[发明专利]一种语义边缘辅助的高分遥感目标精细提取方法

摘要

一种基于边缘辅助的高分遥感目标精细提取方法，首先根据遥感目标提取任务设计深度卷积神经网络、制作样本并训练得到目标检测模型和边缘检测模型。然后将遥感影像输入到目标检测模型中进行地物外包框提取，从而确定地物目标类型及所在位置范围；将遥感影像输入到边缘检测模型中进行地物边缘提取，从而获取地物目标边缘强度图。最后针对每个外包框中的目标，以相应位置的边缘强度图为指示进行目标边界提取操作，对强度较高的明显边缘直接进行细化作为边界，对模糊特别是中断边缘以边界完整为目标进行修补，最终确定目标精细边界，按任务需求可将目标边界矢量化为多边形要素。本发明可实现高分遥感目标的精细提取。

主权项

1.一种基于边缘辅助的高分遥感目标精细提取方法，包括如下步骤：步骤1：制作遥感影像目标提取样本，对照影像描画目标的精细边界并确定类型；对同一幅影像样本生成两种不同的标注，即根据目标检测模型要求生成目标外包框标注，根据边缘检测模型要求生成目标边界标注；具体包括：步骤1.1：获取高分遥感影像：采用具有可见光‑近红外传感器的光学卫星遥感数据或搭载一般光学相机的航空遥感数据，根据分辨率要求可直接使用多光谱影像或融合全色影像；步骤1.2：裁剪遥感影像：在生产区域选择典型目标所在范围将遥感影像按照统一像素进行裁剪；步骤1.3：制作深度学习训练样本：使用ArcGIS或其他GIS软件绘制深度学习训练样本，标注每个地物目标的边界，得到对应的.shp文件，根据目标检测模型要求生成目标外包框标注；根据边缘检测模型要求生成目标边界标注；步骤1.4：根据任务需求采集200张以上影像及相应标注作为训练样本，为检测精度单独准备测试样本；步骤2：使用准备好的影像样本训练目标检测模型和边缘检测模型；训练Faster R‑CNN神经网络得到目标检测模型，训练RCF神经网络得到边缘检测模型，根据生产目标可相应替换、修改网络；具体包括：步骤2.1：设计深度卷积神经网络：为了训练目标检测模型和边缘检测模型，选择的是RCF和Faster R‑CNN这两种神经网络，根据生产目标可相应替换、修改网络；步骤2.2：初始化权重：使用VGG预训练模型来初始化RCF网络权重，使用COCO数据集上的预训练模型来初始化Faster R‑CNN的权重；步骤2.3：设置训练超参数：配置超参数，模型调优后具体设置数值；RCF的训练参数设定：迭代次数＝8000，batch_size＝4，学习率更新策略＝step，学习率更新步长＝[3200,4800,6400,8000]，初始学习率＝0.001，学习率更新系数＝0.1；Faster R‑CNN的训练参数设定：训练阶段数＝3，各阶段迭代轮数＝[40,120，40]，每轮迭代次数＝1000，验证间隔＝50，batch_size＝4，学习率更新策略＝step，学习率更新步长＝1000，初始学习率＝0.001，学习率更新动量＝0.9，权重衰变＝0.0001；步骤2.4：输入样本，训练模型：将训练样本输入到RCF模型中，按照步骤2.3中所述的超参数进行训练，得到能够提取地物目标边缘轮廓的边缘检测模型；将训练样本输入到Faster R‑CNN中，按照步骤2.3中所述的超参数进行训练，得到能够提取地物目标外包框的目标检测模型；步骤3：将用于测试的影像样本输入到目标检测模型和边缘检测模型中，获取地物目标外包框和边缘强度图；地物目标边缘强度图表明遥感影像中对应位置处是目标边缘的可能性；地物目标外包框是标明目标所处位置范围和目标类型的矩形限制框；具体包括：步骤3.1：将高分遥感影像输入到目标检测模型，获取地物目标的矩形外包框；将高分遥感影像输入到边缘检测模型，获取地物目标边缘强度图；步骤3.2：参数化外包框：将目标检测模型输出的矩形外包框参数转化为其左下顶点坐标和右上顶点坐标；具体地：x1＝x‑w y1＝y‑hx2＝x+w y2＝y+h其中，x,y,w,h分别代表矩形外包框的中心横坐标，中心纵坐标，宽和高；步骤4：将步骤3中边缘强度图细化成单像素宽的边界；具体包括：步骤4.1：根据设定的阈值，将地物目标边缘强度图由灰度图转化成二值图；用binary_image(x,y)来表示地物目标在图像(x,y)处的边缘判断情况(1表示是边缘，0表示不是边缘)，可表示为：其中threshold为区间[0,1]上的实数，可由用户设置，初始默认值为0.5；x,y为图像的横纵坐标；步骤4.2：对于二值图中多个像素宽的边缘粗线，以每条边缘线的中心不断做腐蚀操作，直到所有边缘线只剩一个像素宽，达到骨架提取的目的；步骤5：以步骤3中地物目标外包框为约束，对步骤4中单像素边界进行修补，以获取完整精细的多边形地物目标边界；详细步骤如下：步骤5.1：找出地物目标边界线中未闭合的部分，将其分为三种类型，分别为图像边缘处的边界断线，图像内部的边界断线，图像内部的边界线头，其中图像边缘处的边界断线是由于骨架提取算法而导致图像边缘处边界不完整，图像内部的边界断线是边界检测模型未正确识别的部分，图像内部的边界线头是由于骨架提取算法而导致目标边界出现多余边界线；步骤5.2：将三种类型的边界断线用三种不同的方法处理；步骤5.2.1：对于图像边缘处的边界断线，以相应位置处的边缘强度图为指示，选取边缘强度值较高的像素点填补目标边界断线，若与图像边界仍有空隙，则采用与图像边界垂直的直线，使其与目标边界断线相连，并与图像边界连接形成闭合的目标边界线；步骤5.2.2：对于图像内部的边界断线，重新设置阈值，并以相应位置处的边缘强度图为指示，将边缘强度图中强度值高于新阈值的像素点映射到二值图中，若目标边界断线仍未闭合，则将两个断点以原有的几何特性相连；其中，以原有几何特性修补断点的步骤如下；步骤5.2.2.1：取出与两个断点相连的最内圈边界线；步骤5.2.2.2：以斜率的变化情况将最内圈边界线划分成若干部分，确定边界线的大致几何形状；步骤5.2.2.3：根据几何形状从断点处修补成封闭图形，使修补处保持原有的几何特性；步骤5.2.3：对于图像内部的孤立边界线，即与其他断线都距离较远的孤立边界线，则予以删除；步骤5.3：再次进行骨架提取，将步骤5.2中填补的部分细化成单像素宽的目标边界线；步骤5.4：重新遍历图像，删除掉所有不闭合的目标边界线，得到完整精细的多边形地物目标边界。