[发明专利]基于深度双边滤波的点监督遥感图像语义分割方法及系统

权利要求书

1.基于深度双边滤波的点监督遥感图像语义分割方法，其特征在于，所述方法包括以下步骤：

S1、利用由卷积神经网络构成的编码器对遥感图像进行多层次的特征提取，得到多个层次的特征f_i，其中特征f_i为遥感图像在第i层所提取得到的特征；

S2、将每一个特征f_i 均输入深度双边滤波模块中进行深度双边滤波，得到滤波后的特征p_i；

S3、构建特征金字塔以对滤波后的特征p_i进行融合，然后将融合后的结果输入基于点标签弱监督训练的语义分割网络和分类器中，进而输出最终的语义分割结果，具体包括：

S31、从滤波后的特征p_i上采样使其采样结果的尺度大小与滤波后的特征p_i-1相同，再将采样结果与滤波后的特征p_i-1相加得到特征，以此类推，对后面i-1个滤波后的特征p_i-1，p_i-2，_……，p₁进行相同的操作，进而得到特征，，……，；

S32、将步骤S31中得到特征，，，……，进行叠加，然后将叠加后的结果经过一个1×1卷积层、批归一化层和修正线性单元，进而得到融合后的结果；

S33、将融合后的结果输入到基于点标签弱监督训练的语义分割网络和softmax分类器中进行语义分割，得到语义分割结果，然后将所述语义分割结果经过argmax为不同的类别，其中，所采用的语义分割网络通过弱监督方式进行训练，其具体实现方式为：首先，将包含每一张遥感图像所有类别信息的弱标签生成为点标签，其中输入的每一张遥感图像对应生成的点标签中只有几个像素点具有监督信息，其余的像素点都视为背景不提供监督信息；然后，通过所生成的点标签计算输出的语义分割结果的交叉熵损失L_ce，其中视为背景不提供监督信息的像素点不进行交叉熵损失L_ce的计算，同时计算一个惩罚项L_penal作为损失函数；最后，将交叉熵损失L_ce和惩罚项L_penal相加作为总训练损失L_total后并反向传播，重复迭代直至迭代次数达到预设阈值时即可判定完成训练，其中，所述惩罚项L_penal用于使所生成的点标签所对应输出的语义分割结果中不存在该标签不包含的类别，即：当所生成的点标签存在类别A和类别B时，则通过计算惩罚项L_penal使得该点标签对应输出的语义分割结果中不包含除了类别A和类别B的其他类别；当所生成的点标签中只存在一个类别时，则计算惩罚项L_penal使得该点标签对应输出的语义分割结果也只包含该一个类别，所述惩罚项L_penal用公式表示为：

（3）

式（3）中，表示遥感图像中的第个像素，表示遥感图像中像素的总数，表示第个类别，表示类别总数，表示语义分割标签，表示语义分割结果。