[发明专利]一种基于深度学习的遥感图像目标提取系统和方法

说明书

本发明公开了一种基于深度学习的遥感图像目标提取系统和方法，所述系统包括：主干网络模块，用于对原始图片进行多次下采样，获得第一低级特征、第二低级特征、第三低级特征和第四低级特征；判别上下文感知特征提取模块，用于根据第四低级特征获得多尺度上下文特征差异融合结果；第一上采样模块，根据多尺度上下文特征差异融合结果获得第一高级特征；第一精炼解码器模块，用于将第三低级特征与第一高级特征融合并上采样，获得第二高级特征；第二精炼解码器模块，用于将第二低级特征与第二高级特征结果融合并上采样，获得第三高级特征。该遥感图像目标提取系统和方法能够增强背景和目标特征的鉴别能力，具有良好的目标提取能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习的遥感图像目标提取系统和方法。

背景技术

自动提取人工目标是遥感系统的主要任务之一，在城市规划、地理信息系统升级、智能交通系统、灾害监测、应急响应、违章建筑勘测、地理信息系统等应用中具有重要的现实意义。由于遥感场景具有背景杂乱、目标外观差异大、辐射畸变等特点，遥感图像目标提取是一个极具挑战性的任务。

目标提取可以看作是一个二元像素级的分类任务，从周围背景中分割出目标如建筑物、道路或车辆等。针对光学遥感和SAR(Synthetic Aperture Radar，合成孔径雷达)图像，人们提出了各种各样的目标自动提取方法。一般来说，传统方法大多采用颜色、边缘、杂波分布统计、超像素等人工设计的指标作为目标提却的依据。这些方法遇到的主要问题是，手工设计的特征经证明只能解决特定数据的特定问题。光学遥感和SAR图像通常通过卫星或航空航天传感器在高角度和高海拔户外拍摄，而合成图像往往与拍摄角度、大气条件、目标环境、传感器质量、光线等因素密切相关，因此，图像中的目标和背景可能在颜色、形状、亮度和比例上表现得非常相似，使用手工设计特征的方法很难解决以上提到的这些问题。

随着深度学习技术的发展，卷积神经网络在传统计算机视觉任务上取得了很大的进步。近年来，卷积神经网络技术应用于遥感任务中，也取得了显著的效果，但仍存在一些不足之处。首先，卷积神经网络模型大多采用编码-解码的结构，在这种结构中编码器通过多次卷积和下采样操作逐步提取图像特征，解码器将顶层的高分辨率特征与底层的低分辨率特征融合，产生高分辨率的语义结果。如果编码器直接采用为图像分类任务而开发的主干网络，那么在不明显的目标或目标边界附近的像素点，由于提取的特征识别能力不足，很容易被周围的背景所淹没。其次，在解码过程中，以往的方法通常采用简单的相加、拼接等组合策略，直接将多级特征进行聚合。这样一来，尽管低层的空间信息可以传播到高层，但不可避免地也会引入意想不到的噪声，将有用的信息淹没在噪声中。因此，这些简单的聚集策略可能会降低对目标细节的预测，特别是对于小且不明显的目标。最后，以往的遥感图像目标提取方法大多只针对特定类别的目标(如建筑物或道路)进行了开发和验证，在其他不同类别的目标数据集上，其性能可能会显著下降。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的遥感图像目标提取系统和方法。本发明要解决的技术问题通过以下技术方案实现：

本发明的一个方面提供了一种基于深度学习的遥感图像目标提取系统，包括：

主干网络模块，用于对原始图片进行多次下采样，获得经一次下采样的第一低级特征、经二次下采样的第二低级特征、经三次下采样的第三低级特征以及经四次下采样的第四低级特征；

判别上下文感知特征提取模块，用于对所述第四低级特征进行多尺度上下文提取、相邻尺度特征差分及特征差值的融合，获得多尺度上下文特征差异融合结果；

第一上采样模块，对所述多尺度上下文特征差异融合结果进行上采样，获得第一高级特征；

第一精炼解码器模块，用于将所述第三低级特征与所述第一高级特征进行融合并上采样，获得第二高级特征；