[发明专利]基于超分辨率和域自适应的无监督遥感图像语义分割方法

说明书

本发明基于超分辨率和域自适应的无监督遥感图像语义分割方法，属于遥感图像语义分割方法技术领域；所要解决的技术问题为：提供基于超分辨率和域自适应的无监督遥感图像语义分割方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，将获取的目标域图像数据集按照设定的比例划分为训练图像和测试图像两部分；搭建遥感图像语义分割网络和超分辨率网络；对搭建好的超分辨率网络进行网络预训练与参数优化；训练遥感图像语义分割网络；将经过预处理的测试集数据输入到已经训练好的遥感图像语义分割网络中，输出遥感图像的精确分割结果；本发明应用于遥感图像处理。

技术领域

本发明涉及改进型基于超分辨率和域自适应的无监督高分辨率遥感图像语义分割方法，属于遥感图像语义分割方法技术领域。

背景技术

近些年来随着高分辨对地观测技术的不断进步和广泛应用，高分辨率遥感数据空间分辨率不断提高并以几何级数积累，因此如何自动、快速和准确地从高分辨率遥感图像提取高价值地理信息成为亟需解决的重要问题之一。语义分割将图像中每个像素标记为特定的地物种类，又称地物提取或土地分类，是高分辨率遥感图像信息提取的重要手段之一，广泛应用于土地规划，环境监测和灾害评估等领域。

深度神经网络能够从图像中自动提取各个等级的语义信息，而且具有强大的特征表达能力目前在图像语义分割应用中取得了巨大的成功。但这些基于深度学习的语义分割方法的优异性能依赖数百万像素级标注的遥感图像标签。由于人工标注高分辨率遥感图像不仅费时费力而且需要丰富的专业知识，所以目前该领域的语义分割模型只能依赖特定时间段、有限个别地域和特定遥感探测器采集而来的小规模训练集。这就导致了这些模型及其有限的泛化性能，当这些模型应用于不同地域或探测器时分割准确率会大幅下降，即领域偏移(Domain Shifts)。为了解决领域偏移和充分利用现有数据集，无监督域自适应方法通过迁移在源域数据集学习的知识实现无标签的目标域数据集的语义分割任务，其中，采用对抗生成网络的域自适应方法通过生成器和判别器的对抗来学习域不变特征，可以有效缩小域间差异。

不同于目前大多数高分辨率遥感图像域自适应方法仅考虑不同探测器之间风格差异即光谱差异，基于超分辨率域自适应(Super-Resolution Domain Adaptation，SRDA)的无监督语义分割方法注意到不同探测器所获取的遥感图像具有分辨率上的差异，同时不同种类地物在遥感图像中的尺寸不同，探索利用超分辨率和语义分割多任务多尺度生成对抗网络同时学习光谱和尺度不变特征实现遥感图像的无监督域自适应语义分割。该模型利用多孔空间金字塔池化模块(Atrous Spatial Pyramid Pooling Module)提取多尺度特征或尺度不变特征，但是其中空洞卷积(Dilated Convolution)是一种稀疏计算可能会造成栅格伪影(Grid Artifacts)；而空间金字塔池化模块可能会引起像素级定位信息损失。此外，高分辨率遥感图像语义分割往往面临严重的种类不均衡问题。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供基于超分辨率和域自适应的无监督遥感图像语义分割方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：基于超分辨率和域自适应的无监督遥感图像语义分割方法，包括如下步骤：

步骤一：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，将获取的目标域图像数据集按照设定的比例划分为训练图像和测试图像两部分；

由源域图像数据集和目标域训练图像构成图像语义分割的训练集，由目标域的测试图像构成图像语义分割的测试集；

对训练集遥感图像数据进行预处理，得到经过数据增强后的遥感图像数据集；

步骤二：搭建遥感图像语义分割网络，所述超分辨率遥感图像语义分割网络包括特征编码模块、超分辨率模块、超分辨率域判别模块、语义分割模块、语义分割域判别模块，其中特征编码模块和超分辨率模块共同构成了遥感图像的超分辨率网络；