[发明专利]一种基于深度学习的遥感图像内新增建筑识别方法

摘要

本发明公开了一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：获取样本图像：两时间段遥感图像和新增建筑背景图像；将具有原始尺寸的样本图像分别进行裁剪切割，得到小尺寸图像；对所有小尺寸图像进行数据增强处理；再将增强后的小尺寸两时间段遥感图像进行中心化及全局对比归一化，完成后再一一对应相减，得到遥感差异图；将遥感差异图和小尺寸新增建筑背景图像输入修改后的两种深度神经网络进行网络参数训练；再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，再对输出的初步结果进行修饰处理，得到最终的新增建筑识别图像。本发明方法具有遥感图像内新增建筑识别准确率高以及适用性广的优点。

主权项

1.一种基于深度学习的遥感图像内新增建筑识别方法，其特征在于，包括下述步骤：S1、首先人工在两个不同时间段内对某特定区域采集两张遥感图像，对其中部分新增建筑进行标记，以获得对应的新增建筑背景图像；S2、利用所设计的图像滑动切割算法，将具有原始尺寸的两张遥感图像及对应的新增建筑背景图像进行切割裁剪，得到若干张小尺寸图像；所述小尺寸图像大小为256x256；S3、对两个时间段的小尺寸遥感图像及对应的小尺寸新增建筑背景图像进行数据增强处理，分别进行旋转、镜像、以及尺度缩放的操作；将经过数据增强处理的小尺寸新增建筑背景图像作为第一训练样本；S4、对步骤S3中经过数据增强处理的所有小尺寸遥感图像分别进行中心化及全局对比度归一化的操作；接着，将处理后的两个时间段的小尺寸遥感图像进行一一对应相减，得到遥感差异图；将遥感差异图作为第二训练样本，辅助网络参数训练；S5、分别将基础的VGG‑19及ResNet‑50卷积神经网络修改为图像分割模型，即DeepLab网络结构；再将第一训练样本和第二训练样本，均分别输入修改后的两种DeepLab网络结构进行网络参数训练；S6、将待测遥感图像输入步骤S5中训练所得的两种DeepLab网络结构进行新增建筑识别测试，在两种DeepLab网络结构的softmax输出层处进行模型融合，使最终所得的图像分割模型结合两种DeepLab网络结构的学习能力，得到初步的新增建筑识别结果图像；S7、针对步骤S6中得到的新增建筑识别结果图像，首先进行全连接CRF处理；然后进行形态学膨胀处理，将经过全连接CRF处理的结果图像汇总中由于网络分割不细致导致的黑点置白，得到最终的新增建筑识别结果图像。