【技术实现步骤摘要】
一种基于稠密边界块和注意力机制的建筑物分割方法
本申请属于图像处理
，具体涉及一种基于稠密边界块和注意力机制的建筑物分割方法。
技术介绍
随着无人机和卫星技术的快速发展，遥感图像数量正在数以万计的增长。而建筑物作为与人类生活密切相关的一种地物，在遥感图像中占据着大量的比重。因此，高分辨率下的遥感图像中建筑物分割技术一直是研究的重点，对于城市规划，土地保护，城乡改造等都有着重大意义。但是遥感图像自身的特点使得这种分割显得格外困难。首先，遥感图像中有很多遮挡和阴影问题，这些不利因素都影响着建筑物分割算法的判断。其次遥感图像中建筑物区域都有较接近的视觉特征，给相似的感兴趣目标进行分割时有较大的难度。然后，越高的分辨率越能够为图像分割提供更精确的细节，但是这同样会带来分割时的模糊边界。最后，不同地理位置的建筑物形状外观各不相同，这需要网络具有强大的泛化能力。迄今为止，建筑物的分割可以大致分为基于传统的机器学习提取特征方法和基于深度学习的端到端训练方法。早期人们精心设计一些特征描述符来确定逐像素的分类器。例如从光谱，纹理...
【技术保护点】
1.一种基于稠密边界块和注意力机制的建筑物分割方法，用于针对遥感图像进行建筑物分割，其特征在于，所述基于稠密边界块和注意力机制的建筑物分割方法，包括：/n步骤S1、获取已标记建筑物的遥感图像生成训练集；/n步骤S2、构建损失函数，利用所述训练集优化图像分割模型；/n步骤S3、利用优化后的图像分割模型处理待分割的遥感图像，输出标记建筑物后的建筑物图，完成建筑物分割；/n其中，所述图像分割模型包括依次连接的编码器、跳过连接单元、解码器，所述编码器采用ResNet网络提取遥感图像的特征，所述ResNet网络包括N个卷积层和一个Global Pool层，N个卷积层命名为Res-0至...
【技术特征摘要】
1.一种基于稠密边界块和注意力机制的建筑物分割方法，用于针对遥感图像进行建筑物分割，其特征在于，所述基于稠密边界块和注意力机制的建筑物分割方法，包括：
步骤S1、获取已标记建筑物的遥感图像生成训练集；
步骤S2、构建损失函数，利用所述训练集优化图像分割模型；
步骤S3、利用优化后的图像分割模型处理待分割的遥感图像，输出标记建筑物后的建筑物图，完成建筑物分割；
其中，所述图像分割模型包括依次连接的编码器、跳过连接单元、解码器，所述编码器采用ResNet网络提取遥感图像的特征，所述ResNet网络包括N个卷积层和一个GlobalPool层，N个卷积层命名为Res-0至Res-(N-1)，在卷积层Res-0至Res-(N-1)中，前一个卷积层的输出作为后一个卷积层的输入，Res-(N-1)的输出作为GlobalPool层的输入；
所述跳过连接单元包括N个稠密边界块，N个稠密边界块命名为DBB-0至DBB-(N-1)，N个稠密边界块与N个卷积层依据命名编号一对一连接，命名编号相同的卷积层的输出作为稠密边界块的输入，并且在稠密边界块DBB-0至DBB-(N-1)中，前一个稠密边界块的输出同时作为后一个稠密边界块的输入；
所述解码器包括N个通道注意力块，N个通道注意力块命名为CAB-0至CAB-(N-1)，N个通道注意力块与N个稠密边界块依据命名编号一对一连接，命名编号相同的稠密边界块的输出作为通道注意力块的输入，并且在通道注意力块CAB-(N-1)至CAB-0中，前一个通道注意力块的输出同时作为后一个通道注意力块的输入，其中所述GlobalPool层的输出作为通道注意力块CAB-(N-1)的输入，通道注意力块CAB-0的输出即为标记建筑物后的建筑物图。
2.如权利要求1所述的基于稠密边界块和注意力机制的建筑物分割方法，其特征在于，所述稠密边界块包括稠密块和边界块；
所述稠密块接收卷积层输出的特征，先经过第一卷积处理层和第二卷积处理层，第二卷积处理层的输出与原始卷积层输出的特征进行一次拼接，一次拼接后的特征经过第三卷积处理层和第四卷积处理层，第四卷积处理层的输出、第二卷积处理层的输出、以及原始卷积层输出的特征进行二次拼接，二次拼接后的特征作为所述稠密块的输出；
所述边界块接收稠密块输出的特征，经过1*1的卷积层、ReLu激活函数，随后经过...
【专利技术属性】
技术研发人员：刘盛，叶焕然，徐婧婷，陈冠州，高飞，陈胜勇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。