[发明专利]基于多尺度特征反卷积的超分辨率建筑物精细识别方法

说明书

本发明公开了一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法，包括步骤：制作训练样本集；构建包括编码器模块、解码器模块、多尺度特征反卷积模块、特征融合模块与类别判定模块的超分辨率语义分割卷积神经网络；输入所述训练样本集对超分辨率语义分割卷积神经网络进行训练；采用训练后的超分辨率语义分割卷积神经网络对待识别影像进行处理，获得识别结果。其显著效果是：提出了基于多尺度特征反卷积的超分辨率语义分割网络MLSRSS‑Net，综合了编码器的多尺度初级特征反卷积上采样和解码器的高级对象语义特征反卷积上采样，实现了输入为较低空间分辨率的遥感影像，输出为高空间分辨率的建筑物语义图，显著提高了目标提取精度。

技术领域

本发明涉及到遥感影像特征提取及语义分割技术领域，具体涉及一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法。

背景技术

建筑物作为重要的地物类型之一，从遥感影像准确识别建筑物可以为土地管理、城市规划等政府部门开展土地利用现状调查和宏观规划等工作提供重要决策支持，其在智慧城市建设、农村违法建房占用耕地的检测、以及军事侦察等多个领域都有着重要的应用。

从遥感影像上识别建筑物，根据影像分辨率的不同，识别结果的细节精准程度也不同，如米级或亚米级的高分辨率影像能反映建筑物的精细轮廓，几十米级的中等分辨率影像能反映区域建筑的密集程度、空间布局等特点，而公里级的低分辨率影像只能体现人类活动密集的主要区域。目前在大范围利用米级或亚米级高分影像识别建筑物，存在影像采集难度大、成本高、数据量大、处理时间长等问题，而中等分辨率的影像识别结果不够精细，无法区分单栋建筑物。

如果有一种方法，能够从中分辨率影像得到高分辨率建筑物识别结果，那将具有重大的现实应用意义。目前超分辨率图像重建(从低分辨率图像进行插值重建，得到高分辨率图像)的相关技术方法较多，而缺乏超分辨率语义分割(从低分辨率图像得到高分辨率语义分割结果)的技术。

发明内容

针对现有技术的不足，且鉴于深度卷积神经网络的反卷积层能够实现特征的超分辨率(特征的尺寸扩大)，本发明提供一种利用深度学习卷积神经网络来实现从中分辨率影像得到高分辨率建筑物语义分割结果的方法。该方法提出一种基于多尺度特征反卷积的超分辨率语义分割神经网络，综合编码器和解码器的多尺度特征反卷积，网络名称为MLSRSS-Net。该网络模型训练后能够从较低空间分辨率的遥感影像，输出高空间分辨率的精细化建筑物语义识别图

为达到上述目的，本发明采用的技术方案如下：

一种基于多尺度特征反卷积的超分辨率建筑物精细识别方法，其关键在于包括如下步骤：

步骤1、制作训练样本集；

步骤2、构建包括编码器模块、解码器模块、多尺度特征反卷积模块、特征融合模块与类别判定模块的超分辨率语义分割卷积神经网络；

对于尺寸为n*n的影像，所述编码器模块用于对影像进行卷积池化下采样提取多尺度初级特征，所述解码器模块用于对编码器模块多次下采样后的特征进行反卷积上采样提取多尺度对象级语义特征，所述多尺度特征反卷积模块用于对编码器模块的多尺度初级特征图与解码器模块的多尺度对象级语义特征图分别进行反卷积操作，实现将所有不同尺度的特征图尺寸均扩大至(n*m)*(n*m)，所述特征融合模块用于对所有尺寸为(n*m)*(n*m)的特征图进行叠加融合，所述类别判定模块用于对叠加融合后的特征图进行类别判定，获得尺寸为(n*m)*(n*m)的语义分割结果，其中m＝2^x，m为输出语义分割结果与输入影像的尺寸倍数，x为正整数；

步骤3、输入所述训练样本集对超分辨率语义分割卷积神经网络进行训练；

步骤4、采用训练后的超分辨率语义分割卷积神经网络对待识别影像进行处理，获得识别结果。

进一步的，步骤1中所述训练样本集的制作过程为：