一种高分辨率遥感影像的建筑物分割方法及系统技术方案

本发明专利技术公开了一种高分辨率遥感影像的建筑物分割方法及系统，本发明专利技术在多尺度特征分割器的训练过程中通过计算所述语义分割概率图中每个像素点的空间梯度，得到训练样本的空间梯度概率图；并计算训练样本的语义分割概率图相对于所述训练样本的真值图的损失函数值，作为第一损失函数值，计算训练样本的空间梯度概率图相对于所述训练样本的真值边缘图的损失函数值，作为第二损失函数值，计算所述第一损失函数值和所述第二损失函数值的和，作为多尺度特征分割器的损失函数值；以提高语义分割结果的边界分割结果的精度，克服现有的遥感影像建筑物分割技术存在边缘模糊，在大尺寸遥感图像分块检测中容易出现拼接线问题。

【技术实现步骤摘要】
一种高分辨率遥感影像的建筑物分割方法及系统
本专利技术涉及高分辨率遥感影像应用
，特别是涉及一种高分辨率遥感影像的建筑物分割方法及系统。
技术介绍
随着商用遥感卫星的成功发射，高分辨率遥感图像资源越来越丰富。由于高分辨率遥感图像具有信息量大、获取迅速、时效性好、合理的经济成本等特点，因此高分辨率遥感图像中的地物信息提取技术成为研究的热点。建筑物是城市模型中最主要的基元，精确地构建建筑物外形在许多领域中有重要的意义。遥感图像建筑物目标检测分割在模式识别与智能
具有重要的研究价值，而现有的遥感影像建筑物分割技术存在边缘较为模糊，且在大尺寸遥感图像分块检测中容易出现拼接线问题。
技术实现思路
本专利技术的目的是提供一种高分辨率遥感影像的建筑物分割方法及系统，以克服现有的遥感影像建筑物分割技术存在边缘模糊，以及在大尺寸遥感图像分块检测中容易出现拼接线问题。为实现上述目的，本专利技术提供了如下方案：一种高分辨率遥感影像的建筑物分割方法，所述分割方法包括如下步骤：从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集；建立多尺度特征分割器，所述多尺度特征分割器包括多尺度特征编码器和多尺度特征解码器；所述多尺度特征编码器与所述多特征解码器连接；将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图；计算所述语义分割概率图中每个像素点的空间梯度，得到训练样本的空间梯度概率图；计算训练样本的语义分割概率图相对于所述训练样本的真值图的损失函数值，作为第一损失函数值，计算训练样本的空间梯度概率图相对于所述训练样本的真值边缘图的损失函数值，作为第二损失函数值，计算所述第一损失函数值和所述第二损失函数值的和，作为多尺度特征分割器的损失函数值；更新多尺度特征分割器的参数，返回步骤“将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图”，进行下次训练，直到多尺度特征分割器的损失函数值小于预设阈值，得到训练后的多尺度特征分割器；利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割。可选的，所述从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集，之后还包括：对所述训练样本集中的训练样本进行归一化和数据增强处理，获得处理后的训练样本。可选的，所述将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图，之前还包括：采用imagenet预训练模型初始化多尺度特征编码器的参数，随机初始化多特征解码器的参数。可选的，所述多尺度特征分割器还包括注意力机制模块；所述注意力机制模块设置在多尺度特征编码器和多尺度特征解码器之间，所述注意力机制模块用于对多个尺度的特征图中的预设个数的特征图分别对应的与预设个数的所述特征图的转置进行相乘运算，获得运算后的特征图，并利用预设个数的运算后的特征图和多个尺度的特征图中的预设个数之外的特征图建立多尺度特征金字塔。可选的，所述利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割，具体包括：将高分辨率遥感影像分割为不重叠的多个影像块；将每个所述影像块分别向上、下、左、右四个方向拓展预设长度，得到多个拓展后的影像块；分别将每个所述拓展后的影像块输入训练后的多尺度特征分割器，获得每个拓展后的影像块的分割概率图；将每个拓展后的影像块的分割概率图分别沿上、下、左、右四个方向的相反方向切割预设长度，获得每个影像块的分割概率图；将所有影像块的分割概率图组合成高分辨率遥感影像的分割概率图。一种高分辨率遥感影像的建筑物分割系统，所述分割系统包括：训练样本获取模块，用于从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集；多尺度特征分割器建立模块，用于建立多尺度特征分割器，所述多尺度特征分割器包括多尺度特征编码器和多尺度特征解码器；所述多尺度特征编码器与所述多特征解码器连接；训练样本语义分割模块，用于将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图；空间梯度计算模块，用于计算所述语义分割概率图中每个像素点的空间梯度，得到训练样本的空间梯度概率图；损失函数值计算模块，用于计算训练样本的语义分割概率图相对于所述训练样本的真值图的损失函数值，作为第一损失函数值，计算训练样本的空间梯度概率图相对于所述训练样本的真值边缘图的损失函数值，作为第二损失函数值，计算所述第一损失函数值和所述第二损失函数值的和，作为多尺度特征分割器的损失函数值；参数更新模块，用于更新多尺度特征分割器的参数，返回步骤“将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图”，进行下次训练，直到多尺度特征分割器的损失函数值小于预设阈值，得到训练后的多尺度特征分割器；高分辨率遥感影像语义分割模块，用于利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割。可选的，所述分割系统，还包括：训练样本预处理模块，用于对所述训练样本集中的训练样本进行归一化和数据增强处理，获得处理后的训练样本。可选的，所述分割系统还包括：参数初始化模块，用于采用imagenet预训练模型初始化多尺度特征编码器的参数，随机初始化多特征解码器的参数。可选的，所述多尺度特征分割器还包括注意力机制模块；所述注意力机制模块设置在多尺度特征编码器和多尺度特征解码器之间，所述注意力机制模块用于对多个尺度的特征图中的预设个数的特征图分别对应的与预设个数的所述特征图的转置进行相乘运算，获得运算后的特征图，并利用预设个数的运算后的特征图和多个尺度的特征图中的预设个数之外的特征图建立多尺度特征金字塔。可选的，所述高分辨率遥感影像语义分割模块，具体包括：影像块分割子模块，用于将高分辨率遥感影像分割为不重叠的多个影像块；拓展子模块，用于将每个所述影像块分别向上、下、左、右四个方向拓展预设长度，得到多个拓展后的影像块；语义分割子模块，用于分别将每个所述拓展后的影像块输入训练后的多尺度特征分割器，获得每个拓展后的影像块的分割概率图；拓展区域切割子模块，用于将每个拓展后的影像块的分割概率图本文档来自技高网...

【技术保护点】
1.一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述分割方法包括如下步骤：/n从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集；/n建立多尺度特征分割器；所述多尺度特征分割器包括多尺度特征编码器和多尺度特征解码器，所述多尺度特征编码器与所述多尺度特征解码器连接；/n将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图；/n计算所述语义分割概率图中每个像素点的空间梯度，得到训练样本的空间梯度概率图；/n计算训练样本的语义分割概率图相对于所述训练样本的真值图的损失函数值，作为第一损失函数值，计算训练样本的空间梯度概率图相对于所述训练样本的真值边缘图的损失函数值，作为第二损失函数值，计算所述第一损失函数值和所述第二损失函数值的和，作为多尺度特征分割器的损失函数值；/n更新多尺度特征分割器的参数，返回步骤“将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图”，进行下次训练，直到多尺度特征分割器的损失函数值小于预设阈值，得到训练后的多尺度特征分割器；/n利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割。/n...

【技术特征摘要】
1.一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述分割方法包括如下步骤：
从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集；
建立多尺度特征分割器；所述多尺度特征分割器包括多尺度特征编码器和多尺度特征解码器，所述多尺度特征编码器与所述多尺度特征解码器连接；
将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图；
计算所述语义分割概率图中每个像素点的空间梯度，得到训练样本的空间梯度概率图；
计算训练样本的语义分割概率图相对于所述训练样本的真值图的损失函数值，作为第一损失函数值，计算训练样本的空间梯度概率图相对于所述训练样本的真值边缘图的损失函数值，作为第二损失函数值，计算所述第一损失函数值和所述第二损失函数值的和，作为多尺度特征分割器的损失函数值；
更新多尺度特征分割器的参数，返回步骤“将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图”，进行下次训练，直到多尺度特征分割器的损失函数值小于预设阈值，得到训练后的多尺度特征分割器；
利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割。


2.根据权利要求1所述的一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述从遥感影像数据库中读取遥感图像，作为训练样本，建立训练样本集，之后还包括：
对所述训练样本集中的训练样本进行归一化和数据增强处理，获得处理后的训练样本。


3.根据权利要求1所述的一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述将训练样本输入所述多尺度特征编码器进行多次下采样，获得多个尺度的特征图，建立多尺度特征金字塔，利用所述多尺度特征解码器对多尺度特征金字塔的多个尺度的特征图进行融合，得到训练样本的语义分割概率图，之前还包括：
采用imagenet预训练模型初始化多尺度特征编码器的参数，随机初始化多尺度特征解码器的参数。


4.根据权利要求1所述的一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述多尺度特征分割器还包括注意力机制模块；
所述注意力机制模块设置在多尺度特征编码器和多尺度特征解码器之间，所述注意力机制模块用于对多个尺度的特征图中预设个数的特征图分别对应的与预设个数的所述特征图的转置进行相乘运算，获得运算后的特征图，并利用预设个数的运算后的特征图和多个尺度的特征图中的预设个数之外的特征图建立多尺度特征金字塔。


5.根据权利要求1所述的一种高分辨率遥感影像的建筑物分割方法，其特征在于，所述利用所述训练后的多尺度特征分割器对高分辨率遥感影像中的建筑物进行分割，具体包括：
将高分辨率遥感影像分割为不重叠的多个影像块；
将每个所述影像块分别向上、下、左、右四个方向拓展预设长度，得到多个拓展后的影像块；
分别将每个所述拓展后的影像块输入训练后的多尺度特征分割器，获得每个拓展后的影像块的分割概率图；
将每个拓展后的影像块的分割概率图分别沿上、下、左、右四个方向的相反方向切割预设长度，获得每个影像块的分割概率图；
将所有影像块的分割概率图组合成高分辨率遥感影像的分割概率图。


6.一...

【专利技术属性】
技术研发人员：孟瑜，邓毓弸，黄青青，节永师，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11