[发明专利]一种遥感图像的处理方法以及遥感图像处理模型

说明书

本申请提供一种遥感图像的处理方法以及遥感图像处理模型。方法包括：获取包含待提取对象的原图像；对所述原图像依次进行M次下采样处理而获得特征数据，M为正整数；其中，x取1到M中的任意值，第x次下采样处理包括：对输入数据进行尺度不同的卷积，获得尺度不同的各卷积特征，将所述各卷积特征融合再进行下采样，获得输出数据。在对原图像进行上采样时，由于对输入数据进行了尺度不同的卷积，获得尺度不同的各卷积特征，故可以增加网络的宽度，使得将各卷积特征融合再进行下采样处理时，能够提取出更多的信息，以实现图像中的背景和待提取对象复杂且交错时，也能够准确的提取出待提取对象。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种遥感图像的处理方法以及遥感图像处理模型。

背景技术

随着技术的不断进步，机器学习已经实现了比较广泛的应用，最为典型的是利用机器学习可以将图像中的待提取对象从图像的背景中提取出来，以实现自动抠图。

而在对图像中的待提取对象进行提取时，若图像中的背景和待提取对象区分不明显或者图像中的背景比较复杂，比如，从卫星遥感图像中提取出耕地、草地、树林等各自分布的区域，由于这些地形各自交错且形状复杂，导致故机器学习训练出的模型的鲁棒性和准确性都比较低，难以准确的各类型的地形提取出。

换言之，在图像中的背景和待提取对象复杂且交错时，机器学习难以准确的将图像中的待提取对象提取出。

发明内容

本申请实施例的目的在于提供一种遥感图像的处理方法以及遥感图像处理模型，用以实现在图像中的背景和待提取对象复杂且交错时，也能够准确的将待提取对象提取出。

第一方面，本申请提供了一种遥感图像的处理方法，所述方法包括：获取包含待提取对象的原图像；对所述原图像依次进行M次下采样处理而获得特征数据，M为正整数；其中，x取1到M中的任意值，第x次下采样处理包括：对输入数据进行尺度不同的卷积，获得尺度不同的各卷积特征，将所述各卷积特征融合再进行下采样，获得输出数据；其中，若x＝1，第x次处理的输入数据为所述原图像，若M＞1且x≠1，第x次处理的输入数据为第x-1次处理所得的输出数据，若x＝M，第x次处理的输出数据为所述特征数据；对所述特征数据进行卷积，获得卷积后的特征数据；对所述卷积后的特征数据依次进行N次上采样处理而获得特征图像，N为正整数；利用预设的分类器处理所述特征图像，以提取出所述原图像中的所述待提取对象。

在本申请实施例中，在对原图像进行上采样时，由于对输入数据进行了尺度不同的卷积，获得尺度不同的各卷积特征，故可以增加网络的宽度，使得将各卷积特征融合再进行下采样处理时，能够提取出更多的信息，以实现图像中的背景和待提取对象复杂且交错时，也能够准确的提取出待提取对象。

结合第一方面，在第一种可能的实现方式中，对输入数据进行尺度不同的卷积，获得尺度不同的各卷积特征，将所述各卷积特征融合再进行下采样，获得输出数据，包括：以第一尺度的卷积核对第x次处理的输入数据连续进行多次卷积，获得一个卷积特征；以及，以第二尺度的卷积核对第x次处理的输入数据连续进行多次卷积，获得另一个卷积特征卷积核对第x次处理的输入数据连续进行多次卷积，获得一个卷积特征征；将两个卷积特征融合再进行下采样，获得第x次处理的输出数据。

在本申请实施例中，在卷积核尺度不同的情况下，其直观体现即是不同的卷积核尺度能够提取不同的感受野特征，故通过设置下采样时卷积核的尺度不同则可以简单便捷的实现网络的宽度增加。

结合第一方面，在第二种可能的实现方式中，x的数量大于1且小于等于M。

在本申请实施例中，下采样融合+下采样的次数越多，待提取对象的提取也就越准确，但网络的设计难度以及训练难度也相应增加。因此，通过设置下采样融合+下采样的次数在1到M之间可调，则使得实际可以根据实际的应用需求合理设置下采样融合+下采样的次数，以便准确度和难度均满足实际需求。