【技术实现步骤摘要】
基于空间细节感知和注意力引导的遥感图像语义分割方法
[0001]本专利技术涉及高分辨遥感图像分割
,具体为一种基于空间细节感知和注意力引导的高分辨率遥感图像语义分割方法
。
技术介绍
[0002]高分辨率遥感图像的语义分割技术是遥感影像理解与智能解译中最具挑战性的任务之一
。
遥感图像语义分割是指通过解析遥感图像上每个像素点的语义来给像素点分配一个语义标签,并根据语义标注不同的颜色,进而形成分割图并最终对多个地物进行识别并分类
。
近年来,高分辨率遥感影像数据量大幅增长,遥感图像语义分割在自然资源调查
、
城市建设规划
、
地质灾害防治
、
生态环境防护等领域有着越来越多的应用,遥感图像的语义分割信息为遥感社会化应用产业提供数据支撑
。
因此,高分辨率遥感图像语义分割具有重要的研究意义和价值
。
[0003]高分辨率遥感图像覆盖面广,背景环境复杂,且包含的地物具有大小尺度不一
、
分布密集
、
拓扑结构多样等特点,使得遥感图像的语义分割更具挑战性
。
针对遥感场景的特殊性,近年来提出了一系列解决方案
。
在
《
改进
U
‑
Net
的遥感图像语义分割方法
》
(胡功明
, 杨春成
, 徐立
, 尚海滨
, 王泽凡
, 秦志龙< ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于空间细节感知和注意力引导的遥感图像语义分割方法,其特征在于,包括以下具体步骤:
S1、
获取研究区域的遥感卫星高分辨率图像数据,制作高分辨率遥感图像语义分割数据集,其中,语义分割数据集包括训练集和验证集;
S2、
构建编码器对输入遥感图像进行特征提取,获得编码器不同层次的特征图;
S3、
构建多尺度分组注意力模块,分组建模通道和空间长距离依赖,强化编码器各层的特征图;
S4、
构建空间细节感知模块,聚合强化后的底层特征图,指导高层特征学习细节信息;
S5、
对聚合后的特征图进行通道拼接,将拼接的结果进行亚像素上采样,获得语义分割结果图
。2.
根据权利要求1所述的基于空间细节感知和注意力引导的遥感图像语义分割方法,其特征在于,
S1
中制作高分辨率遥感图像语义分割数据集方法为:
S11、
采用遥感影像数据处理软件对研究区域的遥感卫星高分辨率遥感影像数据进行预处理,包括:影像正射纠正
、
几何精度核查
、
影像融合
、
波段重组
、
色彩增强
、
影像镶嵌作;
S12、
将预处理过的遥感卫星高分辨率遥感影像,裁剪为
512
×
512
像素的遥感图像,得到具有
N
张初始图像的图像数据集,其中,
N≥6000
;
S13、
采用图像标注软件对
N
张初始图像逐一进行精细的语义标签标注,得到具有
N
初始图像和
N
张标注图像的高分辨率遥感图像语义分割数据集;
S14、
将高分辨率遥感图像语义分割数据集中的
N
张图像按照
P1:P2的比例划分为两类,分别得到训练集和验证集,其中, 7≤P1≤9
,
1≤P2≤3
,
P1+ P2=10。3.
根据权利要求1所述的基于空间细节感知和注意力引导的遥感图像语义分割方法,其特征在于,
S2
中构建的编码器包含1个初始下采样模块和4个特征提取层,初始下采样模块由卷积核大小
k
为5×1和1×5,步距为1的非对称卷积层和实例归一化层组成,4个特征提取层由基础卷积块和一个下采样层,4个特征提取层的通道数分别为
96、192、384、786
,基础卷积块数分别为
3、6、9、3
,其中基础卷积块中卷积层由卷积核大小为7×
7、5
×
5、3
×3的深度可分离卷积并行组成
。4.
根据权利要求1所述的基于空间细节感知和注意力引导的遥感图像语义分割方法,其特征在于,
S3
中构建多尺度分组注意力模块方法为:
S31、
将编码器提取的特征图
F
ic
×
h
×
w
沿通道维度进行分组,并经过2倍上采样和
1/2
下采样操作,得到3分支的子特征图,标记为
F
i1c/3
×
2h
×
2w
、F
i2c/3
×
h
×
w
和
F
i3c/3
×
h/2
×
w/2
,其中,
c、h、w
分别表示特征图通道数
、
技术研发人员:李林娟,谢刚,张浩雪,谢新林,田娟,聂晓音,贺赟,
申请(专利权)人:太原科技大学,
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。