[发明专利]基于多尺度的遥感影像地物分类方法、系统、装置及介质

说明书

本发明公开了基于多尺度的遥感影像地物分类方法、系统、装置及介质，方法包括：基于不同的预设尺度，对获取到的遥感影像进行图像分块，得到初始图像块集合；接着基于预设的语义分割模型，对所述初始图像块集合中的各个尺度下的图像块进行分割，得到不同尺度的分类结果；然后将相同尺度下各个图像块对应的分类结果拼接，得到不同尺度下的初始地物分类结果图集合；最后基于投票策略，将所述不同尺度下的初始地物分类结果图集合进行合并，得到目标地物分类结果图。本发明能够消除相邻图像块之间的不连续直线型接缝，具有很强的实用性，可广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是基于多尺度的遥感影像地物分类方法、系统、装置及介质。

背景技术

在航天或航空遥感影像处理中，地物分类与提取是非常重要的一项工作。地物分类的过程通常是这样的：首先，对遥感图像中各类地物的光谱信息和空间信息进行分析；然后，选择合适的能够反映地物光谱和空间信息的图像特征；接下来，在图像中各个像元处提取这些图像特征，并根据特征值判断各个像元的所属地物类别；最后，面向应用需求，对各个像元的分类结果进行综合处理，获得整幅遥感影像的地物分类结果。

遥感影像地物分类方法主要包括：基于像元的方法、基于邻域的方法、基于对象的方法等。近年来，随着深度学习技术的快速发展，基于深度卷积神经网络的语义分割技术逐渐被应用于遥感影像地物分类，并获得了大大优于传统方法的处理效果。典型的语义分割模型包括FCN、SegNet、U-Net、Deeplab等。

为了训练和使用方便，语义分割模型的输入通常是一幅固定尺寸的原始图像，输出是和该图像大小相同的语义标注图像，在该图像的每个像元处，用不同的像素值标注了其对应的语义类型。这里，模型输入和输出的图像尺寸不能太大，也不能太小，常见的尺寸如128*128、256*256或512*512等。

在遥感影像地物分类中，输入数据是航天或航空遥感影像，图像尺寸通常很大，能够达到数万乘数万像元的级别，输出数据是和输入数据相同尺寸的地物分布图。因此，无法直接将语义分割模型应用于遥感影像地物分类，最常使用的方法是：首先将输入的遥感影像划分为和语义分割模型相适应的小的固定尺寸的图像块；然后对每个图像块进行语义分割，得到每个图像块对应的地物分布图；最后将所有图像块对应的地物分布图组合起来，得到整幅遥感影像的地物分布图。

然而，由于一个图像块的地物分类结果会受到该图像块内部所有像素的影像，因此在两个相邻图像块的连接处，一侧图像块的地物分类结果和另一侧图像块的地物分类结果很难保持一致性，会表现出非常明显的不连续直线型接缝。

发明内容

有鉴于此，本发明实施例提供一种基于多尺度的遥感影像地物分类方法、系统、装置及介质，能够消除相邻图像块之间的不连续直线型接缝。

本发明的第一方面提供了基于多尺度的遥感影像地物分类方法，包括：

基于不同的预设尺度，对获取到的遥感影像进行图像分块，得到初始图像块集合；

基于预设的语义分割模型，对所述初始图像块集合中的各个尺度下的图像块进行分割，得到不同尺度的分类结果；

将相同尺度下各个图像块对应的分类结果拼接，得到不同尺度下的初始地物分类结果图集合；

基于投票策略，将所述不同尺度下的初始地物分类结果图集合进行合并，得到目标地物分类结果图。

在一些实施例中，所述基于不同的预设尺度，对获取到的遥感影像进行图像分块，得到初始图像块集合这一步骤，包括：

获取遥感影像并配置不同尺度；

基于预设的划分顺序，将所述遥感影像按照配置的尺度划分成不同尺度下的图像块，得到初始图像块集合。