面向机动的自适应多尺度特征融合的遥感影像分割方法技术

本发明专利技术属于遥感影像解译技术领域，具体涉及一种面向机动的自适应多尺度特征融合的遥感影像分割方法，将获取的遥感影像数据输入自适应空间特征融合模型进行遥感地物解译；空间特征融合模型包括Unet网络模块和ASFF特征融合模块；Unet网络模块包括编码器和解码器；Unet网络模块基于骨干特征提取网络提取得到N个不同尺度的空间特征，进行编码器

【技术实现步骤摘要】
面向机动的自适应多尺度特征融合的遥感影像分割方法


[0001]本专利技术属于遥感影像解译
，具体涉及一种面向机动的自适应多尺度特征融合的遥感影像分割方法。

技术介绍

[0002]随着遥感技术的不断发展，能够获取到的遥感影像分辨率也越来越高，更高空间分辨率的影像也包含大量的地物细节特征，基于遥感影像进行分割获取精确的地物分类，广泛应用于土地测绘、环境监测、城市建设等领域。特别的在军事领域，基于遥感影像进行精细的地物识别有利于分析评估车辆的可通行性，进而制定计划展开军事行动。
[0003]目前现有技术中有的基于全卷积神经网络(Fully Convolutional Networks,FCN)模型进行遥感地物智能解译。但是，FCN模型在建模时，没有考虑目标地物前景、背景之间的不同，这与现实场景中复杂的遥感地物解译不符，且运算量大、计算时间长等问题。现有技术中还有的采用编码
‑
解码的形式结构的遥感影像分割网络，比如Unet，Unet是一种优秀的分割网络模型，能够减少数据成本且精度比FCN模型高，但是Unet网络由于采用跳跃连接的方式连接特征，对多尺度的特征不敏感，从而造成遥感影像分割的精度低，仍不能满足现实中包含大量地物细节特征的遥感影像的需要。

技术实现思路

[0004]本专利技术的目的在于提供一种面向机动的自适应多尺度特征融合的遥感影像分割方法，用以解决现有技术中遥感影像分割的精度低的问题。
[0005]为解决上述技术问题，本专利技术所提供的技术方案以及技术方案对应的有益效果如下：
[0006]本专利技术的一种面向机动的自适应多尺度特征融合的遥感影像分割方法，包括以下步骤：
[0007]将获取的遥感影像数据输入空间特征融合模型进行遥感地物解译，以得到遥感地物分类结果；
[0008]所述空间特征融合模型包括Unet网络模块和ASFF特征融合模块；所述Unet网络模块包括编码器和解码器；编码器用于提取遥感影像数据的特征，以得到不同尺度的图像特征，解码器用于依据N个不同尺度的图像特征进行处理操作，以得到N个不同尺度的空间特征；所述ASFF特征融合模块用于将输入的所述N个不同尺度的空间特征采用如下公式进行特征融合，以得到遥感地物分类结果：
[0009][0010]其中为N个尺度的空间特征融合后的图像特征，
……
、和分别为提取得到的N个不同尺度的空间特征，λ1、λ2、λ3、
……
、和λ
n
分别为对应的权重参数，且满足λ1+λ2+λ3+λ4+
……
+λ
n
＝1。
[0011]上述技术方案的有益效果为：本专利技术提出一种自适应空间特征融合的遥感影像分割方法，基于Unet网络架构，通过ASFF特征融合模块将Unet网络各个尺度的空间特征进行自适应的融合，各个尺度提取的图像特征不同，比如丰富度不同，依据各个尺度提取的图像特征确定权重参数，使用对应的权重参数进行融合，有效联合遥感影像的多尺度特征，解决了遥感影像分割中不同尺度特征利用不充分的问题，从而提升遥感影像分割的精度。本专利技术为遥感影像智能解译提供了可靠的解决方案，为Unet网络更灵活的利用多尺度特征的提供了可靠的基础。
[0012]进一步地，N＝5。
[0013]进一步地，所述Unet网络模块的编码器采用ResNet
‑
50网络实现特征提取。
[0014]上述技术方案的有益效果为：使用ResNet
‑
50的卷积神经网络进行下采样，第一方面，可以加深网络层数，提高了网络的分割精度；第二方面，网络中间可以添加更多的跳转连接，能更好的结合图像的背景语义信息，进行多尺度的分割；第三方面，ResNet具有快速收敛，减小模型数据量的优势；第四方面，ResNet使得模型更加的容易训练，既能防止模型退化，又能防止梯度消失，Loss不收敛。
[0015]进一步地，所述空间特征融合模型的网络参数进行如下设置：迭代次数Epoch为50，初始学习率为3*10
‑4，Batchsize为16，权重衰减系数为5*10
‑5。
[0016]进一步地，采用AdamW优化器对网络参数进行优化。
[0017]进一步地，所述权重参数为依据N个不同尺度的空间特征
……
、和经过SoftMax函数处理得到的。
[0018]进一步地，所述空间特征融合模型的损失函数采用交叉熵函数。
[0019]进一步地，在使用所述ASFF特征融合模块进行特征融合之前还需要将N个尺度的空间特征的通道数转化为相同的通道数，然后将相同通道数的空间特征分别进行不同倍数的上采样确保N个空间特征的尺度大小相同。
[0020]进一步地，在使用所述ASFF特征融合模块进行特征融合之后，还需要进行卷积操作，以将特征融合后的结果进行分类，得到遥感地物分类结果。
附图说明
[0021]图1是本专利技术的一种面向机动的自适应多尺度特征融合的遥感影像分割方法的流程图；
[0022]图2是本专利技术的Unet
‑
Rsenet50
‑
ASFF网络结构示意图；
[0023]图3是本专利技术的ASFF5自适应空间特征融合示意图；
[0024]图4
‑1‑
1是本专利技术的实施例中第一个原始图像示意图；
[0025]图4
‑2‑
1是本专利技术的实施例中第二个原始图像示意图；
[0026]图4
‑3‑
1是本专利技术的实施例中第三个原始图像示意图；
[0027]图4
‑4‑
1是本专利技术的实施例中第四个原始图像示意图；
[0028]图4
‑1‑
2是本专利技术的实施例中第一个原始图像对应的标签示意图；
[0029]图4
‑2‑
2是本专利技术的实施例中第二个原始图像对应的标签示意图；
[0030]图4
‑3‑
2是本专利技术的实施例中第三个原始图像对应的标签示意图；
[0031]图4
‑4‑
2是本专利技术的实施例中第四个原始图像对应的标签示意图；
[0032]图4
‑1‑
3是本专利技术的实施例中第一个原始图像使用Unet
‑
Resnet50网络进行地物解译的结果示意图；
[0033]图4
‑2‑
3是本专利技术的实施例中第二个原始图像使用Unet
‑
Resnet50网络进行地物解译的结果示意图；
[0034]图4
‑3‑
3是本专利技术的实施例中第三个原始图像使用Unet
‑
Resnet50网络进行地物解译的结果示意图；
[0035]图4
‑4‑
3是本专利技术的实施例中第四个原始图像使用Unet
‑
Resnet50网络进行地物解译的结果示意图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向机动的自适应多尺度特征融合的遥感影像分割方法，其特征在于：包括以下步骤：将获取的遥感影像数据输入空间特征融合模型进行遥感地物解译，以得到遥感地物分类结果；所述空间特征融合模型包括Unet网络模块和ASFF特征融合模块；所述Unet网络模块包括编码器和解码器；编码器用于提取遥感影像数据的特征，以得到N个不同尺度的图像特征；解码器依据N个不同尺度的图像特征进行处理操作，以得到N个不同尺度的空间特征；所述ASFF特征融合模块用于将输入的所述N个不同尺度的空间特征采用如下公式进行特征融合，以得到遥感地物分类结果：其中为N个尺度的空间特征融合后的图像特征，
……
、和分别为提取得到的N个不同尺度的空间特征，λ1、λ2、λ3、
……
、和λ
n
分别为对应的权重参数，且满足λ1+λ2+λ3+λ4+
……
+λ
n
＝1。2.根据权利要求1所述的面向机动的自适应多尺度特征融合的遥感影像分割方法，其特征在于：N＝5。3.根据权利要求1所述的面向机动的自适应多尺度特征融合的遥感影像分割方法，其特征在于：所述Unet网络模块的编码器采用ResNet
‑
50网络实现特征提取。4.根据权利要求1所述的面向机动的自适应多尺度特征融合的...

【专利技术属性】
技术研发人员：武志强，游雄，张欣，张威巍，陈令羽，涂明广，徐旺，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：