[发明专利]一种遥感图像地物识别方法、系统和计算机可读存储介质

说明书

本发明提供一种遥感图像地物识别方法、系统和计算机可读存储介质，所述方法包括：采集训练用的原始样本遥感图像；对采集到的原始样本遥感图像进行数据增强处理，以得到增强样本遥感图像；构建多尺度稠密卷积网络；结合所述原始样本遥感图像和所述增强样本遥感图像对所述多尺度稠密卷积网络进行训练；待所述多尺度稠密卷积网络训练完成后，通过所述多尺度稠密卷积网络对待识别遥感图像中的地物进行识别，并对识别出的地物进行标记。本发明采用DenseNet网络的稠密化层级连接方式重新构建网络，加深网络深度，加强特征信息的传输；并构建多尺度的特征转换层，丰富卷积核提取的图像特征信息，从而使得网络对遥感图像地物识别达到较高准确率的目的。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种遥感图像地物识别方法、系统和计算机可读存储介质。

背景技术

遥感图像的地物识别是指将图像中的每个像素链接到地物类别标签的过程。该过程即为图像语义分割，但可以将其看作为像素级别的图像分类。语义分割是一种典型的计算机视觉问题，其涉及将一些原始数据(例如，平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的掩模，其中图像中的每个像素根据其所属的感兴趣对象被分配类别ID。遥感图像的地物识别是地理信息系统的关键技术，在土地规划、灾害防治、无人机、卫星以及资源监控等诸多领域具有十分重要的作用。

传统的遥感图像地物识别方法主要包括阈值法、边界检测法、区域法等。这些方法的实现原理有所不同，但基本都是利用图像的低级语义，包括图像像素的颜色、纹理和形状等信息，但在遇到复杂场景时的实际分割效果不尽理想。

目前主要是利用深度学习进行相关研究，包括引入编码-解码结构的全卷积网络(Full convolutional network,FCN)，但FCN存在诸如语义信息丢失，缺乏对于像素之间关联性的研究；而使用unpooling操作的SegNet，保证了高频信息的完整性，但是会忽略较低分辨率特征图中像素近邻之间的信息；以及包含完全连接层的DeconvNet，网络模型更大，更加不易训练。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种遥感图像地物识别方法、系统和计算机可读存储介质。

为了实现上述目的，本发明第一方面提出了一种遥感图像地物识别方法，其特征在于，所述方法包括：

采集训练用的原始样本遥感图像；

对采集到的原始样本遥感图像进行数据增强处理，以得到增强样本遥感图像；

构建多尺度稠密卷积网络；

结合所述原始样本遥感图像和所述增强样本遥感图像对所述多尺度稠密卷积网络进行训练；

待所述多尺度稠密卷积网络训练完成后，通过所述多尺度稠密卷积网络对待识别遥感图像中的地物进行识别，并对识别出的地物进行标记。

本方案中，对采集到的原始样本遥感图像进行数据增强处理，具体包括：

采用数据增强算法对所述原始样本遥感图像进行增强处理，所述数据增强算法包括裁剪算法、平移算法、翻转算法、旋转算法、加噪算法、缩放算法、滤波算法的任意一种或几种。

本方案中，所述多尺度稠密卷积网络包括编码器结构、解码器结构、多尺度特征转换层以及多个稠密连接块；

编码器结构，包括多个下采样层，用于产生有语义信息的特征图像；

解码器结构，包括多个上采样层，用于将编码器结构输出的低分辨率特征图像映射回输入图像的尺寸，以进行逐像素的分类；

多尺度特征转换层，用于对遥感图像进行多尺度的特征提取，丰富网络处理的图像高级语义信息；