[发明专利]一种基于混合框架的屋顶图像分割方法

权利要求书

1.一种基于混合框架的屋顶图像分割方法，其特征在于，包括：

S1、构建训练所需的屋顶样本数据集；

S2、构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；

S3、利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；

S4、利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；

S5、通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。

2.根据权利要求1所述的一种基于混合框架的屋顶图像分割方法，其特征在于，步骤S1中，所述屋顶样本数据集包括多个原始图像及所述原始图像相对应的标签数据；所述标签数据对像素值采用二值化描述背景和分割目标。

3.根据权利要求1所述的一种基于混合框架的屋顶图像分割方法，其特征在于，步骤S2中，所述学习模块以DenseNet为基础，包括依次连接的图像降采样模块、多尺度信息融合模块和图像升采样模块；

其中，所述图像降采样模块由一个卷积层，一个最大池化层，三个平均池化层及四个密集卷积块组成，用于提取图像特征；

所述多尺度信息融合模块由1×1，2×2，3×3，6×6四个不同尺寸的池化层组成，以获得多个尺寸的特征图，并将其融合；

所述图像升采样模块由4个卷积层，5个反卷积层组成，以获得初始特征图像。

4.根据权利要求3所述的一种基于混合框架的屋顶图像分割方法，其特征在于，所述推理模块为CV模型，其中，反向传播更新所述学习模块的参数中所采用的损失函数为：

L_loss＝L_Dice+L₁

L₁＝||φ-φ_GT||

其中，L_Dice为Dice损失函数，L₁为边界损失函数；φ_GT表示为Ground truth的活动轮廓形式，φ为推理模块输出的结果，||.||为绝对误差。