一种基于UNET网络的多源感知融合遥感图像分割方法及应用技术

本发明专利技术提供了一种基于UNET网络的多源感知融合遥感图像分割方法及应用，所述分割方法使用同一深度神经网络模型，对多源遥感图像信息进行融合处理，有效利用多个通道的遥感数据。不需要手动设计所需要的分割的类别的特征，在经过标注和网络训练之后，即可对目标进行自动分割。同时能够对针对不同分割目标的分割结果进行自动融合。通过GPU加速运算，可以较快地得到分割结果，同时本发明专利技术所述分割方法应用到无人机领域，可以进一步提高无人机各项传感器特征的精确度，以及更精确的获取无人机飞行高度。

An image segmentation method based on UNET network and multi-source perception fusion and its application

【技术实现步骤摘要】
一种基于UNET网络的多源感知融合遥感图像分割方法及应用
本专利技术涉及多源融合感知遥感探测
，尤其涉及一种基于UNET网络的多源感知融合遥感图像分割方法及应用。
技术介绍
传统的遥感数据分析大量依赖人力和一些简单的统计图像处理方法，随着近年来人工智能等相关领域的发展，遥感数据的分析也大量地使用人工智能方法。利用人工智能处理分析数据的优势，可以提高遥感数据分析的智能化、自动化，提升分析的精度与效率。本课题拟构建遥感图像分割数据集，实现基于深度神经网络的遥感图像自动化分割方法。并利用数据集对该方法的性能指标进行评估。同时，对该网络进行剪枝和优化处理，实现遥感图像高效、准确的自动化处理。目前在遥感图像分割的方法中，常采用的方法有基于边缘的多光谱法、基于相位一致的分割方法、基于标记分水岭的算法等。以上的方法在对遥感图像分割处理中有一定的效果。但是对于对分割精度有较高要求，分割类别较多的情况下，上述分割方式并不能满足我们对遥感图像多目标精确分割的要求。在对遥感图像高精度多类别的分割过程中，上述方法主要面临以下问题：1)遥感设备所处环境复杂，容易受到大气、温度以及等压面等外界因素的干扰；2)对不同的地质以及生态环境，以及不同的监测目标之间的差异性显著，上述的方式很难得到在不同遥感场景下具有鲁棒性的结果；3)如果遥感探测图像中所需分割的目标发生变换，需要手动选择新的分割目标特征，手动标注特征需要较大的工作量；4)不能对多个传感器取得的遥感数据进行统一处理。针对不同的传感源，需要设计不同的分割算法。因此，有必要研究一种基于UNET网络的多源感知融合遥感图像分割方法来应对现有技术的不足，以解决或减轻上述一个或多个问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于UNET网络的多源感知融合遥感图像分割方法及应用，所述分割方法使用同一深度神经网络模型，对多源遥感图像信息进行融合处理，有效利用多个通道的遥感数据。不需要手动设计所需要的分割的类别的特征，在经过标注和网络训练之后，即可对目标进行自动分割。同时能够对针对不同分割目标的分割结果进行自动融合。通过GPU加速运算，可以较快地得到分割结果，同时本专利技术所述分割方法应用到无人机领域，可以进一步提高无人机各项传感器特征的精确度，以及更精确的获取无人机飞行高度。一方面，本专利技术提供一种基于UNET网络的多源感知融合遥感图像分割方法，所述分割方法包括以下步骤：S1：采集多通道遥感图像数据并对数据进行标注和分类处理；S2：设计基于UNET网络的多元数据分割模型；S3：对分类处理后的数据进行数据增强得到训练模型所需数据集；S4：使用S3得到的数据集对多元数据分割模型进行训练，并调整训练参数；S5：通过S4得到的多元数据分割模型对分类处理后的数据进行测试，得到多个类别的遥感目标分割结果；所述S1和S2顺序不固定。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体为：采集多通道的遥感数据，并对8-12个不同类别的数据进行标注，数据标注完成后，以70％、10％和20％的比例分别将数据分为训练集、验证集和测试集。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2具体包括：S21：通过多光谱图像输入多通道UNET网络模型，；S22：对每个UNET网络模型训练一个二分类模型；S23：对单张遥感图像中每一类物体进行预测，得到多张预测图；S24：对预测图进行叠加、合并得到完整预测结果；S25：通过模型融合设计基于投票法的多分割模板融合算法。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体为：对分类处理后的遥感图像数据的数据集进行数据增强操作，以增加模型泛化能力，所述数据增强操作包括旋转45度、垂直翻转、水平翻转缩放15-25％、剪切操作和切换频段。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4具体为：通过S3中增强后的数据集对S2中构建好的网络模型进行训练，采用Adam算法更新神经网络权重，同时利用训练集和验证集进行交叉验证，调整训练参数，重复以上过程，直到模型收敛。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S5具体为：利用调整过训练参数的网络模型，对测试集中的数据进行预测，然后利用投票法得到多个类别的遥感目标分割结果。如上所述的方面和任一可能的实现方式，进一步提供一种基于UNET网络的多源感知融合遥感图像分割方法的应用，所述应用具体如下：通过所述分割方法获得的多个类别的遥感目标分割结果，获取无人机在不同传感器上的特征数据，以测量无人机飞行高度。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述测量无人机飞行高度的具体方法为：基于图像及地速的气压高度标定法，通过光流算法和投影法测量无人机飞行高度。与现有技术相比，本专利技术可以获得包括以下技术效果：1)能够多传感源的遥感数据利用同一个网络模型进行统一处理，充分用不同传感器对不同被探测目标的敏感性。2)能够自适应的学习不同探测目标，在不同传感器上的特征。在改变分割目标时，不需要重新构建检测算法，只需要依据不同的探测目标数据集重新训练网络即可。3)使用网络融合算法，可以对不同的探测目标的分割结果进行融合，在同一张分割图像中得到多类别的分割结果；4)将本专利技术所述分割方法获得的结果应用到无人机领域，可以测量无人机飞行高度，并且相比现有的测量方法，其测量的精确度更高。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有技术效果。【附图说明】为了更清楚地说明本专利技术实施例的技术方案，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的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术一个实施例提供的分割方法流程图；图2是本专利技术一个实施例提供的分割方法的网络模型结构图。【具体实施方式】为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本专利技术提供一种基于UNET网络的多源感知融合遥感图像分割方法及应用，如图1所示为本专利技术所述分割方法的流程图，所述分割方法具体包括以下步骤：S1：采集多通道遥感图像数据并对数据进行标本文档来自技高网...

【技术保护点】
1.一种基于UNET网络的多源感知融合遥感图像分割方法，其特征在于，所述分割方法包括以下步骤：/nS1：采集多通道遥感图像数据并对数据进行标注和分类处理；/nS2：设计基于UNET网络的多元数据分割模型；/nS3：对分类处理后的数据进行数据增强得到训练模型所需数据集；/nS4：使用S3得到的数据集对多元数据分割模型进行训练，并调整训练参数；/nS5：通过S4得到的多元数据分割模型对分类处理后的数据进行测试，得到多个类别的遥感目标分割结果；/n所述S1和S2顺序不固定。/n

【技术特征摘要】
1.一种基于UNET网络的多源感知融合遥感图像分割方法，其特征在于，所述分割方法包括以下步骤：
S1：采集多通道遥感图像数据并对数据进行标注和分类处理；
S2：设计基于UNET网络的多元数据分割模型；
S3：对分类处理后的数据进行数据增强得到训练模型所需数据集；
S4：使用S3得到的数据集对多元数据分割模型进行训练，并调整训练参数；
S5：通过S4得到的多元数据分割模型对分类处理后的数据进行测试，得到多个类别的遥感目标分割结果；
所述S1和S2顺序不固定。


2.根据权利要求1所述的分割方法，其特征在于，所述S1具体为：采集多通道的遥感数据，并对8-12个不同类别的数据进行标注，数据标注完成后，以70％、10％和20％的比例分别将数据分为训练集、验证集和测试集。


3.根据权利要求2所述的分割方法，其特征在于，所述S2具体为
S21：通过多光谱图像输入多通道UNET网络模型，；
S22：对每个UNET网络模型训练一个二分类模型；
S23：对单张遥感图像中每一类物体进行预测，得到多张预测图；
S24：对预测图进行叠加、合并得到完整预测结果；
S25：通过模型融合设计基于投票法的多分割模板融合算法。

【专利技术属性】
技术研发人员：姜梁，马祥森，吴国强，黄坤，李晓明，
申请(专利权)人：航天时代飞鸿技术有限公司，中国航天电子技术研究院，
类型：发明
国别省市：北京;11