一种基于多粒度网络融合的光学遥感图像分割方法和装置制造方法及图纸

本发明专利技术涉及一种基于多粒度网络融合的光学遥感图像分割方法和装置。该方法包括：步骤1，采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别；步骤2，基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，其中，所述多粒度网络融合模型包括四个子神经网络；步骤3，将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。本发明专利技术的技术方案可以有效实现对光学遥感图像的精细分割并抑制背景干扰。

【技术实现步骤摘要】
一种基于多粒度网络融合的光学遥感图像分割方法和装置
本专利技术涉及图像处理
，具体涉及一种基于多粒度网络融合的光学遥感图像分割方法和装置。
技术介绍
随着遥感技术的快速发展，光学遥感图像空间分辨率越来越高，现今高清光学遥感图像已进入商用化阶段。得益于高清光学遥感图像的高空间分辨率，图像中许多细节能够被清楚地呈现出来，给遥感图像精细分割提供了强有力的数据支持。深度学习方法已广泛用于遥感图像分割，常见的深度学习方法有卷积神经网络，包含VGG、FCN等网络。针对复杂光学遥感图像，VGG网络能够实现光学遥感图像的精细分割，但是也同时极大受复杂背景的干扰，产生许多误检。与此同时，FCN网络虽然能够很大程度上抑制复杂背景的干扰，但是对光学遥感图像分割的精细程度不够，无法实现精细的光学遥感图像分割。
技术实现思路
针对现有技术的不足，本专利技术提供一种基于多粒度网络融合的光学遥感图像分割方法和装置。第一方面，本专利技术提供了一种基于多粒度网络融合的光学遥感图像分割方法，该方法包括：步骤1，采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别。步骤2，基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，其中，所述多粒度网络融合模型包括四个子神经网络。步骤3，将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。第二方面，本专利技术提供了一种基于多粒度网络融合的光学遥感图像分割装置，该装置包括：第一处理模块，用于采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别。第二处理模块，用于基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，其中，所述多粒度网络融合模型包括四个子神经网络。第三处理模块，用于将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。第三方面，本专利技术提供了一种基于多粒度网络融合的光学遥感图像分割装置，该装置包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的基于多粒度网络融合的光学遥感图像分割方法。第四方面，本专利技术提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于多粒度网络融合的光学遥感图像分割方法。本专利技术提供的基于多粒度网络融合的光学遥感图像分割方法和装置的有益效果是，采用包括多个不同结构特点的子神经网络的多粒度网络融合模型进行训练与辨识，由于融合的模型可分别具有精细分割光学遥感图像的特点、增强稳定性的特点以及有效抑制复杂背景干扰的特点，从而可提高对光学遥感图像的精细分割能力及复杂背景干扰抑制能力，针对复杂光学遥感图像，可有效实现对图像的精细分割并且有效抑制背景干扰。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例的一种基于多粒度网络融合的光学遥感图像分割方法的流程示意图；图2为本专利技术实施例的多粒度网络融合模型的示意图；图3为本专利技术实施例的一种基于多粒度网络融合的光学遥感图像分割装置的结构框图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。如图1所示，本专利技术实施例的一种基于多粒度网络融合的光学遥感图像分割方法包括：步骤1，采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别。其中，图像类别可为建筑物、道路、草地、树木等，可在训练前对训练图像每个像素进行类别标注。步骤2，基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，获得相应模型参数，其中，所述多粒度网络融合模型包括四个子神经网络。步骤3，将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。在本实施例中，采用包括多个不同结构特点的子神经网络的多粒度网络融合模型进行训练与辨识，由于融合的模型可分别具有精细分割光学遥感图像的特点、增强稳定性的特点以及有效抑制复杂背景干扰的特点，从而可提高对光学遥感图像的精细分割能力及复杂背景干扰抑制能力，针对复杂光学遥感图像，可有效实现对图像的精细分割并且有效抑制背景干扰。优选地，所述四个子神经网络包括第一子网络N1、第二子网络N2、第三子网络N3和第四子网络N4，所述步骤3的具体实现包括：由所述第一子网络N1将所述待处理图像逐层处理获得细粒度分割得分图，由所述第二子网络N2将所述待处理图像逐层处理获得中粒度分割得分图，由所述第三子网络N3将所述待处理图像逐层处理获得粗粒度分割得分图，由所述第四子网络N4融合所述细粒度分割得分图、所述中粒度分割得分图和所述粗粒度分割得分图。第一子网络N1能够精细分割光学遥感图像，第二子网络N2能够增强模型在同时处理精细分割和背景干扰时的稳定性，第三子网络N3能够有效抑制复杂图像背景的干扰，第四子网络N4将多粒度网络N1、N2、N3进行融合，结合各种粒度网络的优点，使得基于多粒度网络融合模型的图像分割方法能够同时实现对光学遥感图像的精细分割与复杂背景的有效抑制。优选地，所述第一子网络N1包括依次设置的至少一个卷积层C1、下采样层P1和全连接层F1；所述第二子网络N2包括依次设置的至少一个卷积层C2、下采样层P2、上采样层D2和融合层A2；所述第三子网络N3包括依次设置的至少一个卷积层C3、下采样层P3和上采样层D3；所述第四子网络N4包括依次设置的至少一个融合层A4和卷积层C4。在第一子网络N1中，还可表示为卷积层{Ci1,i＝1,…,nc1,nc1≥1}，下采样层{Pi1,i＝1,…,np1,np1≥1}，全连接层{Fi1,i＝1,…,nf1,nf1≥1}。其中，i为变量，nc1表示卷积层的层数，np1表示下采样层的层数，nf1表示全连接层的层数。在第二子网络N2中，还可表示为卷积层{Ci2,i＝1,…,nc2,nc2≥1}，下采样层{Pi2,i＝1,…,np2,np2≥1}，上采样层{Di2,i＝1,…,nd2,nd2≥1}，融合层{Ai2,i＝1,…,na2,na2≥1}。其中，i为变量，nc2表示卷积层的层数，np2表示下采样层的层数，nd2表示上采样层的层数，na2表示融合层的层数。在第三子网络N3中，还可表示为卷积层{Ci3,i＝1,…,nc3,nc3≥1}，下采样层{Pi3,i＝1,…,np3,np3≥1}，上采样层{Di3,i＝1,…,nd3,nd3≥1}。其中，i为变量，nc3表示卷积层的层数，np3表示下采样层的层数，nd本文档来自技高网...

【技术保护点】
1.一种基于多粒度网络融合的光学遥感图像分割方法，其特征在于，所述方法包括：步骤1，采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别；步骤2，基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，其中，所述多粒度网络融合模型包括四个子神经网络；步骤3，将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。

【技术特征摘要】
1.一种基于多粒度网络融合的光学遥感图像分割方法，其特征在于，所述方法包括：步骤1，采集至少一张光学遥感图像作为训练图像，设置至少一种图像类别，并对所述训练图像标注所述图像类别；步骤2，基于被标注的训练图像，利用反向传播算法对预先构建的多粒度网络融合模型进行训练，其中，所述多粒度网络融合模型包括四个子神经网络；步骤3，将待处理图像输入经训练的多粒度网络融合模型中，根据所述四个子神经网络确定所述待处理图像中每个像素的所述图像类别，并将所述待处理图像中每个像素的所述图像类别作为分割结果输出。2.根据权利要求1所述的基于多粒度网络融合的光学遥感图像分割方法，其特征在于，所述四个子神经网络包括第一子网络N1、第二子网络N2、第三子网络N3和第四子网络N4；所述步骤3的具体实现包括：由所述第一子网络N1将所述待处理图像逐层处理获得细粒度分割得分图；由所述第二子网络N2将所述待处理图像逐层处理获得中粒度分割得分图；由所述第三子网络N3将所述待处理图像逐层处理获得粗粒度分割得分图；由所述第四子网络N4融合所述细粒度分割得分图、所述中粒度分割得分图和所述粗粒度分割得分图。3.根据权利要求2所述的基于多粒度网络融合的光学遥感图像分割方法，其特征在于，所述第一子网络N1包括依次设置的至少一个卷积层C1、下采样层P1和全连接层F1；所述第二子网络N2包括依次设置的至少一个卷积层C2、下采样层P2、上采样层D2和融合层A2；所述第三子网络N3包括依次设置的至少一个卷积层C3、下采样层P3和上采样层D3；所述第四子网络N4包括依次设置的至少一个融合层A4和卷积层C4。4.根据权利要求3所述的基于多粒度网络融合的光学遥感图像分割方法，其特征在于，在所述第二子网络N2中，所述融合层A2拼接或相加位于所述融合层A2之前的任意至少两层的输出，并将拼接结果传给所述融合层A2之后的下一层；在所述第四子网络N4中，所述融合层A4拼接或相加所述第一子网络N1的最后一层、所述第二子网络N2的最后一层和所述第三子网络N3的最后一层的输出，并将拼接结果传给所述融合层A4之后的下一层。5.根据权利要求3所述的基于多粒度网络融合的光学遥感图像分割方法，其特征在于，所述第一子网络N1包括依次设置的卷积层C11、卷积层C21、下采样层P11、卷积层C31、卷积层C41、下采样层P21、卷积层C51、卷积层C61、卷积层C71、下采样层P31、卷积层C81、卷积层C91、卷积层C101、下采样层P41、卷积层C111、卷积层C121、卷积层C131、下采样层P51、全连接层F11、全连接层F21和全连接层F31；所述第二子网络N2包括依次设置的卷积层C12、卷积层C22、下采样层P12、卷积层C32、卷积层C42、下采样层P22、卷积层C52、卷积层C62、下采样层P32、卷积层C72、卷积层C82、下采样层P42、卷积层C92、卷积层C102、上采样层D12、融合层A12、卷积层C112、卷积层C122、上采样层D22、融合层A22、卷积层C132、卷积层C142、上采样层D32、融合层A32、卷积层C152、卷积层C162、上采样层D42、融合层A42、卷积层C172、卷积层C182和卷积层C192；所述第三子网络N3包括依次设置的卷积层C13、卷积层C23、下采样层P13、卷积层C33、卷积层C43、下采样层P23、...

【专利技术属性】
技术研发人员：李叶，王先锋，许乐乐，郭丽丽，阎镇，饶骏，金山，
申请(专利权)人：中国科学院空间应用工程与技术中心，
类型：发明
国别省市：北京,11