【技术实现步骤摘要】
一种融合边缘检测的遥感影像语义分割方法及装置
本专利技术属于测绘遥感/图像处理领域，具体涉及一种融合边缘检测的遥感影像语义分割方法及装置。
技术介绍
随着高分辨率遥感卫星资源和数据量的日益增多，遥感获取的地物信息越来越精细，同时也给图像解译技术带来了更大的挑战。遥感图像分割是一种自动化或半自动化的遥感图像解译手段，能将遥感图像像元标记为一个个具有语义概念的对象，目前在遥感图像分析中的应用越来越普遍。常见的遥感商业软件如ENVI、Erdas和PCI等都集成了遥感图像分割算法，同时也存在像易康这样功能强大的专业遥感图像分割平台。遥感图像分割技术经历了基于像元的分割、面向对象分割和基于深度学习的图像分割三个阶段。目前面向对象分割技术仍然是使用较多一种分割手段，但其分割参数调节过于复杂，需要大量的人工干预，且容易出现过分割和欠分割现象。基于深度学习的图像语义分割算法则不需要进行繁琐的参数调节或人工干预，在具有一定数量标记样本的情况下，可以自动寻找图像分割特征并能取得比较理想的分割效果，且分割效率明显高于面向对象的方法，是目前遥感图像...
【技术保护点】
1.一种融合边缘检测的遥感影像语义分割方法，其特征在于，所述方法包括：/nS1、根据高分辨率遥感影像制作用于边缘检测的第一训练样本和用于语义分割的第二训练样本；/nS2、通过所述第一训练样本训练HED边缘检测模型，同时通过所述第二训练样本训练图像语义分割模型；/nS3、使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图，对所述边缘概率图进行后处理；/nS4、使用训练好的图像语义分割模型对所述待分割遥感影像进行影像分割；/nS5、将所述边缘检测后处理的结果与所述影像分割后的图像基于地理位置进行叠加，得到待分割遥感影像的语义分割矢量结果。/n
【技术特征摘要】
1.一种融合边缘检测的遥感影像语义分割方法，其特征在于，所述方法包括：
S1、根据高分辨率遥感影像制作用于边缘检测的第一训练样本和用于语义分割的第二训练样本；
S2、通过所述第一训练样本训练HED边缘检测模型，同时通过所述第二训练样本训练图像语义分割模型；
S3、使用训练好的HED边缘检测模型对待分割遥感影像进行边缘检测，生成边缘概率图，对所述边缘概率图进行后处理；
S4、使用训练好的图像语义分割模型对所述待分割遥感影像进行影像分割；
S5、将所述边缘检测后处理的结果与所述影像分割后的图像基于地理位置进行叠加，得到待分割遥感影像的语义分割矢量结果。
2.根据权利要求1所述融合边缘检测的遥感影像语义分割方法，其特征在于，所述步骤S1的具体过程为：
S11、绘制每个地物对象的封闭边界并保存为第一多边形矢量格式，用不同的整数值对绘制的每类地物属性进行标记并保存为第二多边形矢量格式；
S12、将所述第一多边形矢量转换为线矢量后栅格化，按照固定的长和高进行采样制作第一训练样本；
S13、将所述第二多边形矢量栅格化，栅格化图像值设置为所述标记地物属性的整数值，按照固定的长和高进行采样制作第二训练样本。
3.根据权利要求2所述融合边缘检测的遥感影像语义分割方法，其特征在于，所述步骤S2中，所述HED边缘检测模型采用Adam优化器，最后一个网络层激活函数选择sigmoid函数，其中代价函数选择加权信息熵，其权重参数设置为背景像素数和边缘像素数的比值；
所述图像语义分割模型通过将HED模型的代价函数修改为交叉信息熵得到，优化器设置为Adam，选择softmax函数为最后一个网络层的激活函数。
4.根据权利要求3所述融合边缘检测的遥感影像语义分割方法，其特征在于，所述步骤S2中，所述HED边缘检测模型和所述图像语义分割模型训练时，学习率根据训练轮数从1×10-3到1×10-8逐渐递减，分别训练两个模型直到各自的代价函数收敛。
5.根据权利要求1所述融合边缘检测的遥感影像语义分割方法，其特征在于，所述步骤S3中，所述对所述边缘概率图进行后处理具体包括：
使用预设阈值对所述边缘概率图进行二值化处理，将二值化后的图像使用骨架提取算法提取成单个像素相互连接的骨架，并将提取后的骨架导出为第三多边形矢量。
6.根据权利要求4所述融合边缘检测的遥感影像语义...
【专利技术属性】
技术研发人员：王艳杰，杨泽宇，冷伟，
申请(专利权)人：武汉珈和科技有限公司，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。