[发明专利]基于视差图和多尺度深度网络模型的遥感图像分割方法

摘要

本发明公开了一种基于视差图和多尺度深度网络模型的遥感图像分割方法，主要解决现有遥感图像分割方法分割精度较低和鲁棒性较弱的问题，其实现方案为：读入数据集，生成遥感图像分割的训练数据集；构建多尺度融合的分割网络模型；用训练数据集训练分割网络模型，并保存7个不同迭代次数的模型；用保存的分割网络模型得到7种不同的分割结果图；对7种不同的分割结果图进行多数投票，并对对投票后的结果图进行超像素处理，得到初步分割结果图；用SGBM算法获得测试场景的视差图；用视差图优化初步分割结果图，得到最终的分割结果。本发明相比于现有方法明显地提高了分割精度和鲁棒性，可广泛应用于城乡规划、智能城建。

主权项

1.基于视差图和多尺度深度网络模型的遥感图像分割方法,其特征在于，包括如下：(1)读入由p张图像组成遥感图像分割任务的数据集；(2)生成遥感图像分割的训练数据集：(2a)对数据集进行类别均衡，即针对数据集中数据量最小的类别，将数据集中所有包含此类的图片挑选出来，并对这些图片依次进行不同角度的旋转、镜像和对比度调整，以增加此类训练数据的数目；(2b)对均衡类别后的数据集进行数据扩充，即随机挑选图片，并对其进行不同角度的旋转、镜向以及调整颜色对比度和光的亮度；(2c)对扩充后的数据集进行图像裁剪，将所有图像统一裁剪为r*r个像素，得到k幅用于遥感图像分割任务的数据集，并从该数据集中选取80％的数据集作为分割任务的训练集，20％的数据集作为分割任务的验证集，其中400≤r≤550，k≥25000；(3)利用深度学习平台构建多尺度融合的深度分割网络模型：该模型结构依次设有106层，其中前101层为残差网络，用于作为分割的特征提取网络，输出q*q个像素的特征图；第102层为池化层，用于对网络输出的特征图分别进行5种不同尺度的平均池化；第103层为卷积上采样层，用于将池化得到的5种不同尺寸的特征图均上采样到q*q个像素；第104层为特征融合层，用于对输出特征图进行逐像素相加的特征融合；第105和106层为均为卷积层，用于输出分割预测结果；(4)训练深度分割网络模型，并保存迭代模型：将分割任务训练数据集输入到深度分割网络模型中，使用训练参数对深度分割网络模型进行迭代训练，迭代次数为b次，损失函数为稀疏交叉熵函数，优化算法为自适应学习率调整算法Adadelta，其中20≤b≤100；完成一次迭代表示将训练数据集中所有图片送入分割网络中训练一次，保存7个不同迭代次数的模型；(5)将待测试的场景图输入到保存的分割网络模型中，得到7种不同的分割结果图；(6)对7个分割模型预测得到的分割结果图进行多数投票，得到投票后的分割结果图；(7)设置超像素个数为g，采用SLIC超像素算法，对投票后的分割结果图进行超像素处理，以去除分割结果图内部的缝隙并优化该分割结果图的边缘信息，得到初始的分割结果图；(8)对待测试场景采用SGBM半全局立体匹配算法，得到待测试场景的视差图；(9)用视差图优化初始的分割结果图：(9a)用n*n像素的窗口遍历待测试场景的视差图，并计算视差图上窗口所包含区域的平均值x和最大值y，步长为s，其中n＝7，s＝4；(9b)设置视差的阈值参数m＝6，将x、y的差值与m进行比较：若x‑y≤m，则统计上述窗口在初始的分割结果图上相应位置的n*n个像素点的类别，如果数目最多的类别所占像素点个数超过n/2，则将窗口内像素点的类别都统一置为数目最多的类别，否则，对分割结果图不进行处理；若x‑y>m，则统计上述窗口在初始的分割结果图上相应位置的n*n个像素点的类别，如果数目最多的类别所占像素点个数小于n/2，则将窗口内像素点的类别都统一置为数目最小的类别，否则，对分割结果图不进行处理；(9c)对每个n*n像素的窗口都执行(9b)的操作，直到遍历完整幅待测试场景的视差图，得到测试场景中每个像素点的类别，即最终的分割结果图。