一种基于DCNN的多源遥感图像土地利用语义分割方法技术

本发明专利技术公开了一种基于DCNN的多源遥感图像土地利用语义分割方法，属于深度学习技术领域。本发明专利技术的方法步骤如下：S100、进行网络输入和特征提取，对图像进行预处理；S200、采用若干个独立的卷积流处理光学图像和SAR图像；S300、设计多模态注意力模块，使用1×1Conv将多光谱影像的特征变换成三个相同的特征映射；S400、使用GELU激活函数获得单个数据源的自关注图；S500、低层的光学特征图和SAR特征图被下采样并堆叠获得高级特征图；S600、特征图被送入上下文信息增强模块提取多尺度特征表示，并上采样获得多尺度联合特征图；S700、将低层联合特征图堆叠，并被送入解码器。

【技术实现步骤摘要】

本专利技术涉及深度学习，具体为一种基于dcnn的多源遥感图像土地利用语义分割方法。

技术介绍

1、遥感图像语义分割是一项重要的遥感图像处理任务，旨在将图像中的不同地物和地物类别进行精确的分割和标记。其主要目标是根据图像中的像素级别信息，将图像分为不同的类别，如建筑物、道路、水体、植被等，从而提供详细的地物分类和边界信息。遥感图像语义分割在许多领域中具有广泛的应用，包括城市规划、土地管理、农业监测、自然灾害预警等。通过提供高精度的地物信息，有助于更好地支持各种实际决策和应用，实现这一过程通常使用计算机视觉和深度学习技术。

2、地理区域、季节、传感器和环境条件的变化对模型的泛化能力构成挑战。由于遥感图像通常涉及多个地理区域和季节，模型需要能够适应这些变化而不失去分割准确性。不同传感器获取的图像具有不同的特性、噪声和分辨率。有效融合多种遥感影像以提高模型的表现是一个复杂的问题，需要考虑传感器之间的差异和数据融合的方法。在训练数据中，地物类别可能存在不平衡分布，这可能导致模型在某些类别上表现较差。处理不平衡数据分布是一个重要的挑战，需要采取有效的策略来本文档来自技高网...

【技术保护点】

1.一种基于DCNN的多源遥感图像土地利用语义分割方法，其特征在于：步骤如下：

2.根据权利要求1所述的一种基于DCNN的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤S100，网络的输入内容包括独立的多光谱影像、高光谱影像、SAR影像的原始图像和SAR影像的标签图，图像和标签逐像素对应；

3.根据权利要求1所述的一种基于DCNN的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤S200，在卷积层中，通过卷积核与图像进行卷积运算，提取图像的边缘、纹理、颜色和形状的信息；采用若干个独立的卷积流处理光学图像和SAR图像，允许网络分别提取光学和SAR图像中...

【技术特征摘要】

1.一种基于dcnn的多源遥感图像土地利用语义分割方法，其特征在于：步骤如下：

2.根据权利要求1所述的一种基于dcnn的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤s100，网络的输入内容包括独立的多光谱影像、高光谱影像、sar影像的原始图像和sar影像的标签图，图像和标签逐像素对应；

3.根据权利要求1所述的一种基于dcnn的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤s200，在卷积层中，通过卷积核与图像进行卷积运算，提取图像的边缘、纹理、颜色和形状的信息；采用若干个独立的卷积流处理光学图像和sar图像，允许网络分别提取光学和sar图像中最具代表性的特征；将光学和sar影像分别输入到卷积流中，通过递归操作光学影像的任意深度单元l的高级特征表示为：

4.根据权利要求1所述的一种基于dcnn的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤s300，使用1×1conv将多光谱影像的特征变换成三个相同的特征映射vmsi、qmsi和kmsi，1×1conv被用来进行特征映射的转换；多光谱影像包含若干个频谱波段，每个频谱波段代表了一种不同的光谱信息，通过对多光谱影像中的特征进行1×1conv操作，转换为三个相同的特征映射；

5.根据权利要求1所述的一种基于dcnn的多源遥感图像土地利用语义分割方法，其特征在于：根据步骤s400，使用gelu激活函数获得单个数据源的自关注图，通过矩阵乘法捕获特征矩阵和kmsi之间的内部相关性，在神经网络中内部相关性通过注意...

【专利技术属性】
技术研发人员：田传召，王淑敏，金永涛，杨建，米晓飞，邢书瑜，田晓敏，杨秀峰，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：