一种基于混合框架的屋顶图像分割方法技术

本发明专利技术公开了一种基于混合框架的屋顶图像分割方法，包括：构建训练所需的屋顶样本数据集；构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。本发明专利技术基于混合框架对屋顶图像进行分割，通过构建学习模块和推理模块更好地保留屋顶轮廓信息，并保证在边界模糊情况下能得到准确的边界拓扑结构。界拓扑结构。界拓扑结构。

【技术实现步骤摘要】
一种基于混合框架的屋顶图像分割方法


[0001]本专利技术属于图像处理
，特别涉及一种基于混合框架的屋顶图像分割方法。

技术介绍

[0002]图像分割技术在各个领域有显著地位，其中从遥感图像和航空图像中提取屋顶轮廓在城市规划，土地覆盖分析和自然灾害救灾行动中有着重要应用。现有的屋顶轮廓分割方法局限于大量人工处理，需要消耗大量的人力、财力，且精度无法满足需求。随着计算机技术的飞速发展，深度学习在图像领域取得的显著成果。深度学习减少了对人工处理的需求，提升了效率。但如何处理屋顶模糊边界和图像拓扑结构仍是深度卷积神经网络面临的重大难题。传统的分割方法中活动轮廓模型使用连续曲线表示目标轮廓，并基于曲线演化理论及梯度下降法对曲线进行更新，因此具备良好的处理分割目标边界拓扑变化能力。但传统的活动轮廓模型的训练仍然依赖人工设定参数，无法开展对大量数据的训练。

技术实现思路

[0003]本专利技术的主要目的在于提出一种基于混合框架的屋顶图像分割方法，可解决现有图像分割方法对航拍图像中屋顶轮廓的拓扑结构的处理能力差及自动化训练的问题。该方法基于混合框架，建立一个快速、高效、精准的建筑物轮廓分割模型，并基于该分割模型，实现对屋顶图像的分割。
[0004]为实现上述目的，本专利技术采取的技术方案为：
[0005]本专利技术实施例提供一种基于混合框架的屋顶图像分割方法，包括：
[0006]S1、构建训练所需的屋顶样本数据集；
[0007]S2、构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；
[0008]S3、利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；
[0009]S4、利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；
[0010]S5、通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。
[0011]进一步地，步骤S1中，所述屋顶样本数据集包括多个原始图像及所述原始图像相对应的标签数据；所述标签数据对像素值采用二值化描述背景和分割目标。
[0012]进一步地，步骤S2中，所述学习模块以DenseNet为基础，包括依次连接的图像降采样模块、多尺度信息融合模块和图像升采样模块；
[0013]其中，所述图像降采样模块由一个卷积层，一个最大池化层，三个平均池化层及四个密集卷积块组成，用于提取图像特征；
[0014]所述多尺度信息融合模块由1
×
1，2
×
2，3
×
3，6
×
6四个不同尺寸的池化层组成，以获得多个尺寸的特征图，并将其融合；
[0015]所述图像升采样模块由4个卷积层，5个反卷积层组成，以获得初始特征图像。
[0016]进一步地，所述推理模块为CV模型，其中，反向传播更新所述学习模块的参数中所采用的损失函数为：
[0017]L
loss
＝L
Dice
+L1[0018]L1＝||φ
‑
φ
GT
||
[0019]其中，L
Dice
为Dice损失函数，L1为边界损失函数；φ
GT
表示为Ground truth的活动轮廓形式，φ为推理模块输出的结果，||.||为绝对误差。
[0020]本专利技术的有益效果是：
[0021]本专利技术提出了一种基于混合框架的屋顶图像分割方法，包括：构建训练所需的屋顶样本数据集；构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。本专利技术基于混合框架对屋顶图像进行分割，通过构建学习模块和推理模块更好地保留屋顶轮廓信息，并保证在边界模糊情况下能得到准确的边界拓扑结构。
[0022]进一步地，该方法充分发挥混合框架的优势，在学习模块加入多尺度信息融合模块，以获取更多的细节信息，采用推理模块提高学习模块的分割精度；同时引入边界损失函数，使分割结果更贴近分割目标的边缘。
附图说明
[0023]图1为本专利技术实施例提供的基于混合框架的屋顶图像分割方法的流程图；
[0024]图2为本专利技术实施例提供的基于混合框架的屋顶图像分割的框架示意图；
[0025]图3为本专利技术实施例提供的学习模块的结构图。
具体实施方式
[0026]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0027]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0028]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上
述术语在本专利技术中的具体含义。
[0029]本专利技术提供的一种基于混合框架的屋顶图像分割方法，参照图1所示，该方法包括：
[0030]S1、构建训练所需的屋顶样本数据集；
[0031]S2、构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；
[0032]S3、利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；
[0033]S4、利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；
[0034]S5、通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。
[0035]如图2所示，将待分割的屋顶图像输入混合模型的学习模块，进行特征提取；然后将提取的特征输入到推理模块中，得出分割结果。本专利技术实施例中，该方法基于混合框架对屋顶图像进行分割，通过构建学习模块和推理模块更好地保留屋顶轮廓信息，并保证在边界模糊情况下能得到准确的边界拓扑结构。
[0036]下面分别对上述各个步骤进行详细的说明:
[0037]上述步骤S1中，屋顶样本数据集包括多个原始图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合框架的屋顶图像分割方法，其特征在于，包括：S1、构建训练所需的屋顶样本数据集；S2、构建包括学习模块和推理模块的混合模型；将所述屋顶样本数据集的数据输入所述学习模块；S3、利用所述学习模块中构造的深度卷积神经网络对图像样本进行学习，提取图像中屋顶的初始轮廓；S4、利用所述推理模块对所述学习模块提取的初始轮廓进行调整，反向传播更新所述学习模块的参数；S5、通过多次迭代完成混合模型训练，利用所述混合模型完成对需处理屋顶图像的分割。2.根据权利要求1所述的一种基于混合框架的屋顶图像分割方法，其特征在于，步骤S1中，所述屋顶样本数据集包括多个原始图像及所述原始图像相对应的标签数据；所述标签数据对像素值采用二值化描述背景和分割目标。3.根据权利要求1所述的一种基于混合框架的屋顶图像分割方法，其特征在于，步骤S2中，所述学习模块以DenseNet为基础，包括依次连接的图像降采样模块、多尺度信息融合模块和图像升采样模块；其中，所述图像降采样模块由一个卷积层，一个最大池化层，三...

【专利技术属性】
技术研发人员：房斌，聂天宇，周明亮，向涛，
申请(专利权)人：重庆大学，
类型：发明
国别省市：