[发明专利]面向机动的自适应多尺度特征融合的遥感影像分割方法

说明书

本发明属于遥感影像解译技术领域，具体涉及一种面向机动的自适应多尺度特征融合的遥感影像分割方法，将获取的遥感影像数据输入自适应空间特征融合模型进行遥感地物解译；空间特征融合模型包括Unet网络模块和ASFF特征融合模块；Unet网络模块包括编码器和解码器；Unet网络模块基于骨干特征提取网络提取得到N个不同尺度的空间特征，进行编码器‑解码器网络模型构建；ASFF特征融合模块用于将输入的N个不同尺度的空间特征依据对应的权重参数进行融合，以得到遥感地物解译结果。由此，本发明解决了现有技术中遥感影像分割的精度低的问题。

技术领域

本发明属于遥感影像解译技术领域，具体涉及一种面向机动的自适应多尺度特征融合的遥感影像分割方法。

背景技术

随着遥感技术的不断发展，能够获取到的遥感影像分辨率也越来越高，更高空间分辨率的影像也包含大量的地物细节特征，基于遥感影像进行分割获取精确的地物分类，广泛应用于土地测绘、环境监测、城市建设等领域。特别的在军事领域，基于遥感影像进行精细的地物识别有利于分析评估车辆的可通行性，进而制定计划展开军事行动。

目前现有技术中有的基于全卷积神经网络(Fully Convolutional Networks,FCN)模型进行遥感地物智能解译。但是，FCN模型在建模时，没有考虑目标地物前景、背景之间的不同，这与现实场景中复杂的遥感地物解译不符，且运算量大、计算时间长等问题。现有技术中还有的采用编码-解码的形式结构的遥感影像分割网络，比如Unet，Unet是一种优秀的分割网络模型，能够减少数据成本且精度比FCN模型高，但是Unet网络由于采用跳跃连接的方式连接特征，对多尺度的特征不敏感，从而造成遥感影像分割的精度低，仍不能满足现实中包含大量地物细节特征的遥感影像的需要。

发明内容

本发明的目的在于提供一种面向机动的自适应多尺度特征融合的遥感影像分割方法，用以解决现有技术中遥感影像分割的精度低的问题。

为解决上述技术问题，本发明所提供的技术方案以及技术方案对应的有益效果如下：

本发明的一种面向机动的自适应多尺度特征融合的遥感影像分割方法，包括以下步骤：

将获取的遥感影像数据输入空间特征融合模型进行遥感地物解译，以得到遥感地物分类结果；

所述空间特征融合模型包括Unet网络模块和ASFF特征融合模块；所述Unet网络模块包括编码器和解码器；编码器用于提取遥感影像数据的特征，以得到不同尺度的图像特征，解码器用于依据N个不同尺度的图像特征进行处理操作，以得到N个不同尺度的空间特征；所述ASFF特征融合模块用于将输入的所述N个不同尺度的空间特征采用如下公式进行特征融合，以得到遥感地物分类结果：

其中为N个尺度的空间特征融合后的图像特征，……、和分别为提取得到的N个不同尺度的空间特征，λ₁、λ₂、λ₃、……、和λ_n分别为对应的权重参数，且满足λ₁+λ₂+λ₃+λ₄+……+λ_n＝1。

上述技术方案的有益效果为：本发明提出一种自适应空间特征融合的遥感影像分割方法，基于Unet网络架构，通过ASFF特征融合模块将Unet网络各个尺度的空间特征进行自适应的融合，各个尺度提取的图像特征不同，比如丰富度不同，依据各个尺度提取的图像特征确定权重参数，使用对应的权重参数进行融合，有效联合遥感影像的多尺度特征，解决了遥感影像分割中不同尺度特征利用不充分的问题，从而提升遥感影像分割的精度。本发明为遥感影像智能解译提供了可靠的解决方案，为Unet网络更灵活的利用多尺度特征的提供了可靠的基础。

进一步地，N＝5。

进一步地，所述Unet网络模块的编码器采用ResNet-50网络实现特征提取。