基于实例分割网络和投票机制的遥感图像目标分割方法技术

本发明专利技术提供了一种基于实例分割网络和投票机制的遥感图像目标分割方法：步骤1，构建训练数据集，对训练样本进行数据增强和三通道分离操作，生成九个训练集；步骤2，引入实例分割网络训练并生成九个模型；步骤3，对待检测样本进行合理填充，采用滑动窗口重叠裁剪方法，将高分辨率的待检测样本依次切割成图像块；步骤4，利用九个训练好的模型进行分割，将分割后的图像块用均值法拼接，得到同一原始测试样本的九张分割图像；步骤5，对于每个测试样本图片，通过九张分割图像对每个像素进行两次投票得到最终判决结果。本发明专利技术方法能够对不同分布密度的遥感图像有很好的目标分割效果，解决了传统方法中人工分割、测绘高成本、高误差的问题。高误差的问题。高误差的问题。

【技术实现步骤摘要】
基于实例分割网络和投票机制的遥感图像目标分割方法


[0001]本专利技术涉及深度学习和图像处理领域，具体说，涉及一种基于实例分割网络和投票机制的遥感图像目标分割方法。

技术介绍

[0002]网箱密度过大，网箱布局不合理，容易导致养殖环境中的藻相和菌相失衡，对生态环境系统造成严重破坏，不利于海水养殖业的可持续发展。目前，海水养殖网箱密度领域的研究大多基于网箱内鱼类密度的统计。然而，不仅养殖密度，网箱的分布密度和布局也会影响鱼类的正常生长。
[0003]在科研人员的不断努力下，国内外学者在目标分割领域取得了巨大的发展和进步。早期的分割方法主要采用阈值处理、边缘检测、区域增长等对目标区域进行分割。但上述传统方法分割精度低，且因环境不同需要人工调整相关阈值参数，费时费力。随着深度学习网络的出现，其强大的特征学习能力在很多领域得到了验证。可以学习不同场景的物体，并对学习到的物体有很好的特征提取能力。 Fully Convolutional Networks(FCN)作为深度学习方法在分割领域的最早应用之一，与非深度学习方法相比，其强大的分割能力备受关注。图像分割任务已进入快速发展阶段。随后的U
‑
Net、Mask RCNN、Deep Lab和其他越来越复杂的深度学习分割算法已经被提出并广泛应用于各个领域。
[0004]图像分割任务有许多研究分支。其中，遥感图像分割任务由于可以从宏观角度对目标进行大面积分割，大大降低了人力成本，因此得到了广泛的研究。虽然非深度学习方法对特定场景中的目标有很好的分割效果，但最终的分割效果一般对目标场景、方法的超参数、成像条件都很敏感。它们普遍泛化能力较弱，分割精度还有很大的提升空间。因此，深度学习方法已被应用于遥感图像分割任务。 Huang Y.等人(Huang Y.,Tang L.B.,Li Z.,Long T.(2019).Research on PeanutPlanting Area Classification Techonology Using Remote Sensing Image Based DeepLearning.Journal of Signal Processing,35(4),617
‑
622.)使用深度学习网络确定遥感图像中花生种植面积的统计数据。减少了传统统计方法时效性差和人力资源消耗等问题。Zi W.J.等人(Zi W.J.,Xiong W.,Chen H.,Li J.,Jing N.(2021),SGA
‑
Net: Self
‑
Constructing Graph Attention Neural Network forSemantic Segmentation of Remote Sensing Images.REMOTE SENSING,13(21). DOI:10.3390/rs13214201.)提出了一种新颖的自构建图注意力神经网络(SGA
‑ꢀ
Net)。它使用图神经网络来捕获全局上下文表示，并使用注意力机制专注于提取有用的特征信息。Liu R.等人(Liu R.,Mi L.,Chen Z.Z.(2021).AFNet:AdaptiveFusion Network for Remote Sensing Image Semantic Segmentation.IEEETRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING,59(9),7871
‑
7886.) 提出了一种新颖的自适应融合网络(AFNet)，用于提高超高分辨率(VHR)遥感图像分割的性能。它设计了一个带有尺度特征注意模块(SFAM)的多级架构，以学习更多具有代表性的特征。此外，遥感图像语义分割任务的深度学习方法包括DDLNet、ResU
‑
Net等。然而，上述深度学习方法尚未对遥感网箱图像进行研究，直接应用
可能不适用。余创等人(Yu C.,Liu Y.P.,Hu Z.H.,Xia X.(2021). Accurate segmentation of remote sensing cages based on U
‑
Net and voting mechanism. Proc.Seventh Asia Pacific Conference on Optics Manufacture(COM21),Accepted forPublication,Not Yet Published.)提出了一种基于Mask R
‑
CNN的遥感网箱密度统计方法。但是，它的应用有一定的局限性。当网箱密集分布时，该方法效果不佳。

技术实现思路

[0005]本专利技术的目的是基于实例分割网络和投票机制的遥感图像目标分割方法，通过滑动窗口重叠裁剪法、均值法和两轮投票机制，实现了遥感网箱图像的精确分割。解决了传统方法中的人工测量会消耗大量的人力物力的问题。
[0006]本专利技术的技术方案是提供了一种基于实例分割网络和投票机制的遥感图像目标分割方法，包括以下步骤：
[0007]步骤1、构建遥感图像目标训练数据集(如遥感网箱图像)，对训练样本进行数据增强和三通道分离操作，生成由三个图像分辨率和三个单通道组成的九个训练集；
[0008]步骤2、引入实例分割网络(如：SegNet)训练九个训练集并生成九个模型；
[0009]步骤3、对待检测样本图片进行合理填充，采用滑动步长为窗口大小一半的滑动窗口重叠裁剪方法，将高分辨率的待检测样本图片依次切割成图像块；
[0010]步骤4、利用九个训练好的模型对图像块进行分割，将分割后的图像块用均值法拼接，得到同一原始测试样本的九张分割图像；
[0011]步骤5、对于每个测试样本图片，通过九张分割图像对每个像素进行两次投票得到最终判决结果。
[0012]本专利技术的有益效果是：
[0013](1)本专利技术是传统方法和基于深度学习与投票机制的方法的结合创新应用。在对图像进行预处理后，利用深度学习实例分割网络进行训练，最后进行判决投票得到分割图像。本专利技术所提出的方法能够对不同密度的遥感网箱图像有很好的分割效果。
附图说明
[0014]图1是本专利技术一种基于实例分割网络和投票机制的遥感图像目标分割方法的摘要附图；
[0015]图2是本专利技术实施例中SegNet和投票机制的遥感网箱图像分割方案图；
[0016]图3是本专利技术实施例中来自RSCS数据集的训练样本及其对应的标签；
[0017]图4是本专利技术实施例中使用数据增强的图像；
[0018]图5是本专利技术实施例中非重叠时填充和裁剪图像；
[0019]图6是本专利技术实施例中重叠时填充和裁剪图像；
[0020]图7是本专利技术实施例中投票机制示意图；
[0021]图8是本专利技术实施例中海南陵水黎安港网箱分割结果；
[0022]图9是本专利技术实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实例分割网络和投票机制的遥感图像目标分割方法，其特征在于：包括以下步骤：步骤1、构建遥感图像目标训练数据集(如遥感网箱图像)，对训练样本进行数据增强和三通道分离操作，生成由三个图像分辨率和三个单通道组成的九个训练集；步骤2、引入实例分割网络(如：SegNet)训练九个训练集并生成九个模型；步骤3、对待检测样本...

【专利技术属性】
技术研发人员：胡祝华，余创，赵瑶池，
申请(专利权)人：海南大学，
类型：发明
国别省市：