【技术实现步骤摘要】
边缘引导多尺度特征融合的光学遥感图像地物分类方法
[0001]本专利技术涉及光学遥感图像处理
，具体涉及边缘引导多尺度特征融合的光学遥感图像地物分类方法。
技术介绍
[0002]随着航空航天事业的不断发展，遥感图像越来越广泛地应用在军事、探测、环境监测等诸多领域，特别是随着成像技术的发展，光学遥感图像的分辨率越来越高，给光学遥感图像的地物分类带来了机遇和挑战。遥感图像的地物分类，即对遥感图像中的目标及背景进行标注分类，最后得到逐像素标注类别的分割图像。其对于遥感图像的信息提取、智能化处理起着重要作用，直接关系到后续系统获取信息的质量。
[0003]传统的图像分割算法常常采用人工设计的特征提取及分类算法，随着遥感图像分辨率的提高，图像地物目标越来越复杂，传统方法难以取得令人满意的分割效果。
[0004]随着深度学习技术及卷积神经网络的发展，图像特征的获取和表达技术得到了巨大进步。然而，由于卷积神经网络结构中的下采样操作，图像的分辨率及空间细节信息势必损失，这对于遥感图像中的小目标、复杂目标的分割性能会造成...
【技术保护点】
【技术特征摘要】
1.边缘引导多尺度特征融合的光学遥感图像地物分类方法，其特征在于，所述方法包括以下步骤：S1：主干网络对输入的光学遥感图像进行处理，所述主干网络包含多个层次的网络层级，每个网络层级得到一个第一多尺度特征图；主干网络输出多个第一多尺度特征图，送入边缘特征提取模块；S2：边缘特征提取模块接收每个所述第一多尺度特征图输入多个卷积层，学习多尺度特征信息，得到第二多尺度特征图；边缘特征提取模块对所述第二多尺度特征图进行尺寸统一，并通过拼接操作将多个尺寸统一的第二多尺度特征图拼接为一个特征图，再通过卷积层融合特征图，输出多尺度边缘感知特征；多尺度边缘感知特征送入边缘引导特征融合模块；S3：所述边缘引导特征融合模块对所述多尺度边缘感知特征进行矩阵变换，从三维变换为二维；变换后的矩阵为第一二维矩阵，第一二维矩阵与其转置矩阵进行乘积，得到像素级自相关系数图；所述边缘引导特征融合模块将由S1得到的最高层的第一多尺度特征图输入卷积层，并通过矩阵变换得到第二二维矩阵；第二二维矩阵与所述像素级自相关系数图进行矩阵乘积，得到第三二维矩阵；第三二维矩阵变换为三维形式，得到边缘融合特征图；所述边缘引导特征融合模块对所述边缘融合特征图通过卷积层，与S1得到的最高层的第一多尺度特征图进行自适应加权求和，得到加和结果；对所述加和结果进行线性上采样直至逐步恢复至与输入遥感图像同样大小的分辨率，得到地物分类结果。2.如权利要求1所述的边缘引导多尺度特征融合的光学遥感图像地物分类方法，其特征在于，所述S1中，主干网络采用ResNet101，其包含多个网络层级，每个层级由卷积层和池化层组成，所述主干网络对输入的遥感图像进行多个网络层级的卷积层和池化层处理。3.如权利要求1或2所述的边缘引导多尺度特征融合的光学遥感图像地物分类方法，其特征在于，所述S2中，每个所述第一多尺度特征图输入多个卷积层，学习多尺度特征信息，得到第二多尺度特征图，具体为：不同网络层级输出的第一多尺度特征图分别输入由1
×
1卷积层和3
×
3卷积层构成的边缘特征感知网络，输出得到第二多尺度特征图。4.如权利要求1所述的边缘引导多尺度特征融合的光学遥感图像地物分类方法，其特征在于，所述S3中，对所述第二多尺度特征图通过插值方法进行尺寸统一，并通过拼接操作将多个尺寸统一的第二多尺度特征图拼接为一个特征图，再通过卷积层融合拼接特征图，输出多尺度边缘感知特征，具体为：所述第二多尺度特征图通过双线性插值法，将尺寸统一为输入图像大小的1/8；统一尺寸大小的第二多尺度特征图，通过在通道维度上进行拼接，得到通道数为1024，尺寸为1/8输入图像的特征，并输入一个3
×
3卷积层，对拼接的特征进一步融合，输出多尺度边缘感知特征E。5.如权利要求1、2或4所述的边缘引导多尺度特征融合的光学遥感图像地物分类方法，其特征在于，所述边缘特征提取模块中，还包...
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。