[发明专利]遥感图像地物要素提取方法、装置、电子设备及存储介质

说明书

本公开提供了一种遥感图像地物要素提取方法、装置、电子设备及存储介质，可以应用于遥感图像解析技术领域。该方法包括：将遥感图像输入自适应边界提取的编码网络中，利用不同的卷积组提取遥感图像的图像特征，分别输出第一特征图和第二特征图，其中，输出第一特征图使用的第一卷积组中的卷积次数小于输出第二特征图使用的第二卷积组中的卷积次数，遥感图像中包括地物要素的边界信息；对第二特征图进行金字塔池化，得到池化特征图；利用编码网络对第一特征图的边界信息进行编码增强，得到增强特征图；捕获增强特征图的长距离依赖关系，得到提取特征图；将提取特征图与池化特征图进行特征融合，生成目标特征图。

技术领域

本公开涉及遥感图像解析的技术领域，更具体地，涉及一种遥感图像地物要素提取方法、装置、电子设备及存储介质和程序产品。

背景技术

随着遥感技术的飞速发展，从遥感图像中可获取的地物信息越来越丰富，因此遥感图像地物要素提取在众多领域中有着广泛的应用。提取地物要素的目的是为了将遥感图像中地物目标的边界精确地勾勒出来。相关技术中，深度学习方法通过级联非线性的映射将低级别的特征转换为高级别和抽象的特征，提升了遥感图像地物要素提取的性能。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，利用现有深度学习方法在对遥感图像地物要素提取的过程中，由于遥感图像本身具有尺寸大、场景复杂、小目标众多，且物体边界处有阴影、遮挡等，导致地物要素预测准确度较低。

发明内容

有鉴于此，本公开实施例提供了一种遥感图像地物要素提取方法、装置、电子设备及存储介质和程序产品。

本公开实施例的一个方面提供了一种遥感图像地物要素提取方法，包括：将遥感图像输入自适应边界提取的编码网络中，利用不同的卷积组提取上述遥感图像的图像特征，分别输出第一特征图和第二特征图，其中，输出上述第一特征图使用的第一卷积组中的卷积次数小于输出上述第二特征图使用的第二卷积组中的卷积次数，上述遥感图像中包括地物要素的边界信息；对上述第二特征图进行金字塔池化，得到池化特征图；利用上述编码网络对上述第一特征图的边界信息进行编码增强，得到增强特征图；捕获上述增强特征图的长距离依赖关系，得到提取特征图；将上述提取特征图与上述池化特征图进行特征融合，生成目标特征图。

根据本公开的实施例，上述将遥感图像输入自适应边界提取的编码网络中，利用不同的卷积组提取上述遥感图像的图像特征，分别输出第一特征图和第二特征图，包括：利用上述编码网络的第一卷积组对上述遥感图像进行下采样，得到上述第一特征图；利用上述编码网络的第二卷积组对上述第一特征图进行下采样，得到上述第二特征图，上述第二卷积组中的卷积次数大于第一卷积组中的卷积次数。

根据本公开的实施例，上述利用上述编码网络的第一卷积组对上述遥感图像进行下采样，得到上述第一特征图，包括：利用上述第一卷积组中的第一动态混合梯度卷积对上述遥感图像进行下采样，得到初始特征图；利用上述第一卷积组中的第二动态混合梯度卷积对上述初始特征图进行下采样，得到上述第一特征图。

根据本公开的实施例，上述利用上述第一卷积组中的第一动态混合梯度卷积对上述遥感图像进行下采样，得到初始特征图，包括：基于上述遥感图像确定上述第一动态混合梯度卷积的多个卷积权重系数，上述第一动态混合梯度卷积包括普通卷积核、第一梯度卷积核和第二梯度卷积核；基于上述普通卷积核对应的卷积权重系数，利用上述普通卷积核对上述遥感图像进行特征提取，得到普通特征；基于上述第一梯度卷积核对应的卷积权重系数，利用上述第一梯度卷积核对上述遥感图像进行特征提取，得到第一梯度特征；基于上述第二梯度卷积核对应的卷积权重系数，利用上述第二梯度卷积核对上述遥感图像进行特征提取，得到第二梯度特征；将上述普通特征、上述第一梯度特征和上述第二梯度特征进行特征融合，生成上述初始特征图。