[发明专利]一种基于改进SegNet的遥感图像建筑物分割方法

说明书

本发明提出一种基于改进SegNet的遥感图像建筑物分割方法，所述方法首先对数据集中样本进行数据增广以增加模型鲁棒性、降低数据过拟合，获得训练样本集和测试样本集；其次，在SegNet网络模型基础上增加bottleneck块、可分离卷积层和跳跃连接，构建基于改进SegNet的遥感建筑物分割网络；接下来，提取训练图像及其标注，作为输入数据对网络模型进行训练，经过验证后保存最佳训练模型；最后，输入待处理遥感图像到网络，输出分割结果。本发明所述方法能够有效减少模型训练参数和训练时间，抑制分割结果中建筑物边缘模糊现象，分割结果中建筑物边缘更完整且误分情况更少，在精确率、召回率、F1值上均获得更高值。

技术领域

本发明属于遥感图像分割技术领域，特别是涉及一种基于改进SegNet的遥感图像建筑物分割方法，利用bottleneck、深度可分离卷积和跳跃连接改进SegNet编码解码网络模型，主要应用于遥感图像中建筑物的精确分割。

背景技术

建筑物是遥感图像中最重要的组成部分，为城市规划、土地资源管理、灾害应急评估等方面提供重要参考。受空间距离、光照和天气等自然成像因素以及建筑物结构纹理特征多样性的影响，遥感图像噪声高、成像质量低。传统遥感图像分割方法存在提取精度低、边缘模糊及需要人工解译等问题。

FCN、U-Net及SegNet等深度神经网络具有较强自主特征学习能力和适应性，在遥感图像处理领域应用愈来愈广。SegNet语义分割网络在解码网络部分利用池化索引信息进行上采样操作保留了分割图像信息的完整性，减少网络的内存占用。目前，应用于遥感图像建筑物分割的SegNet网络及其衍生算法存在网络训练参数多、分割结果细节丢失及建筑物边缘模糊等问题。

发明内容

本发明目的是为了能够有效减少网络模型中参数数量、解决分割结果中细节丢失及建筑物边缘模糊等问题，提出了一种基于改进SegNet的遥感图像建筑物分割方法。

本发明是通过以下技术方案实现的，本发明提出一种基于改进SegNet的遥感图像建筑物分割方法，所述方法包括以下步骤：

步骤S1：训练样本集制作

选择现有遥感图像数据集，所述数据集中包括遥感图像及其标注，通过旋转、缩放、裁切和增加图像噪声操作对数据集中样本进行增广扩充，获得训练样本集和测试样本集；

步骤S2：构建基于改进SegNet的遥感图像建筑物分割网络模型

基于Anaconda环境使用Keras框架构建基于改进SegNet的遥感图像建筑物分割网络模型，该模型基于SegNet的编码-解码网络结构，在SegNet模型中编码网络的第2个和第3个卷积组中分别插入bottleneck块，通过增加网络深度获得更多建筑物边缘特征，利用瓶颈结构对输入数据进行降维后再进行升维减少网络参数，提高网络训练效率；将解码网络中最后一个卷积组的最后两个普通卷积替换为深度可分离卷积；将编码网络中卷积层的特征图和解码网络中成镜像关系的上采样层特征图进行跳跃连接，利用遥感图像的低级语义特征辅助高级语义特征进行图像重构，提高建筑物分割的精度和丰富特征描述信息，使得分割图像的边缘完整度更高；

步骤S3：网络模型训练

将预处理后的训练样本集送入网络模型进行训练，经过测试样本集检验后，保存最佳训练模型；

步骤S4：利用步骤S3保存的最佳训练模型进行遥感图像建筑物分割，输出结果。

进一步地，在步骤S1中，选择Satellite dataset I和Massachusetts BuildingsDataset建立遥感图像建筑物分割训练样本集和测试样本集；所述Satellite dataset I包含204张大小为512×512的建筑物遥感图像，所述Massachusetts Buildings Dataset包含151张大小为1500×1500的建筑物遥感图像。