[发明专利]基于置信点的遥感图像分割方法

说明书

本发明公开了一种基于置信点的遥感图像分割方法，主要解决现有技术中高分辨率遥感影像分割精度不高的缺陷。本发明的具体步骤如下：(1)构建卷积神经网络；(2)生成两个训练集；(3)生成两个测试集；(4)对测试集进行地物类别标签预测；(5)标记每个置信点像素；(6)修正建筑物类别；(7)更新植物类别；(8)得到最终的地物类别标签。本发明具有提高植被与建筑物类别精度，不仅对低分辨率的遥感图像有较好的分割效果，而且对高分辨率的遥感图像也具有较好的分割效果。

技术领域

本发明属于图像处理技术领域，更进一步涉及遥感图像处理技术领域中的一种基于置信点的遥感图像分割方法。本发明可用于对卫星获取的高分辨率多波段遥感图像进行分割，得到具有地物类别标签的分割图。

背景技术

遥感图像分割是将遥感图像分成若干个特定的、具有独特性质的区域的技术和过程。目前，工程实践中更多采用U-Net、PSPNet、DeepLab等深度神经网络学习技术。用基于深度学习神经网络的方法分割遥感图像是利用神经网络提取遥感图像特征，经过训练网络来预测每一个像素的类别，从而最终得到具有类别标签的分割图。现有技术的方法对于分辨率较低的公共数据集有较好的分割效果，但是，对于高分辨率的遥感图像，例如WorldView-3卫星遥感图像，效果则不理想。

长安大学在其申请的专利文献“一种基于区域的多特征融合高分辨率遥感影像分割方法”(专利申请号：201610643629.7，公开号：106296680A)中公开了一种基于区域的多特征融合高分辨率遥感影像分割方法。该方法首先分割初始遥感图像，其次计算初始分割图像中每一个分割区域中任一邻域的纹理特征距离、光谱特征距离和形状特征距离，最后应用RAG和NNG方法进行相关区域合并。虽然该方法在分辨率为1米的高分二号遥感图像上分割精度高且执行效率高，但是，该方法仍然存在的不足之处是，该方法采用光谱特征距离、纹理特征距离、形状特征距离来对遥感图像进行分割，没有利用到遥感图像其他波段的信息，导致植被类别分割精度不高。此外，由于建筑物阴影的存在和遮挡问题，导致具体建筑物类别分割精度不高。

海河大学在其申请的专利文献“基于灰度共生矩阵的多波段高分辨率遥感影像分割方法”(专利申请号：201310563019.2，公开号：103578110A)中公开了一种基于灰度共生矩阵的多波段高分辨率遥感影像分割方法。该方法采用降水分水岭变换单独分割每个波段影像，然后叠加各个波段的分割结果。最后，运用基于多波段光谱信息的区域合并策略合并过分割结果中的碎片区域，从而实现影像分割。虽然该方法能够克服过分割及欠分割的现象，分割精度及稳定性较好，但是，该方法仍然存在的不足之处是，由于该方法适用于分辨率为2.5米的中国上海地区的三波段全色-多光谱融合遥感图像上，对分辨率较高的遥感图像普适性不高，此外，由于该方法采用灰度共生矩阵的方法分割遥感图像，未考虑建筑物阴影的存在和遮挡问题，导致具体建筑物类别分割精度不高。。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于置信点的遥感图像分割方法。该方法不仅分割效率较高，而且对于高分辨率的遥感图像尤其是植被与建筑物类别，可以实现较好的分割结果。

实现本发明目的的思路是，先构建两个训练集和两个测试集，搭建LinkNet网络，设置每层参数，进行训练后得到训练后的两个网络，再将两个测试集分别送入训练好的两个网络，通过网络对测试集进行地物类别标签预测，最后通过标记置信点像素、更新植被类别和修正建筑物类别得到遥感图像分割后的地物类别标签。

为了实现上述目的，本发明的具体步骤如下：

(1)构建LinkNet神经网络：

(1a)搭建一个14层的LinkNet神经网络；

(1b)设置LinkNet神经网络中各层的参数；

(2)生成两个训练集：