基于超像素与分水岭的遥感图像深度学习分割方法及系统技术方案

本发明专利技术公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本发明专利技术有效提高遥感图像地物分割的可视化效果和遥感图像地物分割的精度。图像地物分割的精度。图像地物分割的精度。

【技术实现步骤摘要】
基于超像素与分水岭的遥感图像深度学习分割方法及系统


[0001]本专利技术涉及图像处理
，尤其公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统。

技术介绍

[0002]遥感图像是快速获取大范围地面信息的重要数据源，在农情监测、城市规划、地图的生产与更新等多个领域广泛应用。遥感图像地物分割是遥感图像解译过程中的重要步骤，是一个像素级别的密集分类问题，其目标是对遥感图像中的每个像素进行语义信息标注。随着卫星观测能力的提升，准确快速地对宽幅高分辨率遥感图像进行分割对指导生产实践具有重要意义。
[0003]遥感图像地物分割方法分为传统地物分割方法和基于深度学习的地物分割方法。传统地物分割方法依赖人工特征的设计和选择，特征的质量和选择直接影响算法性能，以颜色、纹理、植被指数为代表的传统地物分割方法运行快速但分割性能普遍不高。近年来，随着计算机算力的提升以及大规模数据的积累，以FCN(Fully Convolutional Networks，全卷积网络)、SegNet(Sementic Segmentation，语义分割网络)、DeepLab等卷积神经网络为代表的地物分割算法得到了迅猛的发展，这类方法采用编码器
‑
解码器的方式，首先将较高分辨率的输入图像经过层层下采样提取较低分辨率的语义特征，然后将这些语义特征经过层层上采样输出与输入图像相同尺寸的地物分割结果图。
[0004]在基于深度学习的遥感图像地物分割算法中，由于编码器
‑
解码器结构的存在，会导致地物分割结果中局部细节出现零星分布的错误碎点，这种碎点现象在高分辨率遥感图像中尤为明显，影响了遥感图像地物分割的精度和可视化效果。

技术实现思路

[0005]本专利技术提供了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，旨在克服原有基于深度学习的遥感图像地物分割方法输出的地物分割结果图中存在错误碎点的问题，采用超像素块融合的方法去除语义分割结果图中的错误碎点标签，提高语义分割的精度和可视化效果。
[0006]本专利技术的一方面涉及一种基于超像素与分水岭的遥感图像深度学习分割方法，包括以下步骤：
[0007]利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；
[0008]利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；
[0009]将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；
[0010]将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
[0011]进一步地，利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
[0012]进一步地，超像素分割算法涉及区域尺寸参数和正则化平衡参数，利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，设置相应的区域尺寸参数和正则化平衡参数。
[0013]进一步地，利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图的步骤中，以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。
[0014]进一步地，将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别的步骤中，定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。
[0015]本专利技术的另一方面涉及一种基于超像素与分水岭的遥感图像深度学习分割系统，包括：
[0016]第一分割模块，用于利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；
[0017]第二分割模块，用于利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；
[0018]统计计算模块，用于将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；
[0019]第三分割模块，用于将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
[0020]进一步地，第一分割模块包括第一分割单元，第一分割单元用于采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
[0021]进一步地，第一分割模块包括设置单元，设置单元用于设置相应的区域尺寸参数和正则化平衡参数。
[0022]进一步地，第二分割模块包括第二分割单元，第二分割单元用于以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。
[0023]进一步地，统计计算模块包括定义单元，定义单元用于定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。
[0024]本专利技术所取得的有益效果为：
[0025]本专利技术提供一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超
像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割方法及系统，可有效消除深度学习模型输出的地物分割效果图中错误分割的碎点，提高遥感图像地物分割的可视化效果；有效提高遥感图像地物分割的精度。
附图说明
[0026]图1为本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割方法一实施例的流程示意图；
[0027]图2为本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割方法一实施例的图解示意图；
[0028]图3为本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割方法中基于深度学习模型输出的地物分割结果图；
[0029]图4为本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割方法中超像素块融合的地物分割效果图；
[0030]图5为本专利技术提供的基于超像素与分水岭的遥感图像深度学习分割系统一实施例的功能框图。
[0031]附图标号说明：
[0032]10、第一分割模块；20、第二分割模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，包括以下步骤：利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。2.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。3.如权利要求2所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述超像素分割算法涉及区域尺寸参数和正则化平衡参数，所述利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，设置相应的区域尺寸参数和正则化平衡参数。4.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图的步骤中，以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。5.如权利要求1所述的基于超像素与分水岭的遥感图像深度学习分割方法，其特征在于，所述将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别的步骤中，定义...

【专利技术属性】
技术研发人员：杨文军，李智勇，邓志鹏，易敏，曹雪佳，张鹏，杨芳，
申请(专利权)人：湖南神帆科技有限公司，
类型：发明
国别省市：