[发明专利]一种基于多尺度特征融合的遥感图像分割方法及系统

权利要求书

1.一种基于多尺度特征融合的遥感图像分割方法，其特征在于，包括：

获取遥感卫星图像，对所述遥感卫星图像进行数据集划分，输出训练数据集、验证数据集、模型测试数据集；

获取所述训练数据集中的全部的训练图像，并对全部的训练图像进行预处理，预处理生成的图像存储到样本空间，所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理；

使用所述样本空间中的图像进行训练和预测，生成目标图像语义分类，并采用FocalLoss损失函数进行多尺度特征融合的遥感图像分割模型修正；

将所述多尺度特征融合的遥感图像分割模型打包成可执行文件，并打包所述可执行文件为分割系统。

2.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法，其特征在于，所述获取遥感卫星图像，对所述遥感卫星图像进行数据集划分，输出训练数据集、验证数据集、模型测试数据集，具体包括：

通过遥感拍摄、数据录入和网络查询方式获取所述遥感卫星图像，并保存到初始遥感卫星图像集；

对所述初始遥感卫星图像集进行初始筛选，删除图像质量低于预设图像采集裕度的图像，并保存为遥感卫星图像集；

对所述遥感卫星图像集进行图像数据统计，获得图像采集张数；

当所述图像采集张数超过预设的特征分析门槛值时，在所述遥感卫星图像集中，随机抽取大于所述图像采集张数的60%的整数张图像作为所述训练数据集，并将剩余图像保存到中间数据集；

在所述中间数据集中，随机抽取大于所述图像采集张数的10%的整数张图像作为所述验证数据集，并将剩余图像保存到所述模型测试数据集。

3.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法，其特征在于，所述获取所述训练数据集中的全部的训练图像，并对全部的训练图像进行预处理，预处理生成的图像存储到样本空间，所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理，具体包括：

获取所述训练数据集中的全部的训练图像，进行随机角度的翻转，生成预设张数的第一训练图像；

获取所述训练数据集中的全部的训练图像，进行随机大小的裁剪，生成预设张数的第二训练图像；

获取所述训练数据集中的全部的训练图像，进行随机模糊度的高斯模糊处理，生成预设张数的第三训练图像；

将所述第一训练图像、所述第二训练图像、所述第三训练图像和所述训练数据集中的全部训练图像一起保存为初始训练图像集；

对所述初始训练图像集中的全部训练图像进行归一化处理，并将归一化处理后的图像保存到所述样本空间。

4.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法，其特征在于，所述图像语义分类具体包括：城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域。

5.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法，其特征在于，所述使用所述样本空间中的图像进行训练和预测，生成目标图像语义分类，并采用FocalLoss损失函数进行多尺度特征融合的遥感图像分割模型修正，具体包括：

采用DeepLabv3+网络结构对所述样本空间中的图像进行图像分割预测，其中，所述DeepLabv3+网络结构使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取；

根据所述图像分割预测和所述图像语义分类建立深度卷积神经网络模型；

设置所述Focal Loss损失函数，并根据所述Focal Loss损失函数利用所述验证数据集中的图像对深度卷积神经网络进行训练，生成所述多尺度特征融合的遥感图像分割模型。

6.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法，其特征在于，所述将所述多尺度特征融合的遥感图像分割模型打包成可执行文件，并打包所述可执行文件为分割系统，具体包括：

获取所述多尺度特征融合的遥感图像分割模型中损失函数最优结果对应的目标模型参数；

根据所述目标模型参数保存为所述可执行文件；

将所述可执行文件和所述目标模型参数一起保存为分割系统。