一种基于ASPP网络的遥感图像水域检测方法技术

本发明专利技术提供一种基于ASPP网络的遥感图像水域检测方法，首先将SAR图像分割成多个子图，然后通过普通的级联卷积层提取子图的浅层特征和中间低级特征，再在浅层特征的基础上进行ASPP深层次特征提取，最后进行深层次特征与中间低级特征的融合，并进行水域目标类别预测，能够解决现有的水域检测方法中虚警率高，计算复杂，检测速度慢的问题。检测速度慢的问题。检测速度慢的问题。

【技术实现步骤摘要】
一种基于ASPP网络的遥感图像水域检测方法


[0001]本专利技术属于图像目标检测
，尤其涉及一种基于ASPP网络的遥感图像水域检测方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)，是一种微波遥感系统，获取的图像是一种侧视的、全天候、全天时的主动微波遥感图像。SAR图像的信息表达方式与光学图像有很大的差异，并受到相干斑噪声和各种几何特征的影响，使得SAR图像的自动处理比光学图像困难得多。而且由于地面场景复杂，以及山脉阴影、暗斑等影响，采用传统的机器学习算法对复杂场景下水域检测，存在检测率偏低，虚警偏高的问题。
[0003]针对在轨遥感图像的水域检测中，目标区域往往只是其所在大视场影像中的一小部分。传统的候选区域提取方法对于简单理想的场景检测效果较好，而对于复杂场景的检测效果较差，且传统算法计算复杂，检测速度慢。

技术实现思路

[0004]为解决复杂场景中的水域检测效果差的问题，本专利技术提供一种基于ASPP网络的遥感图像水域检测方法，能够提高目标的检测率，大大降低虚警率，从而实现快速高效的水域检测。
[0005]一种基于ASPP网络的遥感图像水域检测方法，包括以下步骤：
[0006]将SAR图像分割成多个子图后，采用级联的特征提取网络提取各子图的浅层特征，同时将位于中间的特征提取网络输出的特征记为中间低级特征；
[0007]采用带有空洞卷积的空间金字塔池化网络从各子图的浅层特征中提取出深层次特征；
[0008]将各子图的中间低级特征与深层次特征进行融合，再将融合结果经过softmax分类器，实现水域目标和图像背景的分割，完成水域目标的类别预测。
[0009]进一步地，深层次特征的提取方法为：
[0010]将浅层特征分为五路，第一路送入1
×
1卷积层，得到第一特征图；第二路～第四路分别送入3
×
3的空洞卷积，对应得到第二特征图～第四特征图，其中，三个空洞卷积具有不同的扩张率；第五路首先送入全局平均池化层，得到图像级别特征后，再将图像级别特征进行1
×
1卷积以及双线性插值，得到第五特征图；
[0011]将第一特征图～第五特征图按照通道维度连接在一起后，整体送入1
×
1卷积层进行融合，得到深层次特征。
[0012]进一步地，浅层特征的提取方法为：
[0013]将各二维的子图分别通过数据复制的方式扩展为三维矩阵；
[0014]将各三维矩阵分别输入级联的五个特征提取网络，最终得到的输出为各子图对应的浅层特征，并将排在第三的特征提取网络输出的特征作为中间低级特征，同时，五个特征
提取网络均由卷积层和BN层组成，且各特征提取网络的卷积层的通道数为其前一个特征提取网络的卷积层的通道数的两倍。
[0015]进一步地，各子图的中间低级特征与深层次特征的融合方法为：
[0016]采用1
×
1卷积层对中间低级特征进行降维，得到低维低级特征；
[0017]将深层次特征进行双线性插值，再将插值后的深层次特征与低维低级特征按照通道维度连接在一起，得到组合特征；
[0018]将组合特征送入3
×
3卷积层，实现中间低级特征与深层次特征的融合。
[0019]进一步地，水域目标和图像背景完成分割后，再对得到的水域目标进行双线性插值，得到与子图大小相同的水域预测图像。
[0020]有益效果：
[0021]1、本专利技术提供一种基于ASPP网络的遥感图像水域检测方法，首先将SAR图像分割成多个子图，然后通过普通的级联卷积层提取子图的浅层特征和中间低级特征，再在浅层特征的基础上进行ASPP深层次特征提取，最后进行深层次特征与中间低级特征的融合，并进行水域目标类别预测，能够解决现有的水域检测方法中虚警率高，计算复杂，检测速度慢的问题。
[0022]2、本专利技术提供一种基于ASPP网络的遥感图像水域检测方法，采用五个级联的conv卷积层以及不同扩张率dilated rate的空洞卷积构成的空间金字塔池化网络来进行特征提取，能够引入图像的多尺度信息，以此扩大卷积核的感受野，减少信息的丢失。
[0023]3、本专利技术提供一种基于ASPP网络的遥感图像水域检测方法，将中间低级特征进行降维后再与深层次特征进行融合，能够防止深层次特征被高维的中间低级特征弱化，提升水域目标分割边界的准确度。
附图说明
[0024]图1为本专利技术提供的一种基于ASPP网络的遥感图像水域检测方法的流程图；
[0025]图2为本专利技术采用的空洞卷积示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0027]如图1所示，一种基于ASPP网络的遥感图像水域检测方法，包括以下步骤：
[0028]S1：将SAR图像分割成多个子图后，采用级联的特征提取网络提取各子图的浅层特征，同时将位于中间的特征提取网络输出的特征记为中间低级特征；
[0029]其中，浅层特征的提取方法为：
[0030]将各二维的子图分别通过数据复制的方式扩展为三维矩阵；
[0031]将各三维矩阵分别输入级联的五个特征提取网络，最终得到的输出为各子图对应的浅层特征，并将排在第三的特征提取网络输出的特征作为中间低级特征，同时，五个特征提取网络均由卷积层和BN层组成，且各特征提取网络的卷积层的通道数为其前一个特征提取网络的卷积层的通道数的两倍。
[0032]例如，本专利技术首先将SAR图像分割成多个512*512像素大小的二维子图，再将二维
的子图同构图像数据复制的方式扩展为3*512*512的三维矩阵；然后将三维矩阵进行步长为2、卷积核为3*3的卷积操作，此时输出通道设为8，卷积后的结果进行BN层(Batch Normalization,是批量样本的归一化)运算，则第一个特征提取网络输出的最终卷积后的数据大小为8*256*256；然后以此类推，将8*256*256的三维矩阵输入后续的特征提取网络，且第二个～第五个特征提取网络的卷积层的通道数分别设置为16、32、64、128，最终卷积后的数据大小为128*32*32，也即浅层特征的大小为128*32*32，同时，将第三个特征提取网络输出的三维矩阵作为中间低级特征。
[0033]S2：采用带有空洞卷积的空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)网络从各子图的浅层特征中提取出深层次特征；
[0034]需要说明的是，空洞卷积(atrous convolutions)又称扩张卷积(dilated convolutions)，是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一个卷积网络。空洞卷积利用添加空洞扩大感受野，让原本3...

【技术保护点】

【技术特征摘要】
1.一种基于ASPP网络的遥感图像水域检测方法，其特征在于，包括以下步骤：将SAR图像分割成多个子图后，采用级联的特征提取网络提取各子图的浅层特征，同时将位于中间的特征提取网络输出的特征记为中间低级特征；采用带有空洞卷积的空间金字塔池化网络从各子图的浅层特征中提取出深层次特征；将各子图的中间低级特征与深层次特征进行融合，再将融合结果经过softmax分类器，实现水域目标和图像背景的分割，完成水域目标的类别预测。2.如权利要求1所述的一种基于ASPP网络的遥感图像水域检测方法，其特征在于，深层次特征的提取方法为：将浅层特征分为五路，第一路送入1
×
1卷积层，得到第一特征图；第二路～第四路分别送入3
×
3的空洞卷积，对应得到第二特征图～第四特征图，其中，三个空洞卷积具有不同的扩张率；第五路首先送入全局平均池化层，得到图像级别特征后，再将图像级别特征进行1
×
1卷积以及双线性插值，得到第五特征图；将第一特征图～第五特征图按照通道维度连接在一起后，整体送入1
×
1卷积层进行融合，得到深层次特征。3.如权...

【专利技术属性】
技术研发人员：王长杰，赵国宇，王玉亭，刘英杰，李悦，张俊青，
申请(专利权)人：北京理工雷科空天信息技术有限公司，
类型：发明
国别省市：