[发明专利]基于场景识别任务下的遥感图像目标提取方法

说明书

一种基于场景识别任务下的遥感图像目标提取方法，包括：S100：输入原始遥感图像；S200：从所述原始遥感图像中提取目标场景图像并得到所述目标场景图像的目录文件；S300：按照所述目标场景图像的目录文件，从不同类型的图像文件夹中获取对应同一目标场景的不同类型的图像后，将其输入改进后的分割网络，进行目标提取；S400：输出所提取的目标结果。该方法首先识别场景，在可能存在目标的场景中再分割出目标，解决了大规模高分辨率遥感图像提取特定目标问题。其次，通过提取丰富的上下文信息，不仅增强了特征融合，使网络提取丰富的上下文信息，又在网络末端进行加权概率融合，在突出目标的同时有效抑制错分，提升分割性能。

技术领域

本公开属于遥感图像处理技术领域，特别涉及一种基于场景识别任务下的遥感图像目标提取方法。

背景技术

近年来，随着航空航天领域的高速发展，我国自主研发的航空航天平台、传感器、通信及信息处理技术得到迅速提高，遥感对地观测技术已经能够提供高时间分辨率、高空间分辨率、大尺度范围的遥感图像观测数据。高分辨率遥感图像除了具有较高的空间分辨率、时间分辨率以及丰富的纹理特征等优势外，也暴露出一些问题。例如因为传感器特性以及尺度较大等原因带来的异物同谱问题，因为卫星观测角度的原因产生的地物遮挡问题，因为较高的空间、光谱分辨率突出了噪声影响的问题。这些问题限制了遥感图像目标提取技术的泛化能力以及精度水平，对高分辨率遥感图像进行高精度、高效率、目标明确的信息提取，成为遥感学科以及图像处理领域的研究热点和难点。

深度学习技术在遥感图像地物识别领域得到了较为广泛的应用。深度学习技术的优势在它可以自动地提取到更合适的特征，不完全依赖于人类设计的特征，一般情况下自动提取到的特征比较有效，但目前依然存在改进空间。首先，现有深度学习技术无法直接针对大规模图像进行处理，需将图像裁剪成小块输入网络进行分割提取，而裁剪后的全背景区域图像由于不含目标会产生错分，因此先进行场景识别非常具有必要性。其次，针对深度卷积神经网络而言，池化操作的重复使用降低了特征分辨率，由其通过上采样预测结果比较粗略，难以精确保留目标区域边缘、位置等细节特征。另外，使用性能更高且层次更深的卷积神经网络作为分割的主干网络有利于提取特征，但将使参数增多，需要更多的标记样本来训练网络，而对于多数实际应用难以提供充足的训练样本。再次，深度卷积神经网络难以承受巨大尺寸的图像作为输入，并在其中提取小目标物体获取较高的精度。

发明内容

为了解决上述问题，本公开提供了一种基于场景识别任务下的遥感图像目标提取方法，包括如下步骤：

S100：输入原始遥感图像；

S200：从所述原始遥感图像中提取目标场景图像并得到所述目标场景图像的目录文件；

S300：按照所述目标场景图像的目录文件，从不同类型的图像文件夹中获取对应同一目标场景的不同类型的图像后，将其输入改进后的分割网络，进行目标提取；其中改进后的分割网络是对作为图像分割的主干网络卷积-反卷积网络进行改进，具体为：

S301：采用卷积-反卷积网络作为图像分割的主干网络；

S302：在所述主干网络中加入全分辨率网络分支；

S303：在所述主干网络与所述全分辨率网络分支之间建立数据交流机制，全分辨率网络分支前半段逐步汇聚来自主干网络卷积各阶段的多级尺度特征，全分辨率网络分支后半段则为主干网络反卷积各阶段提供汇聚后的多级尺度特征；

S304：在所述改进后的分割网络末端，对不同类型的图像作为输入得到的类别预测概率图进行加权融合；

S400：输出所提取的目标结果。