[发明专利]一种高分辨率遥感影像渐进式分割方法

说明书

本发明公开了图像信息处理技术领域的一种高分辨率遥感影像渐进式分割方法，包括以下步骤：首先构建三个负责处理不同尺度对象的级联子网；然后以小尺度、大尺度和其他尺度逐步地捕获输入影像的空间上下文信息；再得到三个不同尺度的分割结果；接着得到三个不同尺度的位置贡献图；最后将得到的不同尺度分割结果与得到的位置贡献图进行加权求和推导最终的分割结果。本发明高分辨率遥感影像渐进式分割方法使用引入尺度关系的级联子网以小尺度、大尺度和其他尺度逐步地对目标进行分割，并且充分衡量不同子网对每个空间位置的重要性，这样能够更好地应对高分辨率遥感影像的尺度差异挑战，提高分割精确度。

技术领域

本发明属于图像信息处理技术领域，具体涉及一种高分辨率遥感影像渐进式分割方法。

背景技术

语义分割是遥感影像解译和理解领域长期以来的研究课题。它的主要目的是识别图像中每个像素的类别。随着成像技术和传感器技术的快速发展，高分辨率遥感影像在环境评价、林业测量、精细农业、城市规划等领域具有广泛的应用。然而，高分辨率遥感影像也给精确的目标分割带来了一些挑战。例如，影像中同类物体变化大、不同类型物体差异性小等问题，给网络的鲁棒性以及学习鉴别特征带来了困难。

近年来，卷积神经网络在从自然图像中学习高级语义特征方面取得了突破性的进展。因此，卷积神经网络成为解决上述问题的一个直观选择。作为卷积神经网络的一种，全卷积网络用于准确、高效的自然图像分割，在语义分割领域取得了巨大的成功。它通过神经网络自适应地学习任务相关的图像特征并将传统网络最后的全连接层转化为卷积层，再使用反卷积进行上采样得到和输入图像尺寸一致的分割结果，实现了图像到图像的端到端分割任务。受此启发，很多工作将全卷积网络模型扩展到分割高分辨率遥感影像，取得了更好的性能。

但是，与自然图像相比，高分辨率遥感图像的尺寸要大得多，分割对象也更加复杂。以International Society for Photogrammetry and Remote Sensing（ISPRS）委员会提供的Potsdam数据集为例，每幅影像的空间大小为6000×6000。它们涵盖了尺度变化很大的各种类型物体，例如同一场景下存在汽车和大型建筑，与大型建筑相比，汽车所占的空间位置非常少。对于基于全卷积网络的模型来说，不同尺度的目标对网络有不同的要求。以上述场景为例，深层网络能够提供更大的感受野，这有利于提取丰富的全局信息对大型建筑进行分割。但是，这也会带来汽车的空间信息损失严重的问题。相反，在浅层网络中，较小的感受野提供的局部信息可能足以对汽车进行分割，但这些局部信息可能只覆盖大型建筑中的一小部分。因此，如何处理场景中不同尺度的目标成为了高分辨率遥感影像分割的关键问题。

为了解决上述问题，已有的工作探索了许多策略。这些策略主要包括：聚合来自不同卷积层的多个卷积特征，提取同一个卷积层中的多尺度卷积特征，以及通过构建多个卷积分支融合多分支卷积特征。前两类策略试图构建一个能够同时分割不同尺度目标的网络。但是，由于单个网络的学习能力有限，这类模型往往需要在不同尺度的对象之间进行权衡，导致分割结果不理想，尤其是对于小尺度或大尺度对象，第三类策略是一种利用多个子网来缓解这一问题的潜在方法。如果能够对多个网络进行充分利用，其学习能力与单个网络相比会更强大。然而，这类策略在设计和融合不同网络方面仍存在一些问题。

发明内容

针对现有技术的不足，本发明的目的在于提供一种高分辨率遥感影像渐进式分割方法，以解决上述背景技术中提出的问题。

本发明的目的可以通过以下技术方案实现：

一种高分辨率遥感影像渐进式分割方法，包括以下步骤：

首先构建三个负责处理不同尺度对象的级联子网；

然后将原始的高分辨率遥感影像裁剪成块，依次输入到三条级联的子网中，以小尺度、大尺度和其他尺度逐步地捕获输入影像的空间上下文信息；

再构建两个尺度引导模块，将尺度关系编码到后两条子网的卷积特征中去，并基于此得到三个不同尺度的分割结果；