一种基于深度学习的遥感图像语义分割方法技术

本发明专利技术公开了一种基于深度学习的遥感图像语义分割方法中，步骤为：为每种物类目标分配RGB值和灰度值，获取原始遥感图像，选取出物类目标并上色、灰度化以及赋予灰度值处理，得到标签图像，对原始遥感图像进行数据增强以及边缘提取，得到边缘提取后的图像；将原始遥感图像和边缘提取后的图像训练样本对完全卷积神经网络进行训练，得到最佳语义分割网络模型，将测试遥感图像输入最佳语义分割网络模型中，获取到语义分割结果图像；为语义分割结果图像进行上色处理，得到最终语义分割结果图像，根据最终语义分割结果图像中的RGB值获取物类目标。本发明专利技术方法具有遥感图像语义分割准确率高以及适用性广的优点。

A semantic segmentation method for remote sensing images based on depth learning

The invention discloses a deep learning based on remote sensing image semantic segmentation method, which comprises the following steps: for each category of target assignment RGB value and gray value, to obtain the original remote sensing image, select the object and target color, gray and gray value are given, the label image data enhancement and edge extraction the original image, the edge image is obtained after the extraction of the training sample image; the original remote sensing image and edge extraction after training to complete convolution neural network, get the best segmentation semantic network model, the test of remote sensing image input the best semantic segmentation network model, to obtain semantic segmentation results; semantic image segmentation results. Color processing, to obtain the final semantic image segmentation results, according to the final semantic image segmentation results of the RGB value in the acquisition target . The method has the advantages of high accuracy and wide applicability in semantic segmentation of remote sensing images.

【技术实现步骤摘要】
一种基于深度学习的遥感图像语义分割方法
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语义分割方法。
技术介绍
图像语义分割融合了传统的图像分割和目标识别两个任务，其目的是将图像分割成若干组具有某种特定语义含义的像素区域，并识别出每个区域的类别，最终获得一幅具有像素语义标注的图像。该技术是计算机视觉的三大核心研究问题之一，是计算机视觉和模式识别领域非常具有挑战性的研究方向。图像语义分割与图像分割的最大区别在于，图像分割仅仅完成图像像素聚类，而图像语义分割在完成像素聚类后进一步对类别进行识别，给予类别语义信息。因此图像语义分割是在图像分割基础上在进行类别识别。现有的常用图像分割算法包括：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本文档来自技高网...

【技术保护点】
一种基于深度学习的遥感图像语义分割方法，其特征在于，步骤如下：步骤S1、分别为每种物类目标分配RGB值和灰度值；获取一定数量的原始遥感图像作为训练样本，针对于每张原始遥感图像，选取出物类目标，并根据该物类目标所分配的RGB值对该物类目标进行上色处理，得到标记遥感图像；然后对标记遥感图像进行灰度化处理，并且根据其中物类目标所分配的灰度值对该物类目标的每个像素点重新赋予灰度值，从而得到原始遥感图像训练样本对应的标签图像；步骤S2、针对于步骤S1中获取到的原始遥感图像进行数据增强处理，然后进行图像的边缘提取得到边缘提取后的图像，将边缘提取后的图像作为训练样本；步骤S3、将原始遥感图像训练样本和边缘提...

【技术特征摘要】
1.一种基于深度学习的遥感图像语义分割方法，其特征在于，步骤如下：步骤S1、分别为每种物类目标分配RGB值和灰度值；获取一定数量的原始遥感图像作为训练样本，针对于每张原始遥感图像，选取出物类目标，并根据该物类目标所分配的RGB值对该物类目标进行上色处理，得到标记遥感图像；然后对标记遥感图像进行灰度化处理，并且根据其中物类目标所分配的灰度值对该物类目标的每个像素点重新赋予灰度值，从而得到原始遥感图像训练样本对应的标签图像；步骤S2、针对于步骤S1中获取到的原始遥感图像进行数据增强处理，然后进行图像的边缘提取得到边缘提取后的图像，将边缘提取后的图像作为训练样本；步骤S3、将原始遥感图像训练样本和边缘提取后的图像训练样本作为输入对完全卷积神经网络进行训练，得到最佳语义分割网络模型；步骤S4、将待分割语义的测试遥感图像输入至步骤S3获取到的最佳语义分割网络模型中，通过最佳语义分割网络模型获取到带相应灰度值的语义分割结果图像；步骤S5、查找每种物类目标所分配的RGB值和灰度值的对应关系，根据语义分割结果图像中灰度值所对应的RGB值为语义分割结果图像进行上色处理，得到最终语义分割结果图像；查找每种物类目标所分配的RGB值，然后根据最终语义分割结果图像中的RGB值获取到待分割语义的测试遥感图像对应的物类目标。2.根据权利要求1所述的基于深度学习的遥感图像语义分割方法，其特征在于，步骤S1中针对每张原始遥感图像，根据先验知识通过手工分割方法将其中的物类目标选取出来，并且将背景的RGB值置为零。3.根据权利要求1所述的基于深度学习的遥感图像语义分割方法，其特征在于，步骤S2中，针对于步骤S1中获取到的每张标签图像分别进行数据增强处理的过程如下：步骤S21、首先将原始遥感图像进行梯度增强处理；步骤S22、然后将梯度增强处理后的原始遥感图像进行多尺度缩放处理；步骤S23、最后针对多尺度缩放处理后的原始遥感图像进行镜像操作。4.根据权利要求3所述的基于深度学习的遥感图像语义分割方法，其特征在于，步骤S21中原始遥感图像进行梯度为15度的增强处理，使得原始遥感图像数据扩大至24倍；步骤S22中将梯度增强处理后的原始遥感图像进行0.6、0.9和1.4尺寸缩放处理，使得梯度增强处理后的原始遥感图像数据扩大至96倍；步骤S23中针对多尺度缩放处理后的原始遥感图像进行镜像操作，使得多尺度缩放处理后的原始遥感图像数据扩大至192倍。5.根据权利要求1所述的基于深度学习的遥感图像语义分割方法，其特征在于，步骤S2中，通过Canny算子进行图像的边缘提取。6.根据权利要求5所述的基于深度学习的遥感图像语义分割方法，其特征在于，所述Canny算子进行图像的边缘提取过程中，所使用到的信噪比SNR计算公式如下：其中，G(-x)为边缘函数；f(x)为滤波器的脉冲响应，(-w,+w)为边界；σ为高斯均方差；所述Canny算子进行图像的边缘提取过程中，所使用到的定位精度Location计算公式如下：其中，G′(-x)、f′(x)分别对应为G(-x)、f(x)的一阶导数；所述Canny算子进行图像的边缘提取过程中，单边缘响应准则如下：即满足检测算子脉冲响应导数的零交叉点间的平均距离d...

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