基于改进Deeplabv3+的轻量级遥感影像语义分割方法技术

本发明专利技术涉及一种基于改进Deeplabv3+的轻量级遥感影像语义分割方法，包括：通过遥感卫星获取不同情景下的图像，得到数据集；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；构建改进的DeepLabv3+网络模型，采用训练集训练改进的DeepLabv3+网络模型；将测试集中的测试图像输入训练后的改进的DeepLabv3+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。本发明专利技术基于改进的DeepLabv3+网络模型，训练参数量较小、精度较高、边缘分割更细腻、有效改善孔洞问题；本发明专利技术系统针对田地、建筑群、水域多种分割对象，便于不同场景使用，智能便捷。能便捷。能便捷。

【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；
[0007](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；
[0008](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；
[0009](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。
[0010]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。
[0011]所述步骤(2)具体包括以下步骤：
[0012](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；
[0013](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。
[0014]所述步骤(3)具体包括以下步骤：
[0015](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；
[0016](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；
[0017]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：
[0018][0019]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；
[0020](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；
[0021]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：
[0022][0023]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：
[0024][0025]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
∈R
W
为1xW的行向量，i，j分别表示特征图的第i行和第j列；
[0026]为获得包含更有用的全局先验的输出z∈R
C
×
H
×
W
，进行扩展操作后得到y
h
∈R
C
×
H
和y
v
∈R
C
×
W
，组合得出y∈R
C
×
H
×
W
：
[0027][0028]输出z为：
[0029]z＝Scale(x,σ(f(y))) (5)
[0030]其中，Scale()表示元素乘法，σ是Sigmoid函数，f是1
×
1卷积；
[0031](3d)在解码区Decoder中，从主干网络中提取第4、7两层浅层特征施加基于标准化的注意力机制NAM，其后构建ResNet50模块，使用先降维再升维的卷积快，并将其中3
×
3的卷积替换为膨胀率为4的空洞卷积，丰富细节特征；
[0032]基于标准化的注意力机制NAM使用批量标准化的比例因子，通过稀疏的权重惩罚和标准偏差来表示通道的重要性，基于标准化的注意力机制NAM包括通道注意力子模块和
空间注意力子模块，通道注意力机制为：
[0033][0034]其中，表示小批量B的均值；σ
B
表示B的标准差；γ和β分别表示缩放因子和位移；ε为较小的数，避免分母为0；Bin表示B的输入值，Bout表示B的输出值
[0035]对输入特征图通道维度中的信息进行归一化，施加权重后最后得到的输出特征如下：
[0036]M
c
＝sigmoid(W
γ
(BN(F1)))
ꢀꢀꢀꢀ
(7)
[0037]其中，γ是缩放因子，M
C
表示输出特征，W
γ
表示该通道的权重，F1表示输入的特征图；...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：