基于多尺度卷积神经网络的语义分割方法技术

本发明专利技术实施例公开了一种基于多尺度卷积神经网络的语义分割方法，其包括：获取高分辨率航空影像和LiDAR点云数据中的模态内特征；基于多尺度卷积神经网络进行模态间特征提取和分类；采用多尺度分割方法提取地物边界，消除椒盐效应并优化分类结果。实施本发明专利技术实例，将多尺度CNN与多尺度分割(MRS)后处理相结合的方法，用于高分辨率航空影像和LiDAR点云数据的语义分割。

【技术实现步骤摘要】
基于多尺度卷积神经网络的语义分割方法
本专利技术涉及计算机
，尤其涉及一种基于多尺度卷积神经网络的语义分割方法。
技术介绍
深度学习是机器学习研究中一个新的领域，其目的在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。这一概念源于人工神经网络的研究，可以理解为neuralnetwork的发展，其实质是通过构建具有多个隐层的机器学习模型和海量的训练数据来学习更有用的特征，从而提升分类或预测的准确性。常用的深度学习模型有卷积神经网络(CNN)、深度置信网络(DBNs)等。卷积神经网络是人工神经网络的一种，已成为当前语音分析和图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显：图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维图像而设计的一个多层感知器，这种网络结构对图像平移、比例缩放、倾斜或者其他形式的变形具有高度不变性。目前，深度学习如卷积神经网络(CNN)受到广泛关注，并开始应用于遥感影本文档来自技高网...

【技术保护点】
1.一种基于多尺度卷积神经网络的语义分割方法，其特征在于，包括如下步骤：获取高分辨率航空影像和LiDAR点云数据中的模态内特征；基于多尺度卷积神经网络进行模态间特征提取和分类；采用多尺度分割方法提取地物边界，消除椒盐效应并优化分类结果。

【技术特征摘要】
1.一种基于多尺度卷积神经网络的语义分割方法，其特征在于，包括如下步骤：获取高分辨率航空影像和LiDAR点云数据中的模态内特征；基于多尺度卷积神经网络进行模态间特征提取和分类；采用多尺度分割方法提取地物边界，消除椒盐效应并优化分类结果。2.如权利要求1所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述高分辨率航空影像和LiDAR点云数据中的LiDAR点云数据包括栅格化的数字表面模型和归一化地表模型，高分辨率航空影像包括红、绿、蓝、近红外4个波段。3.如权利要求2所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述获取高分辨率航空影像和LiDAR点云数据中的模态内特征包括：将地面点与非地面点分离；通过反向距离权重插值法提取数字高程模型和数字表面模型，并获取归一化数字表面模型；据标准距离、测量强度、传感器与地表的测量距离来提取归一化强度，并对LiDAR点云数据的强度数据进行归一化；将点云强度和回波次数栅格化；采用高斯差分来生成地物边界，所述高斯差分基于两种不同的高斯内核执行边缘检测。4.如权利要求3所述的基于多尺度卷积神经网络的语义分割方法，其特征在于，所述基于多尺度卷积神经网络进行模态间特征提取和分类包括：采用自动或半自动图像标记方法，根据数据集所覆盖区域的地物分布特点，将地物类别进行标记；将标记好的图像以及原图裁剪成300×300的图块，预留一...

【专利技术属性】
技术研发人员：孙颖，张新长，赵小阳，
申请(专利权)人：孙颖，张新长，赵小阳，
类型：发明
国别省市：广东,44