[发明专利]一种图像预测优化处理方法及装置

说明书

本发明涉及一种图像预测优化处理方法及装置，属于图像处理领域，方法包括：对多个无人机影像进行预处理；将多个深度学习语义标签匹配至预处理的各个无人机影像上，得到多个训练样本，将各个训练样本进行扩充处理，得到扩充后的训练样本集合，在卷积神经网络中进行参数配置优化，通过扩充后的训练样本集合对优化后的卷积神经网络进行深度学习分类训练，得到训练后的卷积神经网络，并进行影像预测分类，得到多种分类结果，对多种分类结果进行融合处理，对融合的分类结果进行扩展裁剪处理，得到整幅遥感影像。能够对多种分类结果进行融合处理，融合的分类结果更为准确和全面，再对融合的分类结果进行扩展裁剪处理，能够消除明显的拼接痕迹。

技术领域

本发明主要涉及图像处理技术领域，具体涉及一种图像预测优化处理方法及装置。

背景技术

卷积神经网络是一种广泛使用的深度学习模型，是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，包含卷积层和池化层。卷积神经网络在计算机视觉领域的许多研究中都取得了出色的性能，例如图像分类、人脸识别和行人检测等。近年来，基于深度学习的方法已应用于高光谱图像分类、大规模土地覆盖分类、场景分类和遥感领域的目标检测等，其性能优于传统方法。

参考现有科学文献中利用深度学习的分类研究，卷积神经网络是将图像分割成一定尺寸进行逐像素图像分类预测，并进行分类结果的拼接，最终结果中会产生明显的拼接痕迹，导致分类结果有误。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种图像预测优化处理方法及装置。

本发明解决上述技术问题的技术方案如下：一种图像预测优化处理方法，包括如下步骤：

导入预先制作的多个深度学习语义标签，所述深度学习语义标签为根据实测数据得到的标签；

导入多个无人机影像，并分别对多个所述无人机影像进行预处理；

将多个所述深度学习语义标签匹配至预处理的各个无人机影像上，得到多个训练样本，通过多个训练样本得到训练样本集合；

将所述训练样本集合中的各个训练样本进行扩充处理，得到扩充后的训练样本集合；

基于卷积神经网络，在所述卷积神经网络中进行参数配置优化，得到优化后的卷积神经网络，所述卷积神经网络包括多个深度学习模型；

通过扩充后的训练样本集合对优化后的卷积神经网络进行深度学习分类训练，得到训练后的卷积神经网络；

对训练后的卷积神经网络进行影像预测分类，得到多种分类结果；

对多种分类结果进行融合处理，得到融合的分类结果；

对融合的分类结果进行扩展裁剪处理，得到整幅遥感影像。

本发明的有益效果是：通过扩充的训练样本对卷积神经网络进行训练，通过训练后的卷积神经网络进行影像预测分类，并能够对多种分类结果进行融合处理，融合的分类结果更为准确和全面，再对融合的分类结果进行扩展裁剪处理，能够消除明显的拼接痕迹。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述卷积神经网络包括多个深度学习模型，所述多个深度学习模型为SegNet模型、PSPNet模型、RAUNet模型和DeepLabV3plus模型；

通过扩充后的训练样本集合对优化后的卷积神经网络进行深度学习分类训练，得到训练后的卷积神经网络，具体为：

通过扩充后的训练样本集合按照设置的迭代次数分别对SegNet模型、PSPNet模型、RAUNet模型和DeepLabV3plus模型进行多分类训练和单分类训练，得到训练后的卷积神经网络。