[发明专利]基于分级轮廓代价函数的遥感图像语义分割方法

权利要求书

1.一种基于分级轮廓代价函数的遥感图像语义分割方法，其特征在于，构建Inception-v3 U-Net分割网络，利用分级轮廓代价函数监督分割网络的损失；该分割方法的具体步骤如下：

步骤1，生成训练集：

步骤1.1，随机选取前景与背景比例均衡的至少20张高分辨率遥感图像及其相对应的标签图像；将每张高分辨率图像以及相对应的标签图像均裁剪为224×224像素大小；

步骤1.2，选取裁剪后标签图像中前景像素占比在10％以上的标签图像，以及与标签图像所对应的遥感图像组成训练集；

步骤2，构建Inception-v3 U-Net分割网络：

步骤2.1，构建1个卷积模块：

搭建一个由第一卷积层、第二卷积层串联组成的卷积模块；

将第一、第二卷积层的卷积核大小均设置为1×1，步长均设置为1，边缘填充均设置为1；

步骤2.2，构建上采样子网络：

搭建一个由第一上采样模块、第二上采样模块、第三上采样模块、CBR模块依次串联组成的上采样子网络作为解码器；第一至第三上采样模块的结构相同，每个上采样模块的结构依次为：第一卷积层、第二卷积层、第三卷积层、BatchNorm层、激活层、上采样层；

将第一至第三卷积层的卷积核大小均设置为3×3，步长均设置为1，边缘填充均设置为1，将激活层的负数部分的斜率设置为0.2，激活层采用LeakyReLU函数实现，上采样层采用二倍最近邻上采样方式；

CBR模块的结构依次为：卷积层、BatchNorm层、激活层；将卷积层的卷积核大小设置为3×3，步长设置为1，边缘填充均设置为1，激活层的负数部分的斜率设置为0.2，激活层采用LeakyReLU函数实现；

步骤2.3，采用concatenate方式，将上采样子网络中的三个上采样模块的输入分别与Inception-v3网络中的三个Inception模块的输出连接、输入模块的输出与CBR模块的输入连接后，组成具有跳连接结构的Inception-v3网络；

步骤2.4，将具有跳连接结构的Inception-v3网络、卷积模块、上采样子网络依次串联，组成Inception-v3 U-Net网络；

步骤3，训练Inception-v3 U-Net网络：

将训练集输入到Inception-v3 U-Net网络中，使用梯度下降法，迭代更新Inception-v3 U-Net网络中各层的参数，直至总代价函数收敛为止，得到训练好的Inception-v3 U-Net网络；

步骤4，预测遥感图像：

步骤4.1，将待预测所有遥感图像依次裁剪为224×224大小，并对裁剪好的待预测遥感图像标好序号；

步骤4.2，将标号序号的图像依次输入训练好的Inception-v3 U-Net网络，得到裁剪后遥感图像分割结果；

步骤4.3，将裁剪后遥感图像的分割结果按照序号依次进行拼接，得到最终的分割结果。

2.根据权利要求1所述的基于分级轮廓代价函数的遥感图像语义分割方法，其特征在于，步骤3中所述的总代价函数如下：

其中，L表示总代价函数，N表示训练集中样本的总数，∑(·)表示求和操作，j表示训练集中样本的序号，L_GCL(j)表示训练集中第j个样本的分级轮廓代价函数；

所述的分级轮廓代价函数L_GCL(j)如下：

其中，M^gc表示训练集中第j个样本的分级轮廓权重矩阵M^gc中第i个像素的权重，y_i与分别表示训练集中第j个样本中第i个像素的真实值与预测值，log(·)表示以2为底的对数操作；

所述的分级轮廓权重矩阵M^gc如下：

其中，G表示轮廓矩阵的向内分级级数，将目标区域的内部作为轮廓矩阵的正向，目标区域外部作为轮廓矩阵的负向，g表示轮廓矩阵中级数的序号，Gauss(·)表示高斯卷积函数，K_g表示第g级轮廓范围超参数，Γ表示每级轮廓的划分结果，δ表示轮廓范围的判定结果；

所述的每级轮廓的划分结果Γ是由下式得到的：

其中，Y表示训练集中的标签图像，S代表对标签图像进行膨胀或腐蚀操作时使用的卷积核，(Y；S)^α表示对标签图像的膨胀或腐蚀操作，α为正数时表示对标签图像进行膨胀操作，α为负数时表示对标签图像进行腐蚀操作；

所述的轮廓范围的判定结果δ是由下式得到的：

δ＝255·One-((Y；S)⁺¹)-(Y；S)^-1))

其中，One表示一个元素数值全为1的矩阵。