一种高分辨率对地观测遥感图像语义分割方法技术

本发明专利技术公开了一种高分辨率对地观测遥感图像语义分割方法

【技术实现步骤摘要】
一种高分辨率对地观测遥感图像语义分割方法、装置、存储介质及计算设备


[0001]本专利技术涉及遥感图像语义分割
，尤其涉及一种高分辨率对地观测遥感图像语义分割方法
、
装置
、
存储介质及计算设备
。

技术介绍

[0002]近年来，随着科学技术的发展进步，大量搭载高分辨率影像获取设备的卫星被发射并投入使用，由此产生了海量高分辨率遥感图像，根据其所蕴含丰富的地理信息，进行有效分析，能够对精准农业
、
军事侦察和水文环境监测等领域研究提供重要的数据支撑
。
因此，如何对遥感图像进行语义分割，实现像素级分类和高级语义特征的信息提取，是当前领域热点研究内容之一
。
[0003]众多研究学者尝试了很多方法对高分辨率遥感图像进行目标分类和语义识别
。
其中包括基于支持向量机
SVM(Support Vector Machine)
的方法，基于非监督聚类算法和基于边缘检测的方法等
。
但是由于遥感图像包含丰富光谱信息，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种高分辨率对地观测遥感图像语义分割方法，其特征在于，包括：构建语义分割模型；所述语义分割模型基于编码器
‑
解码器的神经网络搭建，所述神经网络包括基于异曲率空间表征相似度聚合的注意力模块，所述注意力模块用于基于编码器得到的特征向量获取图像中像素的欧式特征相似度和双曲特征相似度并融合，结合原始特征向量，优化编码特征向量，并输入解码器；将待检测的高分辨率对地观测遥感图像输入所述语义分割模型，得到语义分割结果
。2.
根据权利要求1所述的一种高分辨率对地观测遥感图像语义分割方法，其特征在于，所述构建语义分割模型，包括：获取若干原始高分辨率对地观测遥感图像作为训练集，并基于专家经验生成各图像对应的地面真值标签；构建基于编码器
‑
解码器的神经网络，基于所述训练集及地面真值标签对所述神经网络进行训练至收敛，保存最佳网络参数，作为语义分割模型，训练过程如下：将训练集中的图像输入所述基于编码器
‑
解码器的神经网络，通过编码器转化为特征向量
F
fmaps
；通过基于异曲率空间表征相似度聚合的注意力模块从所述特征向量
F
fmaps
中获取图像中像素的欧式特征相似度和双曲特征相似度并融合，结合原始特征向量
F
fmaps
，得到优化后的编码特征向量
F
refined
；通过解码器将所述优化后的编码特征向量
F
refined
空间分辨率恢复至原始大小，生成特征向量对应每类地物的概率大小，根据最大概率所属类别，确定当前特征向量所归属的地物语义，作为语义预测输出结果；将语义预测输出结果和地面真值标签进行比对，优化神经网络参数，继续训练至收敛
。3.
根据权利要求2所述的一种高分辨率对地观测遥感图像语义分割方法，其特征在于，所述得到优化后的编码特征向量
F
refined
，包括：采用1×1卷积层，对所述特征向量
F
fmaps
进行特征映射，生成5个大小和维度相同的特征向量
F1,F2,F3,F4,F5；基于特征向量
F1和特征向量
F2，构建欧式相似度矩阵；基于特征向量
F3和特征向量
F4，构建双曲相似度矩阵；对所述欧式相似度与所述双曲相似度分别赋予权重因子，通过线性加权形式计算异曲率空间相似度矩阵
A
hybrid
；对特征向量
F5进行矩阵重构，得到特征向量
F
51
；将所述异曲率空间相似度矩阵
A
hybrid
与所述特征向量
F
51
进行矩阵相乘，并与所述特征向量
F
fmaps
进行元素加和，得到优化后的编码特征向量
F
refined
。4.
根据权利要求3所述的一种高分辨率对地观测遥感图像语义分割方法，其特征在于，所述基于特征向量
F1和特征向量
F2，构建欧式相似度矩阵，包括：对特征向量
F1进行矩阵重构，得到特征向量
F
11
；对特征向量
F2进行拉伸，得到特征向量
F
21
；将所述特征向量
F
11
和所述特征向量
F
21
相乘，经
Softmax
函数归一化至区间
[0,1]
，得到欧式相似度矩阵
A
eucli

【专利技术属性】
技术研发人员：李鑫，许峰，吕鑫，
申请(专利权)人：河海大学，
类型：发明
国别省市：