[发明专利]基于改进HRNetV2网络的港口矿堆分割方法

说明书

基于改进HRNetV2网络的港口矿堆分割方法，涉及光学遥感影像处理与深度学习领域，解决现有技术存在的特征融合利用不充分问题，本发明采用改进HRNetV2网络对港口矿堆光学遥感影像进行语义分割，改进HRNetV2网络可以使分割过程中不同分辨率特征图的特征有效融合，能准确地分割出港口堆矿区中的矿堆边缘。对HRNetV2网络进行改进，使用相加操作和后续的1×1卷积扩充特征图特征，使其每张低分辨率特征图特征都能融入高分辨率特征当中，增加语义分割的精度。

技术领域

本发明涉及光学遥感影像处理与深度学习领域，具体涉及一种基于改进HRNetV2网络的港口矿堆分割方法。

背景技术

随着高空间分辨率光学遥感卫星技术的发展，光学遥感影像的应用被扩展到了诸多领域当中，其中光学遥感技术在金融期货领域的应用具有良好的发展前景。港口矿石堆放区是港口堆放待运输矿石的特定区域，堆矿区中一般有序堆放着各种不同矿石，这些矿石会根据不同倾倒及运输挖取方式形成矿堆。提取出遥感影像中的矿堆影像，就可以进一步估算出该港口堆放的矿石储量，矿石储量对金融期货领域的投资具有一定的指导作用。

图像语义分割是计算机视觉领域的一个重要研究方向，其目的是给图像的每一个像素标记一个分类标签，从而从像素层面将图像按类别划分，十分适用于港口矿堆遥感影像的分析研究。然而同一矿石堆放区的矿堆形状和颜色并不规则，传统的计算机视觉方法难以检测遥感影像当中的矿堆边缘。随着深度学习技术的发展，深度神经网络相比传统计算机视觉方法在图像语义分割领域有了更多进展与突破。

深度神经网络在图像语义分割方面的研究始于2015年提出的全卷积神经网络，同年Ronneberger等人提出的UNet网络采用编码器-解码器结构，将其用于医学图像的分割，由于其简单的结构和准确的分割能力，很快国内外的研究者们将其扩展到各个领域，其中遥感影像的分割研究中的建筑提取分类、变化检测、地物分类等问题都应用过UNet网络。

2015年Xuelei Li等人提出的残差网络为深度神经网络的设计提供了新思路。2018年Chaurasia等人基于残差网络提出了LinkNet分割网络，解决了降采样操作中丢失空间信息等问题。

2019年Ke Sun等人在研究人体姿态检测问题过程中提出了HRNetV1网络，随后又提出了将其扩展到图像语义分割领域的HRNetV2网络。不同于传统的串联分割网络，HRNet网络使用并行的多分辨率子网络反复交替连接交换信息进行多尺度重复融合，在网络的每一层中同时保有高分辨率与低分辨率的特征。HRNetV2网络利用HRNet输出的所有分辨率的特征图，对低分辨率特征图上采样后与高分辨率特征图进行拼接操作，再经过1*1卷积，生成分割预测图。

HRNetV2的特征主要来源于其并行特征提取部分，虽然在特征提取过程中始终保持了高分辨率与中低分辨率特征，但是最终使用了结构较为简单的特征融合结构，导致对这些特征的融合利用不够充分。

本发明使用了一种深度学习的方法对高空间分辨率光学遥感影像中的港口矿堆进行语义分割。

发明内容

本发明为解决现有技术存在的特征融合利用不充分问题，提供一种基于改进HRNetV2网络的港口矿堆分割方法。

基于改进HRNetV2网络的港口矿堆分割方法，该方法由以下步骤实现：

步骤一、获取基于高分辨率光学遥感影像的港口矿堆语义分割数据集图像；具体过程为：

步骤一一、选取不同地区矿堆影像作为港口矿堆语义分割的图像，包括不同形状、颜色、大小以及堆放方式的港口矿堆；

步骤一二、将步骤一一选取的图像采用深度学习标注工具进行人工标注，生成标签图像形式的分割标注结果；