[发明专利]基于深度学习分割网络的地物目标识别方法和装置

说明书

本公开提供了基于深度学习分割网络的地物目标识别方法和装置。所述方法包括：获取当前遥感影像，所述当前遥感影像包括多个待识别的地物目标；将所述当前遥感影像输入预先训练的地物目标识别模型；根据对遥感影像的识别结果及对应的概率输出从所述当前遥感影像中识别出的地物目标。以此方式，能够对卫星遥感影像进行图像语义分割，并且能够提高分割精度和分割后的目标完整度，使得分割后的目标更加完整，边缘更加平整。

技术领域

本公开的实施例一般涉及卫星遥感影像处理技术领域，并且更具体地，涉及基于深度学习分割网络的地物目标识别方法和装置。

背景技术

遥感技术是从地面到空间各种对地球、天体观测的综合性技术系统的总称。可从遥感技术平台获取卫星数据、由遥感仪器以及信息接受、处理与分析。

现有技术中对遥感影像进行图像语义分割可分为 3 种类型的方法：

（1）传统图像分割方法

在计算机硬件设备还不足以支持深度学习神经网络时，传统图像分割最常用的是利用图割法实现对图像的语义分割技术。基于图割法的图像语义分割技术，最常用的就是Normalized cut（N-cut）和Grab cut方法，N-cut提出了一种考虑全局信息的方法来进行图割(graph partitioning)用以改变经典的 min-cut算法操作中的不足，创新点在于将两个分割部分与全图节点的连接权重也考虑进算法之中，根据图像中的像素给出的阈值将图像一分为二。

（2）深度学习与传统方法结合的图像语义分割方法

该方法主要是利用卷积神经网络算法(Convolutional Neural Networks，CNN)实现语义分割效果，先利用传统的分割算法获得像素级的处理效果，然后利用 CNN 神经网络模型训练像素的特征分类器实现语义分割效果。

（3）深度学习图像语义分割方法

全卷积神经网络在深度学习中表现出了强大的潜力，计算机在图片通过深度学习网络进行深度学习后能够清楚地归纳出输入图片中的具有相同语义含义的像素点。

FCN 网络结构为图像语义分割技术提供了能够达到像素级语义分割的基础，更加为后来的研究人员提供了一种全新的思路和探索的方向，使得语义分割的精度得到极大的提高。研究人员以全卷积神经为基础提出了U-Net网络结构模型。

但是，现有技术中的图像分割方法，仍然存在许多不足之处，具体地：

传统图像分割方法缺点在于分割方式比较简单直接，只能利用图像的像素进行分割，对于整体物体的影响考虑不周。深度学习与传统方法结合的图像语义分割方法准确性受到传统语义分割方法诸多不足的限制，因此准确性普遍较低。FCN网络在处理遥感影像会在达到像素级预测分类的深度学习任务中会出现显著的误差，且对于图像中比较小的像素图像，空洞卷积会成为降低分割精度的原因。

发明内容

根据本公开的实施例，提供了一种能够提高分割精度和分割后目标完整度的基于深度学习分割网络的地物目标识别方案。

在本公开的第一方面，提供了一种基于深度学习分割网络的地物目标识别方法，包括：

获取当前遥感影像，所述当前遥感影像包括多个待识别的地物目标；