[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

说明书

本发明提供了一种基于多尺度特征融合的遥感图像分割方法及系统。该方案包括对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，并进行预处理，进而生成样本空间，预处理包括随机翻转、裁剪、高斯模糊和归一化处理；使用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Focal Loss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保存为分割系统。该方案进行分割预测，并使用Focal Loss损失函数在训练过程中加大困难样本的惩罚力度，提升遥感图像分割精度。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于多尺度特征融合的遥感图像分割方法及系统。

背景技术

遥感是指利用飞行器携带的传感器对目标进行远距离的勘测，其主要表现形式为远距离成像。随着遥感技术与深度学习技术的不断完善和提高以及硬件设备的不断发展，遥感图像的应用已经与我们的生活息息相关。遥感图像解译广泛应用于地理国情勘测、国土资源调查、城市建设、农业生产与森林防护等领域，它已经逐渐成为人们对地球地面理解的重要方式。而遥感图像语义分割在遥感图像解译中扮演重要角色，是低高层遥感图像处理及分析的重要衔接。若语义分割后得到的遥感图像分割效果精准，就能提高遥感图像解译的可信度。

但现有的对遥感图像的应用处于可视化解译阶段，自动化程度较低。主要原因是遥感图像语义分割方法的效率不足以支持现有的应用。目前遥感图像语义分割面临的主要困难有：1）遥感图像分辨率逐渐提高，促使蕴含的信息增多，使数据提取越发困难。2）受分割目标类别分布不平衡，不同分割目标边缘易重叠，个别分割目标尺寸较小，纹理细节难以分辨等因素的影响，传统的语义分割方法准确率较低，计算时效较差，难以在大规模部署和实时环境下有效应用。3）精确的人工标记不仅需要耗费大量时间精力，而且容易导致深度神经网络的脆弱性与泛化能力差等问题，即修改一个像素，就能使神经网络识别图像出错。如何在不精确人工标注的小样本训练数据上提升模型的分割准确率一直是难题。

发明内容

鉴于上述问题，本发明提出了一种基于多尺度特征融合的遥感图像分割方法及系统，其可以实现遥感图像语义分割方法的准确率提升。

根据本发明实施例的第一方面，提供一种基于多尺度特征融合的遥感图像分割方法，具体包括：

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Focal Loss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。

在一个或多个实施例中，优选地，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。