[发明专利]一种土地覆盖分类的特征增强方法

说明书

本发明公开了一种土地覆盖分类的特征增强方法，包括如下步骤：S1、获取训练图像集和测试图像集；S2、构造网络模型，包括建立四个下采样层；S3、构建解码网络，包括建立自注意特征模块、通道特征强化模块和特征融合模块；S4、通过特征融合模块，将下采样过程中的不同尺寸的信息进行融合，指导骨干网络特征地图获取空间维度上隐藏层的信息。该种土地覆盖分类的特征增强方法，加强了隐藏层中的语义信息的提取，将隐藏层的语义信息传递原始特征图，得到特征图的上下文像素的类别信息，从而改善建筑物和水域分割过程中的边缘模糊和建筑物误判等问题，提高了分割精度，增强了算法的普适性。

技术领域

本发明涉及图像处理技术领域，具体为一种土地覆盖分类的特征增强方法。

背景技术

随着遥感数据采集技术得进步，获得不同地区的多种遥感影像数据越来越便捷。传统的遥感影像分类方法有目视解译法、统计分析法、聚类分析法等。这些方法虽然简单、灵活，但是局限性很大且解译精度差，已经不适合当今的海量遥感影像分类。随后发展的支持向模糊数学、向量机、决策树和人工神经网络等分类法，在数据处理的速度上无法满足现在数据的“大尺度”和“时效性”。深度学习的出现为土地覆盖分类提供了一种新的方法。深度学习是一种深层次结构的神经网络，比人工神经网络、支持向量机等浅层结构的模型能够更好地提取遥感影像的特征，在影像分类中取得了比以往更高的精度，有效地推动遥感影像自动化、智能化解译的发展。

CNN提取的抽象特征对图像分类、图像中包含哪些类别的物体，以及图像中物体粗略位置的定位很有效，但是由于采用了感知域，对图像特征的提取更多的是以“一小块临域”为单位的，因此很难做到精细(像素级)的分割，不能很准确的划定物体具体的轮廓。遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。因此针对复杂场景的建筑物和水域检测目前存在的不足之处总结如下：

问题1：现有的语义分割网络更多的使用特征图多尺度融合来增强图像分割的效果，对通道信息关注不够，导致建筑物和水域误判。

问题2：现有的语义分割通常采用下采样操作来提取抽象语义特征，因此高分辨率细节容易丢失，分割结果中会出现细节不准确、边缘模糊等问题。

对于问题1，利用自注意特征模块，从隐藏层中提取特征信息，并将隐藏层的特征信息传递到原始特征图，有效获取上下文语义信息之间的依赖关系。并且我们提出的通道注意模块，通过对各通道的依赖性进行建模并提高网络的表示能力，并且对特征信息进行逐个通道调整，这样网路就可以学习通过最大池化信息来选择性的加强包含有用的特征并抑制无用特征，从而提升模型的泛化能力，减少建筑物和水域大面积误判。

对于问题2，在解决问题1的基础上，利用特征融合模块用于指导骨干网络特征地图获取空间维度上隐藏层的信息。最后通过上采样恢复特征图，输出结果是更加详细的预测图像。

为解决上述两个问题，最终本发明专利提出了一种土地覆盖分类的特征增强方法。

发明内容

本发明的主要目的在于提供一种用于土地覆盖分类的特征增强方法，网络加强了隐藏层中的语义信息的提取，将隐藏层的语义信息传递原始特征图，得到特征图的上下文像素的类别信息，从而改善建筑物和水域分割过程中的边缘模糊和建筑物误判等问题，提高了分割精度，增强了算法的普适性。本发明提供了如下的技术方案：

本发明一种土地覆盖分类的特征增强方法，是利用深度学习平台实现分类网络的搭建，分类网络的训练包括数据集的制作及训练调参过程，包括如下步骤：

S1、获取训练图像集和测试图像集；

S2、构造网络模型，包括建立四个下采样层，将图像数据输入模型中，逐层采样获取语义信息，并被提供给解码网络用于语义信息解码，为上采用做准备；