【技术实现步骤摘要】
基于改进Deeplabv3+的轻量级遥感影像语义分割方法
[0001]本专利技术涉及图像语义分割
,尤其是一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法。
技术介绍
[0002]随着遥感传感器的光谱分辨率不断提高,人们对地物光谱属性、特征的认知也不断深入,许多隐藏在狭窄光谱范围内的地物特性逐渐得以发现,大大加速了遥感技术的发展,使高光谱遥感成为21世纪遥感领域重要的研究方向之一。相较于传统测量手段,其具有高时间分辨率、高空间分辨率、低人力成本等优势,可较为精确、动态地采集分析地理数据,因此被广泛应用于城市规划、土地农作物监测、气候预报等多个领域。
[0003]其中,基于目标的分割是遥感图像处理中的关键技术。针对目标的分割,部分传统分割方法需要手动确定阈值,提取的过程较为复杂,且对图像中的噪点和异常值较为敏感,分割效果和泛化能力较差。面对复杂环境的遥感图像,传统图像分割技术也难以达到较高的精度和较好的效果,无法满足实际应用中的需求。
技术实现思路
[0004]为解决分割效果差的缺陷,本专利技术的目的在于提供一种训练参数量较小、精度较高、边缘分割更细腻的基于改进Deeplabv3+的轻量级遥感影像语义分割方法。
[0005]为实现上述目的,本专利技术采用了以下技术方案:一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法,该方法包括下列顺序的步骤:
[0006](1)数据采集:通过遥感卫星获取不同情景下的图像,并转换为jpg格式的三通道图像,得到数据集;
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法,其特征在于:该方法包括下列顺序的步骤:(1)数据采集:通过遥感卫星获取不同情景下的图像,并转换为jpg格式的三通道图像,得到数据集;(2)数据预处理:在数据集中选定分割对象,对分割对象进行语义标注和分割,进行图像增强,在图像增强后将整个数据集划分为训练集、测试集和验证集;(3)网络模型的创建和训练:构建改进的DeepLab v3+网络模型,采用训练集训练改进的DeepLab v3+网络模型,得到训练后的改进的DeepLab v3+网络模型及其参数;(4)测试阶段:将测试集中的测试图像输入训练后的改进的DeepLab v3+网络模型,选定分割对象为田地、建筑群或水域,并保存语义分割的结果图像。2.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法,其特征在于:所述步骤(1)具体是指:分别采集含建筑群、农田、水域不同场景的卫星遥感图像,将多通道的高光谱图像转换为三通道的jpg格式图像,得到数据集,用于特征提取。3.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法,其特征在于:所述步骤(2)具体包括以下步骤:(2a)选定分割对象,使用图像标注工具Lableme对图像中建筑群、农田、水域进行标记,标记后进行分割,将图像分割为500
×
500的图像;(2b)对分割后的图像进行数据增强,随机进行水平或竖直翻转,添加随机噪声,对数据集进行扩充,将扩充后的数据集按7:2:1的比例依次划分为训练集、测试集和验证集。4.根据权利要求1所述的基于改进Deeplabv3+的轻量级遥感影像语义分割方法,其特征在于:所述步骤(3)具体包括以下步骤:(3a)构建改进的DeepLab v3+网络模型,使用轻量级网络MobileNet v2作为主干网络;(3b)在编码区Encoder中,通过连续使用3个膨胀系数为1、2、3的空洞卷积作为HDC模块替代空洞空间卷积池化金字塔ASPP中原有的卷积,为保证感受野不变,使用一个HDC模块替代膨胀率为6的卷积,使用两个HDC模块替代膨胀率为12的卷积,使用三个HDC模块替代膨胀率为18的卷积,卷积时覆盖低层特征层的方形区域,以改善网格效应带来的孔洞问题;HDC模块为遵循HDC原则的空洞卷积,定义两个非非零元素之间的最大距离公式:其中,M
i
是第i层两个非零元素之间的最大距离,r
i
为第i层的膨胀系数。为避免网格效应造成的损失,需满足第i层两个非零元素之间的最大距离M
i
≤卷积核大小K;(3c)在空洞空间卷积池化金字塔ASPP中,使用带状池化模块替代原有的全局平均池化模块,分别通过垂直池化和水平池化构建通道间的依赖关系,从不同空间维度收集信息;垂直池化时,对特征图x中的每一列像素值进行相加再求均值,垂直条带池化后的输出y
v
∈R
W
为1xW的行向量:
水平池化时,对特征图x中的每一行像素值进行相加再求均值,水平条带合并后的输出y
h
∈R
H
为H
×
1的列向量:其中,输入特征x∈R
C
×
H
×
W
为输入张量,C表示通道数,H表示特征图的高,W表示特征图的宽;输出y
h
∈R
H
为H
×
1的列向量,输出y
v
技术研发人员:赵晋陵,陈荟,秦元首,程志友,黄林生,黄文江,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
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。