【技术实现步骤摘要】
一种遥感影像目标提取方法、电子设备及存储介质
本专利技术涉及图像处理
，尤其涉及一种遥感影像目标提取方法、电子设备及存储介质。
技术介绍
从事前和事后高分辨率遥感影像中自动提取和检测地物目标(如滑坡、洪水、山火、房屋倒塌等)，已成为灾害监测与应急救援的有效手段。目前，全卷积神经网络模型在遥感图像分类、目标探测及语义分割中得到了广泛运用。但是全卷积神经网络模型虽然在上述应用中提取了高级语义特征，但也导致了较多细节丢失，随着层级的加深学习到的特征越来越抽象，现有的全卷积神经网络模型很难在像素级捕获不同对象的精确轮廓，目标提取结果中的噪声较多。
技术实现思路
本专利技术的主要目的在于提供一种遥感影像目标提取方法、电子装置及存储介质，旨在解决现有技术中现有的全卷积神经网络很难在像素级捕获不同对象的精确轮廓，目标提取结果中的噪声较多的技术问题。为实现上述目的，本专利技术第一方面提供一种遥感影像目标提取方法，包括：将获取的事后的当前遥感影像面向对象进行分割，获得当前影像对象；提取当前影像对象的事...
【技术保护点】
1.一种遥感影像目标提取方法，其特征在于，包括：/n将获取的事后的当前遥感影像进行面向对象分割，获得当前影像对象；/n提取当前影像对象的事前及事后影像的浅层特征；/n将所述当前影像对象事后的浅层特征以及事后影像，输入预先训练的全卷积神经网络模型，得到所述全卷积神经网络模型输出的事后影像的深度特征，所述全卷积神经网络模型使用原始遥感影像及地面参考数据训练而成；/n使用迁移学习，将所述当前影像对象事前的浅层特征输入所述全卷积神经网络模型，得到所述全卷积神经网络模型输出的事前影像的深度特征；/n将事前影像的深度特征及事后影像的深度特征进行变化向量分析，生成变化强度特征图；/n使用...
【技术特征摘要】
1.一种遥感影像目标提取方法，其特征在于，包括：
将获取的事后的当前遥感影像进行面向对象分割，获得当前影像对象；
提取当前影像对象的事前及事后影像的浅层特征；
将所述当前影像对象事后的浅层特征以及事后影像，输入预先训练的全卷积神经网络模型，得到所述全卷积神经网络模型输出的事后影像的深度特征，所述全卷积神经网络模型使用原始遥感影像及地面参考数据训练而成；
使用迁移学习，将所述当前影像对象事前的浅层特征输入所述全卷积神经网络模型，得到所述全卷积神经网络模型输出的事前影像的深度特征；
将事前影像的深度特征及事后影像的深度特征进行变化向量分析，生成变化强度特征图；
使用非监督的K均值聚类方法，将遥感影像的每个像素分成目标类像素及非目标类像素，完成目标提取。
2.根据权利要求1所述的遥感影像目标提取方法，其特征在于，
所述全卷积神经网络模型包括：
17个卷积层、4个最大池化层、4个转置卷积层、4个级联层和1个对象特征层；
其中，15个卷积层核大小为3×3，另外两个卷积层核大小为1×1，最大池化层使用的采样窗口大小为2×2，转置卷积层的窗口大小为2×2。
3.根据权利要求2所述的遥感影像目标提取方法，其特征在于，
所述全卷积神经网络模型的构建方式如下：
第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第四最大池化层、第九卷积层、第一转置卷积层、第一级联层、第十卷积层、第十一卷积层、第二转置学习层、第二级联层、第十二卷积层、第十三卷积层、第三转置学习层、第三级联层、第十四卷积层、第十五卷积层、第四转置卷积层依次顺序排列，并依次传输数据，另外，第四转置卷积层及对象特征层共同向第四级联层传输数据，第四级联层、第十六卷积层、第十七卷积层依次排列传输数据，第十七卷积层为全卷积神经网络模型的输出端，第一卷积层为全卷积神经网络模型的输入端，第四卷积层还可向第三级联层传输数据，第六卷积层还可直接向第二级联层传输数据，第八卷积层还可向第一转置卷积层传输数据；
第十六卷积层及第十七卷积层的卷积核大小为1×1；
17个卷积层、4个最大池化层、4个转置卷积层、4个级联层和1个对象特征层分别具有不同维度；
第一卷积层及第二卷积层的维度为16，第三卷积层及...
【专利技术属性】
技术研发人员：张效康，潘文安，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。