一种遥感图像的分割方法及系统技术方案

本发明专利技术公开一种遥感图像的分割方法及系统。该分割方法包括：获取用户输入的遥感影像样本和每个样本对应的地物标签数据；采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型；获取待分割的遥感图像；采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果。本发明专利技术可以实现对遥感图像的自动分割，降低人力物力，降低成本，提高遥感图像的分割效率。

A method and system of remote sensing image segmentation

【技术实现步骤摘要】
一种遥感图像的分割方法及系统
本专利技术涉及图像处理领域，特别是涉及一种遥感图像的分割方法及系统。
技术介绍
目前农业遥感的地物识别识别主要依靠人工到现场采集实地样本点，然后带回到工作室后，把人工采样的样本点输入到电脑中。针对一景影像，首先是先标记出影像中的采样点，然后根据采样点，运用软件中封装的传统统计学习方法对地物进行分类，然后后期再微处理后获得结果。传统对于遥感图像的处理结果虽然比较准确，但是需要耗费大量的人力物力，成本高，且时间较慢。
技术实现思路
本专利技术的目的是提供一种遥感图像的分割方法及系统，以实现对遥感图像的自动分割，降低人力物力，降低成本，提高遥感图像的分割效率。为实现上述目的，本专利技术提供了如下方案：一种遥感图像的分割方法，包括：获取用户输入的遥感影像样本和每个样本对应的地物标签数据；采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型；获取待分割的遥感图像；采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果。可选的，所述采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型，具体包括：获取用户输入的多项超参数；所述超参数包括学习率、批处理大小和迭代次数；获取所述用户选择的优化器类型、评估函数和损失函数；采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练；判断当次训练结束后的训练状态是否符合所述用户输入的预期条件，得到第一判断结果；当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时，训练结束，将当次训练结束后的识别分类模型确定为所述神经网络分类模型；当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时，调整训练参数，更新迭代次数；返回采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练的步骤。可选的，所述采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练，具体包括：对所述遥感影像样本进行线性拉伸和归一化操作，得到预处理的遥感影像样本；结合所述预处理的遥感影像样本，采用所述封装好的神经网络对所述识别分类模型进行训练。可选的，所述神经网络为U-net深度神经网络。可选的，所述采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果，具体包括：获取用户的输入图像；所述输入图像包括多张待分割的遥感图像；采用所述神经网络分类模型对所述输入图像进行分类，得到所述输入图像每一块区域的分类结果；将每一块区域的分类结果进行拼接，得到标注好地物标签的分割结果。本专利技术还提供一种遥感图像的分割系统，包括：输入数据获取模块，用于获取用户输入的遥感影像样本和每个样本对应的地物标签数据；训练模块，用于采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型；待分割图像获取模块，用于获取待分割的遥感图像；分类模块，用于采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果。可选的，所述训练模块具体包括：用户输入单元，用于获取用户输入的多项超参数；所述超参数包括学习率、批处理大小和迭代次数；用户选择单元，用于获取所述用户选择的优化器类型、评估函数和损失函数；训练单元，用于采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练；第一判断单元，用于判断当次训练结束后的训练状态是否符合所述用户输入的预期条件，得到第一判断结果；神经网络分类模型确定单元，用于当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时，训练结束，将当次训练结束后的识别分类模型确定为所述神经网络分类模型；迭代单元，用于当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时，调整训练参数，更新迭代次数；返回采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练的步骤。可选的，所述训练单元具体包括：预处理子单元，用于对所述遥感影像样本进行线性拉伸和归一化操作，得到预处理的遥感影像样本；训练子单元，用于结合所述预处理的遥感影像样本，采用所述封装好的神经网络对所述识别分类模型进行训练。可选的，所述神经网络为U-net深度神经网络。可选的，所述分类模块具体包括：输入图像获取单元，用于获取用户的输入图像；所述输入图像包括多张待分割的遥感图像；分类单元，用于采用所述神经网络分类模型对所述输入图像进行分类，得到所述输入图像每一块区域的分类结果；拼接单元，用于将每一块区域的分类结果进行拼接，得到标注好地物标签的分割结果。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：(1)将先进的深度学习方法与农业遥感影像地物识别结合起来，实现在遥感图像中对地物分割效果。相对于传统方法来说，深度学习方法具有更高的效率和准确率，适用场景也更加广泛；(2)允许用户在一定范围内自由调整学习率、迭代数、批尺寸、优化函数、损失函数、评估函数及归一化等关键参数，使系统按照用户需求的方向运作，提高了系统的交互性和可操作性，使系统具有较好的使用体验；(3)应用U-net深度神经网络，U-net网络的输入数据和输出数据都是图像，由于这种端到端的特殊性，该网络的应用过程较为便捷，结果也更加直观易懂；(4)允许对农业遥感图像进行批处理分类，即一次操作可以分类多张影像，极大地提高了使用效率及操作成本。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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本专利技术遥感图像的分割方法的流程示意图；图2为本专利技术遥感图像的分割系统的结构示意图；图3为本专利技术具体实施案例训练阶段的输入图像；图4为本专利技术具体实施案例的训练参数设置界面；图5为本专利技术具体实施案例的训练过程界面；图6为本专利技术具体实施案例的线性拉伸对比图；图7本文档来自技高网...

【技术保护点】
1.一种遥感图像的分割方法，其特征在于，包括：/n获取用户输入的遥感影像样本和每个样本对应的地物标签数据；/n采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型；/n获取待分割的遥感图像；/n采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果。/n

【技术特征摘要】
1.一种遥感图像的分割方法，其特征在于，包括：
获取用户输入的遥感影像样本和每个样本对应的地物标签数据；
采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型；
获取待分割的遥感图像；
采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果。


2.根据权利要求1所述的遥感图像的分割方法，其特征在于，所述采用所述遥感影像样本和所述地物标签数据，利用神经网络对识别分类模型进行训练，得到神经网络分类模型，具体包括：
获取用户输入的多项超参数；所述超参数包括学习率、批处理大小和迭代次数；
获取所述用户选择的优化器类型、评估函数和损失函数；
采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练；
判断当次训练结束后的训练状态是否符合所述用户输入的预期条件，得到第一判断结果；
当所述第一判断结果表示当次训练结束后的训练状态符合所述用户输入的预期条件时，训练结束，将当次训练结束后的识别分类模型确定为所述神经网络分类模型；
当所述第一判断结果表示当次训练结束后的训练状态不符合所述用户输入的预期条件时，调整训练参数，更新迭代次数；返回采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练的步骤。


3.根据权利要求2所述的遥感图像的分割方法，其特征在于，所述采用封装好的神经网络，结合所述多项超参数、所述优化器类型、所述评估函数和所述损失函数，利用所述遥感影像样本和所述地物标签数据对所述识别分类模型进行训练，具体包括：
对所述遥感影像样本进行线性拉伸和归一化操作，得到预处理的遥感影像样本；
结合所述预处理的遥感影像样本，采用所述封装好的神经网络对所述识别分类模型进行训练。


4.根据权利要求1所述的遥感图像的分割方法，其特征在于，所述神经网络为U-net深度神经网络。


5.根据权利要求1所述的遥感图像的分割方法，其特征在于，所述采用所述神经网络分类模型对所述待分割的遥感图像进行分类，得到标注好地物标签的分割结果，具体包括：
获取用户的输入图像；所述输入图像包括多张待分割的遥感图像；
采用所述神经网络分类模型对所述输入图像进行分类，得到所述输入图像每一块区域的分类结果；
将每一块区域的分类结果进行拼接，得到标注好地物标签的分...

【专利技术属性】
技术研发人员：陈圣波，李慧盈，
申请(专利权)人：吉林高分遥感应用研究院有限公司，
类型：发明
国别省市：吉林;22