[发明专利]一种建筑物图像语义分割结果自适应优化方法

说明书

本发明涉及一种建筑物图像语义分割结果自适应优化方法，步骤如下：将源建筑物图进行极坐标逆变换，获得逆极变换图；对源建筑物图和逆极变换图进行均值漂移，获得源建筑物聚类图和逆极变换聚类图；将逆极变换聚类图进行极坐标正变换，获得二次变换聚类图；对源建筑物聚类图和二次变换聚类图进行颜色聚类目标提取，获取源建筑物聚类提取图和二次变换聚类提取图；源建筑物聚类提取图和二次变换聚类提取图进行轮廓匹配，获取最佳颜色相似度阈值；以最佳颜色相似度阈值为参数对源建筑物图进行均值漂移，得到颜色聚类结果图；对颜色聚类结果图进行颜色聚类目标提取，获得建筑物语义纠正提取图；本发明能高效且自动化地纠正提取建筑物轮廓。

技术领域

本发明涉及图像分割领域，尤其涉及一种建筑物图像语义分割结果自适应优化方法。

背景技术

深度学习语义分割领域由于模型大小的限制，大型建筑物的提取往往不精确，甚至不正确。因此，建筑物图像语义分割结果自适应优化是遥感影像建筑物语义分割后处理领域迫切需要解决的难题。由于目前建筑物图像语义分割结果的后处理优化过程通常是由手动的方法进行，并且大多算法的参数是根据经验选取，使得建筑物图像语义分割结果优化的结果不够准确，不够高效，需要花费大量人力物力资源，难以控制产出比。

发明内容

有鉴于此，针对现有方法对局部色差的区域处理较差的问题，本发明供一种建筑物图像语义分割结果自适应优化方法，具体包括以下步骤：

S1：将源建筑物图进行极坐标逆变换，获得逆极变换图；

S2：在不同颜色相似度阈值下同时对源建筑物图和逆极变换图进行均值漂移，获得源建筑物聚类图和逆极变换聚类图；

S3：将逆极变换聚类图进行极坐标正变换，获得二次变换聚类图。

S4：对源建筑物聚类图和二次变换聚类图进行颜色聚类目标提取，获取源建筑物聚类提取图和二次变换聚类提取图；

S5：源建筑物聚类提取图和二次变换聚类提取图进行轮廓匹配，得到轮廓匹配结果值；

S6：根据轮廓匹配结果值获取最佳颜色相似度阈值；

S7：以最佳颜色相似度阈值为参数对源建筑物图进行均值漂移，得到建筑物颜色聚类结果图；

S8：对该颜色聚类结果图进行颜色聚类目标提取，获得建筑物语义纠正提取图。

本发明提供的有益效果是：借助笛卡尔坐标系图像和极坐标系图像下的对应关系，逆极变换图像在颜色聚类中能够明显消除小型杂物的特征，精确，高效且自动化地纠正提取建筑物轮廓，为建筑物语义分割结果的后处理的自动化提供了有效帮助。

附图说明

图1是本发明方法流程示意图；

图2是源建筑物图；

图3是语义分割结果轮廓图；

图4是源建筑物聚类图；

图5是建筑物语义纠正提取图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图1，图1是本发明方法的流程图；

本发明提供的一种建筑物图像语义分割结果自适应优化方法，具体包括以下步骤：

S1：将源建筑物图进行极坐标逆变换，获得逆极变换图；

需要说明的是，通过OpenCV库的API：imread()函数读取源建筑物图；请参考图2，图2是源建筑物图；

通过OpenCV库的API：warpPolar()函数将源建筑物图进行极坐标逆变换，获得逆极变换图；