基于选择注意力网络的SAR图像复杂建筑物提取方法及系统技术方案

本发明专利技术公开了一种选择注意力金字塔网络的SAR图像复杂建筑物提取方法及系统，包括：获取待提取建筑物的高分辨率合成孔径雷达图像；将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。本发明专利技术提供的技术方案能够尽可能地保留图像的空间细节信息，并实现了SAR图像建筑物多尺度特征融合和复杂建筑物的精细化提取。

【技术实现步骤摘要】
基于选择注意力网络的SAR图像复杂建筑物提取方法及系统
本专利技术涉及图像分割
，具体涉及一种基于选择注意力网络的SAR图像复杂建筑物提取方法及系统。
技术介绍
地理遥感图像中的建筑物分割是地理信息系统应用中重要的一个模块，也是一个具有挑战性的视觉问题。建筑物是城市中的重要的地形物体类，也是地理信息系统中的重要的数据层。航空遥感图像中的建筑物自动化提取对军事侦察，地物测绘，非法建筑物检测，城市生态规划和区域开发有很大的促进作用。目前大多数基于光学遥感图像所做的建筑物提取工作受制于很多因素影响，如不同时间和天气造成的光影变化与遮挡等。合成孔径雷达(SAR)图像在阴影和遮挡问题上优于光学遥感图像，具有全天时，全天候的优点。因此，基于高分辨率SAR图像的建筑物提取工作便成为一个重要而具有挑战性的研究课题。针对SAR图像的建筑提取方法分为以下两类：第一类是传统的基于人工设计特征的方法，可以分为基于特征的方法和基于模型的方法。第一种从SAR图像中提取亮度，纹理，边缘及混合特征，常用的分析方法有傅立叶功率谱法，基于模型的Gabor滤波分析法，Markov随机场模型纹理描述，灰度共生矩阵纹理测度。这些特征通常再与非监督聚类分析等方法结合进行分割。此类提取特征的方法很容易受到噪声的干扰且精度不令人满意。第二种是建立SAR图像的统计分布模型，将空间背景信息结合到分割中，包括马尔科夫随机场方法，Fisher分布，对数正态分布和广义高斯分布等模型。部分模型只考虑特征空间表达，没有考虑空间交互。这些方法容易在建筑区域中出现很多语义不一致的现象。第二类是基于深度学习的方法。代表性方法为端到端训练的方法，比如FCN、U-Net、DeepLabv3等，这些方法可以接受任意大小的输入图像，在大多数情况下提取效果较好，但是这些方法没有有效利用空间特征相关性的选择和约束，不能捕获更加丰富的上下文信息，对不同大小的建筑物的提取结果不够精细，分割的多尺度问题比较明显。目前的SAR建筑物提取应用中对于建筑物尤其是复杂建筑物的提取不够精细，而且对于多尺度问题解决不充分。
技术实现思路
为了解决现有技术中所存在的高分辨率合成孔径雷达图像建筑物提取不够精细的问题，本专利技术提供一种基于选择注意力网络的SAR图像复杂建筑物提取方法及系统。该方法分类精度高，虚警低，对于多尺度问题解决良好，能够适应SAR图像建筑物精细化提取的要求。本专利技术提供的技术方案是：一种基于选择注意力网络的SAR图像复杂建筑物提取方法，包括：获取待提取建筑物的高分辨率合成孔径雷达图像；将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。优选的，所述建筑物提取模型的训练包括：获取区域高分辨率合成孔径雷达图像，对所述合成孔径雷达图像按照建筑物轮廓内外部像素值进行标记，获得建筑物标注图；将所述合成孔径雷达图像和所述建筑物标注图进行裁切，并将裁切后的所述合成孔径雷达图像和所述建筑物标注图作为训练样本集；将所述训练样本集按设定比例划分为训练集、验证集和测试集；基于所述训练集中的所述合成孔径雷达图像作为空间金字塔神经网络的输入，将所述合成孔径雷达图像对应的建筑物标注图作为所述空间金字塔神经网络的输出，对空间金字塔神经网络进行训练得到建筑物提取模型；并利用验证集和测试集对所述建筑物提取模型进行验证和优化。优选的，所述对空间金字塔神经网络进行训练得到建筑物提取模型，包括：采用训练集中的所述合成孔径雷达图像作为所述建筑物提取模型的编码器输入，提取出多种分辨率特征图；由所述合成孔径雷达图像的K5卷积块对于所述多种分辨率特征图进行融合并压缩通道数量；基于所述融合并压缩通道数量后的分辨率特征图和所述建筑物提取模型的选择带孔金字塔卷积模块根据所述合成孔径雷达图像建筑物的多尺度信息重构通道之间的关系，恢复多尺度建筑物细节和边缘；基于多尺度建筑物细节和边缘对应的所述建筑物标注图作为所述卷积神经网络的输出，得到训练好的建筑物提取模型。优选的，所述获取区域高分辨率聚束式合成孔径雷达图像及所述合成孔径雷达图像的标注图作为训练样本集，包括：获取区域高分辨率聚束式合成孔径雷达图像；对所述区域高分辨率聚束式合成孔径雷达图像进行标记得到标注图；对所述区域高分辨率聚束式合成孔径雷达图像和标注图进行处理得到新的遥感图像；对所述新的遥感图像按照设定尺寸进行裁切，将裁剪后的遥感图像作为训练样本集；所述处理包括：旋转、水平垂直翻转、平移、尺度变换、裁剪缩放，图像亮度对比度变换。优选的，所述建筑物提取模型包括：编码模块和解码模块；所述编码模块包括34层残差网，每一层由3×3的卷积核、BatchNorm层和ReLU层依次连接组成；所述解码模块包括K5卷积块和选择带孔空间金字塔卷积模块。优选的，所述基于所述待提取的高分辨率合成孔径雷达图像和预先训练好的建筑物提取模型，得到建筑物轮廓的二值图像，包括：所述建筑物提取模型的编码器提取所述待提取的高分辨率合成孔径雷达图像的多种分辨率特征图；所述建筑物提取模型的K5卷积块对所述多种分辨率特征图进行融合并压缩通道数量；所述选择带孔金字塔卷积模块根据目标的多尺度信息重构通道之间的关系，恢复多尺度建筑物细节和边缘，得到建筑物的预测轮廓二值图。优选的，所述建筑物提取模型的K5卷积块对所述多种分辨率特征图进行融合并压缩通道数量，包括：对所述K5卷积块的输出使用设定个数不同大小的内核卷积变换；然后采用全局平均池化计算每个通道中的元素信息，基于所有通道中的元素信息利用两个全连接层得到紧凑特征；基于所述紧凑特征采用softmax运算对不同分支上的多尺度信息进行分支权重计算，得到各分支的权重值；基于各分支的权重值进行加权处理实现分支融合。优选的，所述每个通道中的元素信息按下式计算：式中，每个通道层的输入信息；H：通道层的高度；W：通道层的宽度；平均池化操作；所述紧凑特征如下式所示：其中，紧凑特征；δ代表ReLU激活函数，σ代表Sigmoid激活函数；所述分支权重按下式计算：其中，ai代表Ui的分支权重；所述基于各分支的权重值进行加权处理实现分支融合如下式所示：其中，代表各个分支的信息流。优选的，还包括：将扩张深度可分离卷积应用于所述K5卷积块和选择带孔空间金字塔卷积模块中；优选的，所述将扩张深度可分离卷积应用于所述K5卷积块和选择带孔空间金字塔卷积模块中，包括：首先对输入层的每个通道独立进行卷积运算，输出通道数与输入相同；然后再进行pointwise卷积，在深度上做加权组合本文档来自技高网...

【技术保护点】
1.一种基于选择注意力网络的SAR图像复杂建筑物提取方法，其特征在于，包括：/n获取待提取建筑物的高分辨率合成孔径雷达图像；/n将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；/n所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。/n

【技术特征摘要】
1.一种基于选择注意力网络的SAR图像复杂建筑物提取方法，其特征在于，包括：
获取待提取建筑物的高分辨率合成孔径雷达图像；
将所述待提取的高分辨率合成孔径雷达图像带入预先训练好的建筑物提取模型进行处理，从所述高分辨率合成孔径雷达图像中得到包含建筑物轮廓的二值图像；
所述建筑物提取模型由选择带孔空间金字塔卷积模块的新型解码器和K5卷积块构建而成。


2.如权利要求1所述的SAR图像复杂建筑物提取方法，其特征在于，所述建筑物提取模型的训练包括：
获取区域高分辨率合成孔径雷达图像，对所述合成孔径雷达图像按照建筑物轮廓内外部像素值进行标记，获得建筑物标注图；
将所述合成孔径雷达图像和所述建筑物标注图进行裁切，并将裁切后的所述合成孔径雷达图像和所述建筑物标注图作为训练样本集；
将所述训练样本集按设定比例划分为训练集、验证集和测试集；
基于所述训练集中的所述合成孔径雷达图像作为空间金字塔神经网络的输入，将所述合成孔径雷达图像对应的建筑物标注图作为所述空间金字塔神经网络的输出，对空间金字塔神经网络进行训练得到建筑物提取模型；
并利用验证集和测试集对所述建筑物提取模型进行验证和优化。


3.如权利要求2所述的SAR图像复杂建筑物提取方法，其特征在于，所述对空间金字塔神经网络进行训练得到建筑物提取模型，包括：
采用训练集中的所述合成孔径雷达图像作为所述建筑物提取模型的编码器输入，提取出多种分辨率特征图；
由所述合成孔径雷达图像的K5卷积块对于所述多种分辨率特征图进行融合并压缩通道数量；
基于所述融合并压缩通道数量后的分辨率特征图和所述建筑物提取模型的选择带孔金字塔卷积模块根据所述合成孔径雷达图像建筑物的多尺度信息重构通道之间的关系，恢复多尺度建筑物细节和边缘；
基于多尺度建筑物细节和边缘对应的所述建筑物标注图作为所述卷积神经网络的输出，得到训练好的建筑物提取模型。


4.如权利要求3所述的SAR图像复杂建筑物提取方法，其特征在于，所述获取区域高分辨率聚束式合成孔径雷达图像及所述合成孔径雷达图像的标注图作为训练样本集，包括：
获取区域高分辨率聚束式合成孔径雷达图像；
对所述区域高分辨率聚束式合成孔径雷达图像进行标记得到标注图；
对所述区域高分辨率聚束式合成孔径雷达图像和标注图进行处理得到新的遥感图像；
对所述新的遥感图像按照设定尺寸进行裁切，将裁剪后的遥感图像作为训练样本集；
所述处理包括：旋转、水平垂直翻转、平移、尺度变换、裁剪缩放，图像亮度对比度变换。


5.如权利要求4所述的SAR图像复杂建筑物提取方法，其特征在于，所述建筑物提取模型包括：编码模块和解码模块；
所述编码模块包括34层残差网，每一层由3×3的卷积核、BatchNorm层和ReLU层依次连接组成；
所述解...

【专利技术属性】
技术研发人员：王智睿，孙显，付琨，荆浩，肖岱峰，傅佳美，孙元睿，
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