[发明专利]一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法

说明书

本发明提供一种基于U‑net与Seg‑net网络融合的航空地面建筑物提取方法，包括以下步骤：步骤S1、训练样本制作；步骤S2、深度学习模型训练；步骤S3、测试训练模型；步骤S4、输出结果，获取地面建筑物在原图中的位置。本发明应用于无人机光电吊舱对地的光电侦查，转化为图像语义分割任务，有效提取地面建筑物进行分析，提高识别效果。

技术领域

本发明涉及计算机视觉领域的予以分割问题，主要应用于无人机光电吊舱对地的光电侦查，并对重点区域的目标建筑物提取与分析。

背景技术

在航空飞行器对地面侦察和作战过程中，快速准确地获得地物类型信息，尤其是地面建筑物信息，对于目标识别和精确打击具有重要的意义。

随着机载设备性能提升，航空图像对地面建筑物区域成像分辨率越来高，其成像呈现如下特点：(1)地面建筑物的几何结构更加清晰；(2)地面建筑物的位置布局更加明显；(3)地面建筑内部的纹理特征信息更加清晰。

在传统的方法中，主要通过阈值分割、纹理信息、轮廓匹配等信息，实现对地面建筑物目标的分割和提取。但这些方法识别效果不好。

发明内容

针对上述的问题，本发明提供一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法，应用于无人机光电吊舱对地的光电侦查，转化为图像语义分割任务，有效提取地面建筑物进行分析，提高识别效果。

本发明包括以下步骤：

步骤S1、训练样本制作:

选择现有的图像数据库，进行裁剪及处理，获得训练样本；

步骤S2、深度学习模型训练:

选取U-net和Seg-net网络的框架，使用训练样本，分别进行模型训练，最后获得两个训练模型；

步骤S3、测试训练模型:

步骤S301、首先对原图像进行切割，然后通过步骤S2得到的模型对每一张图像进行前向预测分割，获得两张MASK结果图像；

步骤S302、对两张结果图的每个像素点采取投票表决其类别，票数最多的类别即为该像素点的类别；

步骤S4、输出结果:

输出二值化的标记分割结果，并可以通过标记位置获取地面建筑物在原图中的位置。

进一步，所述步骤S1的训练样本中含有标注信息。

进一步，所述步骤S1的训练样本做裁剪、旋转、镜像、光照调整、增加噪声操作。

进一步，所述步骤S3还利用形态学处理孤立像素点的分类或修复断裂边缘。

进一步，所述步骤S3中对原图像的切割采用有重叠的裁剪方式。

进一步，步骤S302中投票为，两张结果图中相同位置像素点的类别以U-net预测的类别为优先级进行最终类别的决策。

本发明有益效果如下：

本发明将深度学习的语义分割技术应用于航空飞行器对航空图像地面建筑物提取上。根据航空光电图像数据集及自有数据集，构建训练集和测试集。利用训练集在端到端的U-net与Seg-net融合网络架构进行训练，得到模型，对测试集进行测试，然后将测试结果进行融合，提取地面建筑物。U-net与Seg-net融合网络架构可以提取图像中的高级语义特征，进而提高识别效果，可以明显提升武器的侦察智能水平和精确打击能力。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1训练数据集中的原图与标记图像。