述中间样本集的获取步骤为：

步骤2.1、分别提取初级样本集中每一张图像的纹理特征和颜色特征；

步骤2.2、通过直接拼接的方式融合纹理特征和颜色特征，得到图像的融合特征集；

步骤2.3、通过聚类算法对图像的融合特征集进行聚类处理，分析初级样本集聚类产生的类别，删除初级样本集中含有云雾遮挡和阴影遮挡的样本，保留包含目标地物的样本。

4.根据权利要求3所述的构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于：步骤2.1中采用GLCM提取所述纹理特征，采用颜色直方图提取所述颜色特征。

5.根据权利要求3或4所述的构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于：步骤2.3中所述聚类算法采用密度聚类算法，其具体步骤如下：

步骤2.3.1、设置元素之间的领域距离阈值，并设置以该领域距离阈值为邻域半径的范围内的最小包含点数，若一个元素在邻域半径内包含的元素数量不少于所述最小包含点数，则该元素为核心对象；

步骤2.3.2、找出图像的融合特征集中的核心对象，则将其加入到核心对象集合中；

步骤2.3.3、在核心对象集合中随机选择一个未访问的元素，首先将其标记为已访问，然后标记其类别，最后将邻域半径内未访问的非核心对象加入到种子集合中；

步骤2.3.4、判断种子集合是否为空，若是则该聚类簇生成完毕进入步骤2.3.6，否则进入步骤2.3.5；

步骤2.3.5、从种子集合中随机挑选一个种子，并判断该种子为非核心对象，若是则将该种子领域半径内的对象加入种子集合，并跳转至步骤2.3.4；

步骤2.3.6、判断核心对象集合中的元素是否都已经被访问，若是则完成对图像的融合特征集的聚类，否则跳转到步骤2.3.3。

6.根据权利要求1所述的构建大规模遥感影像语义分割模型训练样本集的方法，其特征在于：所述语义分割模型为FCN网络模型、SegNet网络模型、空洞卷积模型、DeepLab系列模型、RefineNet模型、PSPNet模型中的任一种。