[发明专利]一种多层网络组合的遥感影像地类语义分割与面积计算方法

权利要求书

1.一种多层网络组合的遥感影像地类语义分割与面积计算方法，其特征在于，包括如下步骤：

S1、获取项目区的最新高分辨率卫星遥感图像和同时段对应的土地利用现状不同地类分布矢量边界图，按照不同地类分布的矢量格网分布图对遥感图像进行剪切、筛选预处理；

S2、按照预处理的遥感图像和不同地类分布的矢量格网分布图像制作具有地类分类标签信息的遥感图像类标图，并将数据划分为训练集和验证集；

S3、构建基于U-Net遥感影像道路语义分割和地物语义分割网络模型，添加残差网络结构，提高网络感知域，对输入的遥感图像数据进行多尺度道路特征提取和不同地物特征提取并训练网络参数达到最优结果，实现影像中不同尺度道路和不同地物的提取；

S4、构建基于SegNet-CRF遥感影像地类语义分割模型，利用SegNet网络进行地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂地理空间语义关联关系作为后处理阶段，结合不同层级道路和建筑物、草地、水系这些不同地物的提取结果，以及土地利用分类规划规则，引入地类矢量格网分布图像作为输入数据，用以训练网络模型实现遥感影像中不同地类的识别；

所述步骤S4中，对不同地类进行语义分割，包括如下步骤：

S41、利用不同尺度道路语义分割和不同地物语义分割结果，结合土地利用地类矢量格网边界图，构造地类语义分割数据集；

S42、构造土地利用的地类语义分割深度学习网络模型SegNet-CRF整体结构，主要由编码网络、解码网络、逐像素分类器以及全连接条件随机场模块组成，以SegNet网络结构作为地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂空间语义关联关系作为后处理阶段；

S43、将多尺度道路和不同地物语义分割结果数据以及土地利用地类矢量数据输入到构建的SegNet-CRF模型中，得到高层次抽象特征并传输到输出层，再计算与真实分类数据之间的差异对权重矩阵进行优化，达到优化整个模型的目的，实现遥感影像中不同地类的语义分割；

S5、得到不同地类识别结果后，引入轮廓优化模块对分割结果进行轮廓检测，将轮廓提取到对应的数据集图像上，利用算法生成验证区域不同地类像素点个数和面积计算结果，将不同地类的属性标记到相应的地类矢量格网图像数据库中；

所述步骤S5中，对不同地类进行区域面积生成，包括如下步骤：

S51、将验证集中的遥感图像输入到模型中进行测试,得到不同地类语义分割的结果图像，利用不同颜色表示不同的地类；

S52、利用轮廓优化模块对语义分割图像进行地类区域轮廓检测，调用轮廓检测方法，记录轮廓坐标信息，并将其提取到测试集图像上，实现轮廓优化；

S53、对于一张图像上出现多种地类时，每检测一种地类就记录一次面积的计算结果，并对检测到的地类轮廓进行编号，进而实现不同地类的区域面积生成；

S54、地类面积属性标记，将基于轮廓优化和像素点统计的地类面积计算结果标记到遥感数据集数据库中，完成遥感影像地类语义分割与面积计算的整体流程，保存最终实验结果，实现端到端的使用方法。

2.根据权利要求1所述的一种多层网络组合的遥感影像地类语义分割与面积计算方法，其中，所述步骤S3中，对多尺度道路和不同地物进行语义分割，包括如下步骤：

S31、以预设的高分辨率遥感影像作为训练样本集，选取训练样本中对道路和地物区域标注的样本作为输入数据；

S32、构建遥感影像道路和地物语义分割网络模型，在基于U-Net网络模型的基础上进行改进，采用ResNet50作为U-Net的主干网络，同时添加残差网络结构，提高网络感知域，并在解码部分进行参数微调；

S33、将遥感影像数据集中训练样本输入到语义分割网络模型中，采用迁移学习的方法进行训练，当输出的地物目标所在图像区域与标注的样本中地物目标区域的差异度大于预设阈值时，对模型中参数进行修正；

S34、重复上述步骤S31-S33，直到输出训练样本中的道路和地物目标所在区域与对应标注目标区域的差异度小于预设阈值，完成遥感影像多尺度道路和地物语义分割。