一种基于遥感影像的语义分割模型制造技术

本发明专利技术公开了一种基于遥感影像的语义分割模型，该模型在双重注意力网络DANet的基础上进行改进，在保持原模型分割精度的同时，大幅减少了参数量和计算量，提高了模型训练和应用的效率。该模型能够快速、准确地从大批量、大范围的遥感影像中提取土地覆被类型分类信息，为基于遥感影像快速、准确和智能化的信息提取提供了手段，操作简单，易于在大尺度范围推广应用。应用。

【技术实现步骤摘要】
一种基于遥感影像的语义分割模型


[0001]本专利技术涉及一种基于遥感影像的语义分割模型，属于电数字数据处理、视觉影像处理以及遥感图像处理领域。

技术介绍

[0002]基于遥感影像的土地覆被分类是指根据遥感影像上不同土地覆被类型的特点、以及它们之间的差异性进行分类，土地覆被分类是土地资源监测、国土空间规划等应用的基础，研究基于遥感影像的土地覆被自动化分类具有重要意义。
[0003]传统的基于遥感影像的土地覆被分类方式是通过目视解译结合专家知识进行判读，工作量大、耗时长、主观性较强，难以实现对土地覆被分类结果的动态更新。近年来遥感技术飞速发展，在国土、农业、环保等众多领域得到了广泛的应用。与此同时，以深度卷积神经网络(Deep Convolutional Neural Network，DCNN)为代表的人工智能技术发展迅速，在图像识别与分类、目标检测等领域取得了显著的效果。
[0004]由于DCNN能够通过训练自动地学习、提取图像的高级特征，这些高级特征对于复杂场景的理解以及区分非常有效，很多研究人员将DCNN引入到基于遥感影像的土地覆被分类中来，利用基于DCNN的语义分割模型实现遥感影像的土地覆盖自动化分类，取得了一定的效果。然而，与自然场景可见光图像不同，遥感影像具有场景复杂度高、目标尺度差异大以及分布不均衡等特点，使得遥感影像在提供更多信息的同时，也给基于遥感影像的语义分割任务带来了巨大的挑战。
[0005]目前可以通过自注意力机制的上下文语义建模，集成更多的上下文信息以扩大神经网络的感受野，提高对遥感影像分布不均衡且尺度多样的目标的识别能力，如DANet(Fu等，2019)和CCNet(Huang等，2019)利用非局部块思想通过模拟像素级的成对关系来聚集远程空间信息。但是这种方式会带来巨大的参数量和过高的计算成本，难以得到有效使用。
[0006]综上所述，由于遥感影像具有场景复杂度高、目标尺度差异大且分布不均衡的特点，现有的基于自注意力机制的遥感影像的语义分割模型能够提高对遥感影像分布不均衡且尺度多样的目标的识别能力，但是会带来巨大的参数量和过高的计算成本，难以得到有效使用。如何构建一种适用于遥感影像的语义分割模型，在保持对遥感影像分布不均衡且尺度多样的目标的识别能力的同时又能够有效减少参数量及计算成本，提高模型的应用效率是当前研究的热点问题。

技术实现思路

[0007]针对现有研究和技术存在的不足，本专利技术提出了一种基于遥感影像的语义分割模型，充分考虑了遥感影像场景复杂、地物目标尺度差异大且分布不均衡的特点，通过提出的改进的双重注意力模块MDAM，从空间维度和通道维度进行全局上下文语义建模，其中空间非局部块PNLB对融合特征结果图的不同空间位置、不同尺度的相同地物进行特征增强，通道非局部块CNLB对特征图的不同通道间的相关性进行增强，不仅有效的解决了遥感影像地
物目标分布不均衡的问题，同时还提高了模型对遥感影像多尺度地物目标的识别能力，并且该语义分割模型所需要的参数量较少，对计算设备的要求较低，且计算过程简单、方便、成本低，易于大范围、大尺度的推广应用。
[0008]为解决上述问题，本专利技术所采取的技术方案是：
[0009]一种基于遥感影像的语义分割模型，包括以下步骤：
[0010]S1，获取原始遥感影像并进行预处理，得到像元值为地物真实反射率的多光谱遥感影像结果图；
[0011]S2，针对步骤S1得到的多光谱遥感影像结果图按照预定尺寸进行规则化切片得到若干规则化的遥感影像切片，这些规则化的遥感影像切片构成了遥感影像切片集合；
[0012]S3，针对步骤S2得到的遥感影像切片集合，将遥感影像切片集合中的遥感影像切片依次输入至基于改进的双重注意力模块的遥感影像语义分割模型MDANet中，通过遥感影像语义分割模型MDANet的MobileNetV2解码器网络对遥感影像切片中的红绿蓝三个波段的数据进行特征提取，得到遥感影像切片浅层特征和遥感影像切片深层特征；
[0013]S4，针对步骤S3得到的遥感影像切片深层特征，将遥感影像切片深层特征输入至一个改进的双重注意力模块MDAM中，双重注意力模块MDAM对遥感影像切片深层特征的空间维和通道维的语义相关性进行建模，得到注意力增强的遥感影像切片增强深层特征；
[0014]S5，针对步骤S3得到的遥感影像切片浅层特征和步骤S4得到的遥感影像切片增强深层特征，通过跳跃结构将遥感影像切片增强深层特征与遥感影像切片浅层特征进行融合，得到包含细节信息的深层特征图；
[0015]S6，针对步骤S5得到的深层特征图进行解码，将深层特征图通过双线性内插进行上采样恢复到输入的遥感影像切片的原始尺寸并经Softmax分类器进行分类，得到遥感影像切片对应的土地覆被分类结果图；
[0016]S7，基于步骤S6得到的全部的土地覆被分类结果图进行合并，得到土地覆被分类最终结果图；
[0017]S8，利用精度OA验证遥感影像语义分割模型MDANet的分割精度。
[0018]进一步地，所述步骤S4中的用于对遥感影像切片深层特征的空间维和通道维的语义相关性进行建模的改进的双重注意力模块MDAM的特征为：
[0019](1)将遥感影像切片深层特征输入至通道非局部块CNLB中，对遥感影像切片深层特征的通道维度的相关性进行建模，得到处理后的通道相关性建模的特征数据；
[0020](2)将经通道非局部块CNLB处理后的通道相关性建模的特征数据输入至空间非局部块PNLB中，对遥感影像切片深层特征的空间维度的相关性进行建模，生成对空间维和通道维的相关性进行建模的新的特征图。
[0021]进一步地，所述步骤S8中遥感影像语义分割模型MDANet的精度验证公式为：
[0022][0023]其中，OA是模型的总体精度，表示分割结果中所有覆被类型预测正确的像元数占总像元数的比例，OA值越接近1，模型表现越好；TP、TN、FP、FN分别代表真正类、真负类、假正类以及假负类。
[0024]本专利技术的有益效果在于：
[0025]1、本专利技术设计了一种基于遥感影像的语义分割模型，实现了遥感影像大批量、大范围、智能化的土地覆被类型信息的提取，操作简单、灵活，易于在大尺度范围内推广应用。
[0026]2、本专利技术通过提出的改进的双重注意力模块MDAM，从空间维度和通道维度对特征图进行全局上下文语义建模，提高了语义分割模型对遥感影像多尺度目标的识别能力，增强了对遥感场景地物分布不均衡问题的处理。相比于现有模型，本专利技术提出的双重注意力模块MDAM模块在保持现有方法精度的同时，参数量大幅减少，计算量大幅降低，模型的训练和应用效率大幅提高。
附图说明
[0027]图1为本专利技术实施例中的流程图；
[0028]图2为预处理后的遥感影像图；
[0029]图3为本专利技术构建的遥感影像语义分割模型结构示意图；
[0030]图4为本专利技术提出的改进的双重注意力模块MD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感影像的语义分割模型，其特征在于，包括以下步骤：S1，获取原始遥感影像并进行预处理，得到像元值为地物真实反射率的多光谱遥感影像结果图；S2，针对步骤S1得到的多光谱遥感影像结果图按照预定尺寸进行规则化切片得到若干规则化的遥感影像切片，这些规则化的遥感影像切片构成了遥感影像切片集合；S3，针对步骤S2得到的遥感影像切片集合，将遥感影像切片集合中的遥感影像切片依次输入至基于改进的双重注意力模块的遥感影像语义分割模型MDANet中，通过遥感影像语义分割模型MDANet的MobileNetV2解码器网络对遥感影像切片中的红绿蓝三个波段的数据进行特征提取，得到遥感影像切片浅层特征和遥感影像切片深层特征；S4，针对步骤S3得到的遥感影像切片深层特征，将遥感影像切片深层特征输入至一个改进的双重注意力模块MDAM中，双重注意力模块MDAM对遥感影像切片深层特征的空间维和通道维的语义相关性进行建模，得到注意力增强的遥感影像切片增强深层特征；S5，针对步骤S3得到的遥感影像切片浅层特征和步骤S4得到的遥感影像切片增强深层特征，通过跳跃结构将遥感影像切片增强深层特征与遥感影像切片浅层特征进行融合，得到包含细节信息的深层特征图；S6，针对步骤S5得到的深层特征图进行解码，将深层特征图通过双线性内插进行上采样...

【专利技术属性】
技术研发人员：郝庆涛，孙雷刚，鲁军景，左璐，刘剑锋，尚月敏，马晓倩，黄亚云，
申请(专利权)人：河北省科学院地理科学研究所，
类型：发明
国别省市：