[发明专利]一种基于遥感影像分割的狭长条带状要素断裂的连接方法

说明书

本发明属于计算机视觉图像处理领域，具体的说是涉及一种基于遥感影像分割的狭长条带状要素断裂的连接方法。在遥感影像语义分割中，最终生成的预测结果一般为分类结果灰度图。但对于狭长细小的条带状的道路及河流等要素的预测结果通常不太理想，经常会出现道路/河流断裂的现象，这种断裂现象一直是遥感影像处理分割任务中的一大难点。本发明首先使用深度学习语义分割算法获取遥感影像分割图，经拼接，要素提取，膨胀，提取要素骨骼，端点检测，端点延长搜索，膨胀，叠加覆盖等九步骤，实现了对断裂道路以及河流等狭长细小或条带状要素的连接。本技术发明成果不仅可以用于遥感影像分割任务中道路及河流的连接，亦可用于其他条状断裂要素的连接。

技术领域

本发明属于计算机视觉图像处理领域，具体的说是涉及一种基于遥感影像分割的狭长条带状要素断裂的连接方法。

背景技术

在遥感影像分割任务中，当下主流的技术都采用了基于卷积神经网络的深度学习算法，而深度学习算法网络模型架构的搭建并没有明确的指导原则，依然是个黑盒子，通常是基于经验法则，普遍的做法是采用目前计算机视觉领域广为人知的主干网络提取特征，然后基于特定的任务自定义输出结果头部网络结构。深度学习神经网络模型通常需要大量的数据进行训练，并且，数据的分布对于模型的性能影响较大，倘若训练数据类别不均衡，通常会导致占比较少的类别预测性能较差。应对这类问题的方案一般有两种，一种是从数据的角度出发，简单粗暴的进行数据增强，即采用将占比较少的类别的物体进行复制粘贴(Golnaz Ghiasi,Yin Cui,Aravind Srinivas,Rui Qian,Tsung-Yi Lin,Ekin D.Cubuk,Quoc V.Le,Barret Zoph.Simple Copy-Paste is a Strong Data Augmentation Methodfor Instance Segmentation)，从而提升较少类别的要素占比，进而提升模型预测性能。但这种复制粘贴比较适合于具有特定形状边界的要素比如球体，动物等，而不太适合没有边界的要素比如道路或者河流，自身也很难实现精准的提取复制。另外一种是从损失函数的角度出发，通过某种损失函数，抑制占比大的类别对模型总体损失的贡献，提升占比类别小的类别对总体损失的贡献，比如Focalloss“Tsung-Yi Lin,Priya Goyal,Ross Girshick,Kaiming He,Piotr Dollar.Focal Loss for Dense Object Detection”，通过这种方式，减轻数据分布类别不均对模型性能的影像，从而提升模型总体性能。但是，即使采用了上述方案，也只是从一定程度上减轻但不能彻底解决其对模型性能的影响。在遥感影像分割任务中，神经网络模型对于类别占比较少，同时形状又比较狭长的条带状的要素，比如乡间的道路或者小河流，预测会出现断裂的情况。因为这类要素往往在图像上就只占几个像素的宽度，加上乡间道路或者河流两旁的树木遮挡，就会导致预测结果出现断裂的情况，这种断裂问题一直以来也是深度学习遥感影像分割任务中的一大难点。

发明内容

针对上述问题，既然在网络模型上无法很好的解决这类问题，那么本发明就考虑在模型输出的结果之上，通过后处理的方式来对断裂要素进行连接。沈川等(沈川，贾渊，杨珂珂，基于高分遥感影像的断裂道路连接方法.2020.28(2))也是从后处理的角度去实现的断裂道路的连接，不过在连接方法上，有所不同。沈川等的搜索方向的判定仅仅使用了端点的八邻域的相邻像素点进行方向判定，方向较为不稳定。本发明的方向采用的是端点与沿着骨骼线回退一定像素数量的回溯点之间的向量确定，使用骨骼线的走向来辅助端点探测方向的确认，方向更为精准合理，鲁棒性更好。

本发明是基于遥感影像分割任务，对遥感影像分割结果中出现的狭长细小条带状要素断裂的情况进行后处理，实现这些断裂要素的连接。本发明通过遥感影像分割，拼接，要素提取，分割结果膨胀，提取要素骨骼，检测骨骼端点，端点延伸扫描，膨胀，叠加等9个步骤较好的实现了狭长条带状断裂要素如道路及河流的连接。

本发明的步骤及具体方案如下：