【技术实现步骤摘要】
本专利技术涉及卫星遥感图像分割，尤其涉及一种基于深度学习的卫星遥感图像分割方法。
技术介绍
1、随着卫星遥感技术的发展以及卫星遥感图像分辨率的提高，遥感卫星可以提供多种类型的地面图像图像数据，而且其精度也不断提高，更新速度越来越快，使得基于卫星图像对特定目标进行图像分割成为可能。
2、以北京古建筑图像分割为例，由于遥感图像在特定目标建筑环境复杂多变，而且古建筑在形态、分布区域、分布密集度等方面存在的很大差异。卫星图像分割需要实现定位和分割两种任务，传统的图像分割方法一般需要进行窗口扫描或者或者手工标记的方法，实现图像特定区域的定位与分割，处理速度极慢而且分割精度差，在各个窗口之间交界区域分割效果更差，因此基于传统方法的卫星遥感图像分割方法难以提取有效特征。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。
2、本专利技术提供了一种基于深度学习的卫星遥感图像分割方法，该基于深度学习的卫星遥感图像分割方法包括：根据输入卫星遥感图像的特性，将卫星遥感图像的数据集划分为训练集和验证集，对数据集的原始图像进行预处理；采用基于样本均衡机制的多尺度cnn网络模型框架作为主体网络构建卫星图像分割算法模型，其中，网络连接层将特征提取模块输出与中间层网络数据在通道上进行拼接；将预处理后的数据集输入到卫星图像分割算法模型中，通过进行网络训练，完成卫星遥感图像语义分割。
3、进一步地，数据集按照8：2的比例划分为训练集和验证集。
4、进
5、进一步地，数据增强处理包括采用随机旋转、翻转、添加噪声和尺度变换等操作进行图像变换。
6、进一步地，多尺度cnn网络模型框架包括依次设置的卷积层conv1、conv3和conv1、全局平局池化层gap和两个全连接层fc，其中，conv3和conv1分别表示卷积核大小为3和1的卷积层，第一个conv1用于降低网络维度，第二个conv1用于升高维度；第一个fc全连接层用于降低维度，将原始特征和提取出来的特征图通道权重系数重新加权，提取更重要特征，第二个fc全连接层用于恢复到原始维度。
7、进一步地，多尺度cnn网络模型框架采用dense-net密集连接块思想在标准的前馈神经网络进行跳跃连接。
8、进一步地，多尺度cnn网络模型框架通过focal loss损失函数拟合模型训练过程，在交叉熵损失函数基础上加入一个可调节因子来为难易样本设置不同权值，使得模型专注于对于困难样本的学习。
9、应用本专利技术的技术方案，提供了一种基于深度学习的卫星遥感图像分割方法，该方法将原始卫星遥测图像做预处理后作为网络模型输入，通过采用基于样本均衡机制的多尺度cnn网络模型框架作为主体网络来搭建算法模型，对小样本和困难样本特征实现充分提取，然后由输出层完成特定目标的最终分割结果。与现有技术相比，本专利技术的技术方案解决了现阶段卫星图像分割准确度低，算法模型复杂，及参数量大的技术问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的卫星遥感图像分割方法，其特征在于，所述基于深度学习的卫星遥感图像分割方法包括：根据输入卫星遥感图像的特性，将卫星遥感图像的数据集划分为训练集和验证集，对数据集的原始图像进行预处理；采用基于样本均衡机制的多尺度CNN网络模型框架作为主体网络构建卫星图像分割算法模型，其中，网络连接层将特征提取模块输出与中间层网络数据在通道上进行拼接；将预处理后的数据集输入到卫星图像分割算法模型中，通过进行网络训练，完成卫星遥感图像语义分割。
2.根据权利要求1所述的基于深度学习的卫星遥感图像分割方法，其特征在于，数据集按照8：2的比例划分为训练集和验证集。
3.根据权利要求1所述的基于深度学习的卫星遥感图像分割方法，其特征在于，预处理包括：对数据集的原始图像去雾化、数据扩充和引入负样本；将处理后的原始图像设定为特定大小；进行随机窗口取样，生成采样坐标；将得到的图像进行数据增强，扩大网络数据集。
4.根据权利要求3所述的基于深度学习的卫星遥感图像分割方法，其特征在于，数据增强处理包括采用随机旋转、翻转、添加噪声和尺度变换等操作进行图像变换。p>
5.根据权利要求1所述的基于深度学习的卫星遥感图像分割方法，其特征在于，多尺度CNN网络模型框架包括依次设置的卷积层Conv1、Conv3和Conv1、全局平局池化层GAP和两个全连接层FC，其中，Conv3和Conv1分别表示卷积核大小为3和1的卷积层，第一个Conv1用于降低网络维度，第二个Conv1用于升高维度；第一个FC全连接层用于降低维度，将原始特征和提取出来的特征图通道权重系数重新加权，提取更重要特征，第二个FC全连接层用于恢复到原始维度。
6.根据权利要求5所述的基于深度学习的卫星遥感图像分割方法，其特征在于，
7.根据权利要求5所述的基于深度学习的卫星遥感图像分割方法，其特征在于，
...【技术特征摘要】
1.一种基于深度学习的卫星遥感图像分割方法，其特征在于，所述基于深度学习的卫星遥感图像分割方法包括：根据输入卫星遥感图像的特性，将卫星遥感图像的数据集划分为训练集和验证集，对数据集的原始图像进行预处理；采用基于样本均衡机制的多尺度cnn网络模型框架作为主体网络构建卫星图像分割算法模型，其中，网络连接层将特征提取模块输出与中间层网络数据在通道上进行拼接；将预处理后的数据集输入到卫星图像分割算法模型中，通过进行网络训练，完成卫星遥感图像语义分割。
2.根据权利要求1所述的基于深度学习的卫星遥感图像分割方法，其特征在于，数据集按照8：2的比例划分为训练集和验证集。
3.根据权利要求1所述的基于深度学习的卫星遥感图像分割方法，其特征在于，预处理包括：对数据集的原始图像去雾化、数据扩充和引入负样本；将处理后的原始图像设定为特定大小；进行随机窗口取样，生成采样坐标；将得到的图像进行数据增强，扩...
【专利技术属性】
技术研发人员：刘鹏，高亚豪，
申请(专利权)人：北京自动化控制设备研究所，
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。