[发明专利]一种基于混合框架的屋顶图像分割方法

说明书

本发明公开了一种基于混合框架的屋顶图像分割方法，包括：构建训练所需的屋顶样本数据集；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；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；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；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。本发明基于混合框架对屋顶图像进行分割，通过构建学习模块和推理模块更好地保留屋顶轮廓信息，并保证在边界模糊情况下能得到准确的边界拓扑结构。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于混合框架的屋顶图像分割方法。

背景技术

图像分割技术在各个领域有显著地位，其中从遥感图像和航空图像中提取屋顶轮廓在城市规划，土地覆盖分析和自然灾害救灾行动中有着重要应用。现有的屋顶轮廓分割方法局限于大量人工处理，需要消耗大量的人力、财力，且精度无法满足需求。随着计算机技术的飞速发展，深度学习在图像领域取得的显著成果。深度学习减少了对人工处理的需求，提升了效率。但如何处理屋顶模糊边界和图像拓扑结构仍是深度卷积神经网络面临的重大难题。传统的分割方法中活动轮廓模型使用连续曲线表示目标轮廓，并基于曲线演化理论及梯度下降法对曲线进行更新，因此具备良好的处理分割目标边界拓扑变化能力。但传统的活动轮廓模型的训练仍然依赖人工设定参数，无法开展对大量数据的训练。

发明内容

本发明的主要目的在于提出一种基于混合框架的屋顶图像分割方法，可解决现有图像分割方法对航拍图像中屋顶轮廓的拓扑结构的处理能力差及自动化训练的问题。该方法基于混合框架，建立一个快速、高效、精准的建筑物轮廓分割模型，并基于该分割模型，实现对屋顶图像的分割。

为实现上述目的，本发明采取的技术方案为：

本发明实施例提供一种基于混合框架的屋顶图像分割方法，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。

进一步地，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。

进一步地，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。

进一步地，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||