一种基于深度学习的遥感图像内新增建筑识别方法技术

本发明专利技术公开了一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：获取样本图像：两时间段遥感图像和新增建筑背景图像；将具有原始尺寸的样本图像分别进行裁剪切割，得到小尺寸图像；对所有小尺寸图像进行数据增强处理；再将增强后的小尺寸两时间段遥感图像进行中心化及全局对比归一化，完成后再一一对应相减，得到遥感差异图；将遥感差异图和小尺寸新增建筑背景图像输入修改后的两种深度神经网络进行网络参数训练；再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，再对输出的初步结果进行修饰处理，得到最终的新增建筑识别图像。本发明专利技术方法具有遥感图像内新增建筑识别准确率高以及适用性广的优点。

【技术实现步骤摘要】
一种基于深度学习的遥感图像内新增建筑识别方法
本专利技术涉及图像处理
，特别涉及一种基于深度学习的遥感图像内新增建筑识别方法。
技术介绍
基于深度学习的遥感图像内新增建筑识别依赖图像分割技术完成，其目的是寻找某特定国土区域内两时间段间的新增建筑，以辅助完成国土监察业务。现有的传统图像分割算法包括：基于颜色和亮度的分割方法、基于区域的分割方法、基于图论的分割方法和基于能量泛函的分割方法。基于颜色和亮度的分割方法是通过图像的颜色或亮度对每个像素点进行划分，如K-Means算法即是将图像看作是由RGB三维特征组成的点集，对图像的所有像素点进行聚类实现分割目的；基于区域的分割方法，包含区域生长法和分水岭法，是按照相似性准则将图像分割为多个区域。基于图论的分割方法将图像映射为带权无向图，移除特定的边，将图划分为若干个子图实现图像分割；基于能量泛函的分割方法主要包括活动轮廓模型以及其衍生方法。上述方法通常需要先验条件进行初始化，如K-means算法在分割图像前需指定分割区域的数量、分水岭方法必须指定分割部分的关键点、活动轮廓模型需设置初始化轮廓，这些先验条件要求都局限了图像分割研究的发展。实现遥感图像内的新增建筑识别业务非常具有挑战性。因拍摄天气、高度、云层遮挡等外界干扰，使得可获取的遥感图像清晰度和完整度均低于其他类别图像。除去数据特点，本业务需要学习图像内的新增建筑特征信息并完成尽可能多的新增建筑识别任务，本方法引用修改后的深层卷积神经网络完成新增建筑识别业务。
技术实现思路
本专利技术的目的在于克服现有技术中的缺点与不足，提供一种基于深度学习的遥感图像内新增建筑的识别方法，通过对样本图像(两时间段的遥感图像和新增建筑背景图像)做预处理，然后将训练样本输入修改的深度卷积神经网络进行训练，再将待测遥感图像输入训练所得的两种深度神经网络，在网络的softmax输出层处进行模型融合，获取最佳图像分割模型，并对识别结果进行后端处理，能够较准确的获得遥感图像内新增建筑识别图像。为实现以上目的，本专利技术采取如下技术方案：一种基于深度学习的遥感图像内新增建筑识别方法，包括下述步骤：S1、首先人工在两个不同时间段内对某特定区域采集两张遥感图像，对其中部分新增建筑进行标记，以获得对应的新增建筑背景图像；S2、利用所设计的图像滑动切割算法，将具有原始尺寸的两张遥感图像及对应的新增建筑背景图像进行切割裁剪，得到若干张小尺寸图像；所述小尺寸图像大小为256x256；S3、对两个时间段的小尺寸遥感图像及对应的小尺寸新增建筑背景图像进行数据增强处理，分别进行旋转、镜像、以及尺度缩放的操作；将经过数据增强处理的小尺寸新增建筑背景图像作为第一训练样本；S4、对步骤S3中经过数据增强处理的所有小尺寸遥感图像分别进行中心化及全局对比度归一化的操作；接着，将处理后的两个时间段的小尺寸遥感图像进行一一对应相减，得到遥感差异图；将遥感差异图作为第二训练样本，辅助网络参数训练；S5、分别将基础的VGG-19及ResNet-50卷积神经网络修改为图像分割模型，即DeepLab网络结构；再将第一训练样本和第二训练样本，均分别输入修改后的两种DeepLab网络结构进行网络参数训练；S6、将待测遥感图像输入步骤S5中训练所得的两种DeepLab网络结构进行新增建筑识别测试，在两种DeepLab网络结构的softmax输出层处进行模型融合，使最终所得的图像分割模型结合两种DeepLab网络结构的学习能力，得到初步的新增建筑识别结果图像；S7、针对步骤S6中得到的新增建筑识别结果图像，首先进行全连接CRF处理；然后进行形态学膨胀处理，将结果图像汇总中由于网络分割不细致导致的黑点置白，得到最终的新增建筑识别结果图像。作为优选的技术方案，步骤S1中对于两个时间段的两张遥感图像，根据先验知识通过人工标记部分新增建筑，新增建筑像素值设置为1，其余设置为0。作为优选的技术方案，步骤S2中，所述图像滑动切割算法：将裁剪坐标框同时应用在两张遥感图像及一张新增建筑背景图像上，使三张原始尺寸图像剪裁后所得的小尺寸图像仍然一一对应，且每一张裁剪所得的小尺寸新增建筑背景图像中，至少含有一个非0像素点。作为优选的技术方案，步骤S3的具体过程如下：S31、首先对所有小尺寸图像进行旋转增强处理；S32、然后将旋转增强处理后的小尺寸图像进行上下、左右、以及上下左右镜像处理；S33、最后对镜像处理后的小尺寸图像进行多尺度缩放处理。作为优选的技术方案，步骤S31中小尺寸图像进行旋转增强处理，旋转角度为：90度、180度、270度，使得小尺寸图像数据扩大至4倍；步骤S32中将旋转增强处理后的小尺寸图像进行上下、左右、上下左右镜像处理，使得旋转增强处理后的小尺寸图像数据扩大至16倍；步骤S33中针对镜像处理后的小尺寸图进行多尺度缩放操作，缩放比例为：0.8、1.2、1.4，使得镜像处理后的小尺寸图像数据扩大至64倍。作为优选的技术方案，步骤S4中，对经过数据增强处理的两个时间段的小尺寸遥感图像分别进行中心化及全局对比度归一化的操作，具体利用如下公式：x′＝(x-mean)/var其中mean为整张遥感图像的均值，var为整张遥感图像的方差，x为遥感图像像素值。作为优选的技术方案，步骤S5中，将VGG-19网络修改为DeepLab网络结构的具体方法如下：从输入层至输出层依次连接为：卷积层conv1、卷积层conv2、池化层maxpool1、卷积层conv3、卷积层conv4、池化层maxpool2、卷积层conv5、卷积层conv6、卷积层conv7、卷积层conv8、池化层maxpool3、卷积层conv9、卷积层conv10、卷积层conv11、卷积层conv12、池化层maxpool4、卷积层conv13、卷积层conv14、卷积层conv15、卷积层conv16、以及池化层maxpool5；将池化层maxpool4、池化层maxpool5的池化步长stride修改为1；将卷积层conv13、卷积层conv14、卷积层conv15、以及卷积层conv16中的卷积核修改为孔径系数为2的带孔卷积核；在池化层maxpool5后，连接空间金字塔ASPP结构；在空间金字塔ASPP结构后连接Eltwise层，Eltwise层合并空间金字塔ASPP结构的计算结果；其中，所述空间金字塔ASPP结构是在网络的最末池化pool层后连接4个包含三层全连接层的分支结构，每个分支结构的第一层是带孔卷积层，孔径系数分别为：6、12、18、24；最后，在Eltwise层后连接softmax层，得到网络输出结果；每次卷积操作后通过ReLu函数激活图像特征得到特征映射图。作为优选的技术方案，步骤S5中，将ResNet-50网络修改为DeepLab结构的具体方法如下：从输入层至输出层依次连接为：池化层maxpool1、池化层maxpool2、包含3个Block模块的残差结构Block1、包含4个Block模块的残差结构Block2、包含6个Block模块的残差结构Block3、以及包含3个Block模块的残差结构Block4；其中，残差结构Block1～Block4存在四种不同的配置，但其中所有Block模块均由三层卷积层组合本文档来自技高网...

【技术保护点】
1.一种基于深度学习的遥感图像内新增建筑识别方法，其特征在于，包括下述步骤：S1、首先人工在两个不同时间段内对某特定区域采集两张遥感图像，对其中部分新增建筑进行标记，以获得对应的新增建筑背景图像；S2、利用所设计的图像滑动切割算法，将具有原始尺寸的两张遥感图像及对应的新增建筑背景图像进行切割裁剪，得到若干张小尺寸图像；所述小尺寸图像大小为256x256；S3、对两个时间段的小尺寸遥感图像及对应的小尺寸新增建筑背景图像进行数据增强处理，分别进行旋转、镜像、以及尺度缩放的操作；将经过数据增强处理的小尺寸新增建筑背景图像作为第一训练样本；S4、对步骤S3中经过数据增强处理的所有小尺寸遥感图像分别进行中心化及全局对比度归一化的操作；接着，将处理后的两个时间段的小尺寸遥感图像进行一一对应相减，得到遥感差异图；将遥感差异图作为第二训练样本，辅助网络参数训练；S5、分别将基础的VGG‑19及ResNet‑50卷积神经网络修改为图像分割模型，即DeepLab网络结构；再将第一训练样本和第二训练样本，均分别输入修改后的两种DeepLab网络结构进行网络参数训练；S6、将待测遥感图像输入步骤S5中训练所得的两种DeepLab网络结构进行新增建筑识别测试，在两种DeepLab网络结构的softmax输出层处进行模型融合，使最终所得的图像分割模型结合两种DeepLab网络结构的学习能力，得到初步的新增建筑识别结果图像；S7、针对步骤S6中得到的新增建筑识别结果图像，首先进行全连接CRF处理；然后进行形态学膨胀处理，将经过全连接CRF处理的结果图像汇总中由于网络分割不细致导致的黑点置白，得到最终的新增建筑识别结果图像。...

【技术特征摘要】
1.一种基于深度学习的遥感图像内新增建筑识别方法，其特征在于，包括下述步骤：S1、首先人工在两个不同时间段内对某特定区域采集两张遥感图像，对其中部分新增建筑进行标记，以获得对应的新增建筑背景图像；S2、利用所设计的图像滑动切割算法，将具有原始尺寸的两张遥感图像及对应的新增建筑背景图像进行切割裁剪，得到若干张小尺寸图像；所述小尺寸图像大小为256x256；S3、对两个时间段的小尺寸遥感图像及对应的小尺寸新增建筑背景图像进行数据增强处理，分别进行旋转、镜像、以及尺度缩放的操作；将经过数据增强处理的小尺寸新增建筑背景图像作为第一训练样本；S4、对步骤S3中经过数据增强处理的所有小尺寸遥感图像分别进行中心化及全局对比度归一化的操作；接着，将处理后的两个时间段的小尺寸遥感图像进行一一对应相减，得到遥感差异图；将遥感差异图作为第二训练样本，辅助网络参数训练；S5、分别将基础的VGG-19及ResNet-50卷积神经网络修改为图像分割模型，即DeepLab网络结构；再将第一训练样本和第二训练样本，均分别输入修改后的两种DeepLab网络结构进行网络参数训练；S6、将待测遥感图像输入步骤S5中训练所得的两种DeepLab网络结构进行新增建筑识别测试，在两种DeepLab网络结构的softmax输出层处进行模型融合，使最终所得的图像分割模型结合两种DeepLab网络结构的学习能力，得到初步的新增建筑识别结果图像；S7、针对步骤S6中得到的新增建筑识别结果图像，首先进行全连接CRF处理；然后进行形态学膨胀处理，将经过全连接CRF处理的结果图像汇总中由于网络分割不细致导致的黑点置白，得到最终的新增建筑识别结果图像。2.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S1中对于两个时间段的两张遥感图像，根据先验知识通过人工标记部分新增建筑，新增建筑像素值设置为1，其余设置为0。3.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S2中，所述图像滑动切割算法：将裁剪坐标框同时应用在两张遥感图像及一张新增建筑背景图像上，使三张原始尺寸图像剪裁后所得的小尺寸图像仍然一一对应，且每一张裁剪所得的小尺寸新增建筑背景图像中，至少含有一个非0像素点。4.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S3的具体过程如下：S31、首先对所有小尺寸图像进行旋转增强处理；S32、然后将旋转增强处理后的小尺寸图像进行上下、左右、以及上下左右镜像处理；S33、最后对镜像处理后的小尺寸图像进行多尺度缩放处理。5.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S31中小尺寸图像进行旋转增强处理，旋转角度为：90度、180度、270度，使得小尺寸图像数据扩大至4倍；步骤S32中将旋转增强处理后的小尺寸图像进行上下、左右、上下左右镜像处理，使得旋转增强处理后的小尺寸图像数据扩大至16倍；步骤S33中针对镜像处理后的小尺寸图进行多尺度缩放操作，缩放比例为：0.8、1.2、1.4，使得镜像处理后的小尺寸图像数据扩大至64倍。6.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S4中，对经过数据增强处理的两个时间段的小尺寸遥感图像分别进行中心化及全局对比度归一化的操作，具体利用如下公式：x′＝(x-mean)/var其中mean为整张遥感图像的均值，var为整张遥感图像的方差，x为遥感图像像素值。7.根据权利要求1所述的基于深度学习的遥感图像内新增建筑识别方法，其特征在于，步骤S5中，将VGG-19网络修改为DeepLab网络结构的具体方法如下：从输入层至输出层依次连接为：卷积层conv...

【专利技术属性】
技术研发人员：陈佳，余卫宇，王珂尧，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44