一种基于弱监督的遥感图像地物要素提取方法及系统技术方案

本发明专利技术涉及一种基于弱监督的遥感图像地物要素提取方法及系统，涉及遥感图像解译领域，方法包括：获取待提取遥感图像的像素聚类集合；将待提取遥感图像输入至预先训练的分割网络，获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签；根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像；本发明专利技术提供的技术方案，使用的图像级弱监督语义标签只需要人工为整张图像赋予一个类别即可，也就是指示出图像中是否含有目标地物。

A method and system of feature extraction from remote sensing image based on weak supervision

【技术实现步骤摘要】
一种基于弱监督的遥感图像地物要素提取方法及系统
本专利技术涉及遥感图像解译领域，具体涉及一种基于弱监督的遥感图像地物要素提取方法及系统。
技术介绍
随着遥感技术的飞速发展，光学遥感图像的获取变得十分容易，从遥感图像中可获取的地物信息越来越丰富，对于遥感图像精细化解译应用的需求也日益急迫。地物要素提取的目的是为遥感图像的每个像素赋予一个地物要素类别标签，它不仅可以识别出图像中有什么地物目标，还会将目标的边界精确地勾勒出来。因此，光学遥感图像地物要素提取在众多领域中有着广泛的应用。但常用的地物要素提取的方法使用手工特征，这种特征提取的方法需要丰富的先验知识和经验，而且特征的表征能力十分有限，在遥感图像这种复杂的场景中很难达到令人满意的效果。近年来，深度学习的出现给图像分割领域带来了一系列革命性的进展。深度学习方法通过级联非线性的映射将低级别的特征转换为高级别和抽象的特征，而这种高级别的特征在以前的手工特征提取方法中是不容易获得的。深度学习强大的特征学习能力极大的提升了光学遥感图像地物要素提取的性能。然而现有的基于深度学习的地物要素提取的方法本文档来自技高网...

【技术保护点】
1.一种基于弱监督的遥感图像地物要素提取方法，其特征在于，所述方法包括：/n获取待提取遥感图像的像素聚类集合；/n将待提取遥感图像输入至预先训练的分割网络，获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签；/n根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。/n

【技术特征摘要】
1.一种基于弱监督的遥感图像地物要素提取方法，其特征在于，所述方法包括：
获取待提取遥感图像的像素聚类集合；
将待提取遥感图像输入至预先训练的分割网络，获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签；
根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。


2.如权利要求1所述的方法，其特征在于，所述获取待提取遥感图像的像素聚类集合，包括：
采用SLIC算法获取待提取遥感图像的像素聚类集合。


3.如权利要求1所述的方法，其特征在于，所述遥感图像中像素的分类标签包括：0和1，当像素的分类标签为0时，该像素为遥感图像中背景类别的像素，当像素的分类标签为1时，该像素为遥感图像中地物要素类别的像素。


4.如权利要求1所述的方法，其特征在于，所述预先训练的分割网络的训练过程包括：
步骤1.人工标注遥感图像数据中遥感图像的分类标签，并将该遥感图像数据作为训练数据，人工标注遥感图像数据中遥感图像的各像素的分类标签，并将该遥感图像数据作为测试数据；
步骤2.对所述训练数据进行数据增强；
步骤3.将所述训练数据和测试数据切片为512x512；
步骤4.利用所述训练数据对初始神经网络模型进行训练；
步骤5.去掉训练完成的初始神经网络模型的全局平均池化层，获取所述预先训练的分割网络；
步骤6.利用所述测试数据对所述分割网络进行测试。


5.如权利要求4所述的方法，其特征在于，所述遥感图像的分类标签包括：0、1和01，当遥感图像的分类标签为0时，该遥感图像为背景类别，当遥感图像的分类标签为1时，该遥感图像为地物要素类别，当遥感图像的分类标签为01时，该遥感图像为背景和地物要素类别。


6.如权利要求4所述的...

【专利技术属性】
技术研发人员：刁文辉，孙显，付琨，卢宛萱，闫志远，冯瑛超，朱子聪，尹文昕，
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