[发明专利]基于多尺度特征反卷积的超分辨率建筑物精细识别方法

权利要求书

1.一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于包括如下步骤：

步骤1、制作训练样本集；

步骤2、构建包括编码器模块、解码器模块、多尺度特征反卷积模块、特征融合模块与类别判定模块的超分辨率语义分割卷积神经网络；

对于尺寸为n*n的影像，所述编码器模块用于对影像进行卷积池化下采样提取多尺度初级特征，所述解码器模块用于对编码器模块多次下采样后的特征进行反卷积上采样提取多尺度对象级语义特征，所述多尺度特征反卷积模块用于对编码器模块的多尺度初级特征图与解码器模块的多尺度对象级语义特征图分别进行反卷积操作，实现将所有不同尺度的特征图尺寸均扩大至(n*m)*(n*m)，所述特征融合模块用于对所有尺寸为(n*m)*(n*m)的特征图进行叠加融合，所述类别判定模块用于对叠加融合后的特征图进行类别判定，获得尺寸为(n*m)*(n*m)的语义分割结果，其中m＝2^x，m为输出语义分割结果与输入影像的尺寸倍数，x为正整数；

步骤3、输入所述训练样本集对超分辨率语义分割卷积神经网络进行训练；

步骤4、采用训练后的超分辨率语义分割卷积神经网络对待识别影像进行处理，获得识别结果。

2.根据权利要求1所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：步骤1中所述训练样本集的制作过程为：

步骤1.1、获取影像数据集，并对影像数据集中的影像进行批量裁切处理，删除像素全为背景的样本，获得初始样本集；

步骤1.2、采用增强型形态学建筑物指数EMBI与大津阈值法，对初始样本集进行精化提纯与迭代筛选，获得所需训练样本集。

3.根据权利要求2所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：步骤1.1中所述初始样本集的获取步骤为：

获取建筑物地表真值，并对比影像和建筑物地表真值，利用滑动窗口批量切割样本，且删除像素全为背景的样本，得到初始样本集。

4.根据权利要求2所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：步骤1.2中对初始样本集进行样本精化提纯与迭代筛选的具体步骤如下：

对初始样本集中每个样本，计算样本影像每个波段的增强型形态学建筑物指数EMBI；

采用大津阈值法对计算获得的EMBI灰度图进行分割，得到建筑物二值栅格图；

将建筑物二值栅格图和选取样本对应的建筑物地表真值进行对比，计算建筑物的交并比；

筛选出交并比大于预设阈值的样本，获得训练样本集。

5.根据权利要求2或4所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：所述增强型形态学建筑物指数EMBI的计算公式为：

其中，D_N和S_N分别表示结构元素的方向个数和尺寸个数，表示结构体方向为d_i和大小为s_j的差分形态学特征。

6.根据权利要求1所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：所述编码器模块包括五个尺寸不变的卷积层，在前四个卷积层后均连接有一个池化层。

7.根据权利要求1所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：所述解码器模块包括四个反卷积层，在每个反卷积层后均连接有一个尺寸不变的卷积层。

8.根据权利要求1所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：步骤3中对超分辨率语义分割卷积神经网络进行训练时，训练模型的损失函数使用二值交叉熵，其计算公式为：

Loss＝-[y*lnp+(1-y)*ln(1-p)]，

其中，y为样本像素的标签，即建筑物像素为1，背景像素为0，p表示样本的像素被预测为建筑物的概率。

9.根据权利要求1或8所述的基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其特征在于：步骤3中对超分辨率语义分割卷积神经网络进行训练时，训练模型的优化器使用Adam，设置批处理大小为64，学习率为0.001，训练轮次为400。