[发明专利]一种利用组合损失函数HRnet解译高分辨率遥感影像的方法

说明书

本发明提供一种利用组合损失函数HRnet解译高分辨率遥感影像的方法，包括以下步骤：高分辨率遥感影像土地利用分类数据集—语义分隔网络—分类结果—结果评价；本发明使用深度学习算法进行高分辨率遥感影像土地利用分类，一方面能够在很大程度上能够减少人工目视解译过程中所投入人力、物力，能够快速高效的使用计算机进行高分辨率遥感影像的解译任务，且在很大程度上能够避免人为提取特征过程中的主观行为，提高分类的精度。

技术领域

本发明涉及土地利用分类领域，尤其涉及一种利用组合损失函数HRnet解译高分辨率遥感影像的方法。

背景技术

高分辨率遥感影像的土地利用分类是土地覆被提取领域的基础问题，由于土地利用分类标准受自然和社会因素双重影响，使得不同用地类型信息存在极大的互扰性，而如何进一步提高土地利用的分类精度是目前研究中面临的问题。人工解译是最常用，也是精度较高的一种方法，依赖于地物的大小、形状、颜色和色调、阴影、位置、纹理、分辨率、地貌等特征，将影像图划分为不同的地类，但是该方法要求解译者有丰富的经验，主观性强，工作量大，并且有些复杂的遥感信息靠人的视力很难去辨别。尤其在面对海量的遥感影像土地利用分类时，该方法费时、费力，不实用。因此借助计算机提高提取遥感图像信息的效率便成为解决这一瓶颈的关键。

高分辨率遥感影像的土地分类实际对应于计算机视觉领域内的语义分割任务，实现像素级别的划分。常用的语义分割算法有很多。Long等人于2014年提出了全卷积神经网络(Fully Convolutional Networks,FCN)，首次提出了有效的语义分割网络结构，为其发展奠定了基础。该网络将卷积神经网络中的全连接层改为卷积层，通过卷积层和池化层来提取图像中的特征，再通过反卷积上采样来恢复原图，实现了像素级别的输出，是较早应用于遥感影像语义分割的深度学习模型。但是在提取特征时下采样到原来图像的32倍，导致细节信息丢失严重，得到的分割结果比较粗糙。2015年Ronneberger等人提出的U-net模型是对FCN网络的扩展，主要改进为引入对称的编码-解码(Encoder-Decoder)结构，编码器(Encoder)用于提取特征，解码器(Decoder)用来恢复原图，分割精度有所提高，获得了学者们的认可并进行了相应的应用和改进，但该模型在特征提取过程中丢失了空间细节位置信息，分割精度受限。Deeplab系列网络提出多尺度信息的融合方案，使用了空洞卷积(AtrousConvolutio)和带孔的空间金字塔池化(Atrous Spatial Pyramid Pooling,ASSP)层用来提高语义分割的精度。但是遥感影像中包含复杂的空间信息，面对提取不同尺寸大小的地物时，Deeplab网络提取效果不尽人意，对于小尺度地物错分漏分的现象仍然严重，并且在编码过程中分辨率不断的降低，边缘信息丢失较多，得到的分割结果较粗糙，对地物边界的定位不够准确。

2019年，HRnet(High-resolution network)模型的出现为图像语义分割提供了新的思路。该模型提出了一种多分支的网络结构，在各分支上同时维持从高分辨率到低分辨率的多个分辨率特征，从而获得多尺度特征的有效融合，得到更丰富的上下文信息，在遥感影像的语义分割任务中有较好的应用潜力。但在使用HRnet模型进行高分辨率的遥感影像分割任务时需要找到一个合适的损失函数来引导模型的前进方向，并在一定程度上解决影像样本不平衡问题，从而提高模型分割精度。

语义分割算法常用的损失函数为交叉熵损失函数，针对在研究区内存在有许多背景单一的大面积区域时，使用该损失函数会导致对背景复杂的训练样本训练不充分，因而不能准确的将复杂地类分类出来。

目前1米分辨率的遥感影像应用越来越广泛，且已有的大部分语义分割模型方法中背景复杂的训练样本训练不充分、复杂地类难分辨等问题，本专利从模型的筛选、损失函数的改进入手，针对1米分辨率的遥感影像精准进行地类分类的方法。