一种免目标标注的跨域遥感地物分类方法与流程

摘要: 本发明涉及遥感图像处理,更具体地说,本发明涉及一种免目标标注的跨域遥感地物分类方法。背景技术:1、遥感影像地物分类模型通常基于特定区域、成像条件和数据分布下获得...
一种免目标标注的跨域遥感地物分类方法与流程

本发明涉及遥感图像处理,更具体地说,本发明涉及一种免目标标注的跨域遥感地物分类方法。

背景技术:

1、遥感影像地物分类模型通常基于特定区域、成像条件和数据分布下获得的标注影像进行训练。当训练数据与实际应用的目标区域在地貌类型、建筑分布、植被纹理、成像季节、传感器响应或空间分辨率等方面存在差异时,同类地物在影像中的光谱和空间表现会随之发生变化,导致基于源域数据训练得到的语义分割模型直接应用于目标域遥感影像时,像素级地物分类结果容易出现偏差。针对这一问题,可以通过重新获取目标域像素级标注数据对模型进行训练或微调,但遥感影像逐像素标注工作量较大,当模型需要在不同地区之间迁移应用时,反复进行目标域人工标注会增加数据准备成本。

2、为减少对目标域人工标注数据的依赖,现有技术已采用无监督域自适应和自训练方式,使具有像素级标签的源域遥感影像与无标签目标域遥感影像共同参与模型训练。例如,文献1(li w, gao h, su y, momanyi b m,

unsupervised domain adaptation for

remote sensing semantic segmentation with transformer. remote sensing, 2022,14(19):4942)提出一种用于遥感语义分割的无监督域自适应方法,在自训练框架下利用模型对目标域遥感影像产生的预测结果构造伪标签,并通过相应的训练策略改善不同类别以及不同质量伪标签对模型训练的影响,从而降低目标域像素级人工标注的需求。

3、然而,目标域伪标签本质上仍来源于模型自身的预测结果,其可靠程度通常与预测置信度有关。仅选择置信度较高的像素作为伪标签时,虽然能够降低明显误判进入训练的概率,但建筑物、道路等地物的边缘或局部区域可能因预测置信度较低而不能进入伪标签,使同一地物区域出现收缩、缺失或断裂;若进一步扩大可采用像素的置信度范围,又可能使孤立误判或边界附近的错误预测一并进入训练。对于具有一定空间连续性和对象尺度特征的地物,仅依据单个像素的预测置信度进行取舍,难以同时兼顾伪标签区域的完整性与错误候选像素的控制。因此,如何在不使用目标域人工像素级地物标签的情况下,对高置信度像素周围具有一定可信度的候选区域进行更加合理的筛选,是跨域遥感地物分类中仍需解决的问题。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明提供了一种免目标标注的跨域遥感地物分类方法,本方法根据源域同类未截断连通成分面积分布确定类别面积下限,将目标域同类可信种子与中置信度候选像素构成候选连通区域,并依据种子存在性和区域面积对候选像素整体提升或忽略,从而解决仅按像素置信度筛选造成伪标签收缩、断裂或误判区域进入训练的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种免目标标注的跨域遥感地物分类方法,包括以下步骤:

4、步骤一,获取带像素级地物标签的源域遥感影像及目标域遥感影像,以所述源域遥感影像及其像素级地物标签训练初始语义分割模型;针对预设地物类别,在用于面积统计的源域标签图中按预设邻接规则提取未与所述源域标签图边界相交的同类连通成分,并根据所述连通成分在统一地面尺度下的面积分布确定类别面积下限;

5、步骤二,以所述初始语义分割模型预测所述目标域遥感影像,得到预测类别和预测置信度;比较预测置信度与高、低置信度阈值,从预测类别为预设地物类别的像素中确定可信种子和候选像素,并以可信种子的预测类别作为伪标签类别;

6、步骤三,将可信种子和候选像素按预设邻接规则连通形成候选连通区域,并确定各所述候选连通区域在所述统一地面尺度下的面积;

7、步骤四,候选连通区域包含至少一个同类可信种子且面积不低于类别面积下限时,将其中全部候选像素统一赋予预设地物类别的伪标签;否则,将候选像素设置为忽略标记并保留可信种子的伪标签;

8、步骤五,根据可信种子和赋予伪标签的候选像素生成目标域伪标签掩膜,基于所述源域遥感影像的像素级地物标签和所述伪标签掩膜更新初始语义分割模型参数,得到并利用更新后的语义分割模型获得所述目标域遥感影像的像素级地物分类结果,所述模型参数更新过程中不使用目标域人工像素级地物标签。

9、作为本发明进一步的方案,所述类别面积下限的确定包括:确定各所述同类连通成分在所述统一地面尺度下的面积,形成所述预设地物类别的连通成分面积集合,并以所述连通成分面积集合的预设低分位数对应的面积值作为所述类别面积下限。

10、作为本发明进一步的方案,所述高置信度阈值大于所述低置信度阈值;对于预测类别为所述预设地物类别的像素,将预测置信度不低于所述高置信度阈值的像素确定为可信种子,将预测置信度不低于所述低置信度阈值且低于所述高置信度阈值的像素确定为候选像素。

11、作为本发明进一步的方案,所述用于面积统计的源域标签图为与所述源域遥感影像对应的原始标签图,或者为根据具有确定空间对应关系的相邻标签切片拼接形成的标签图;模型训练过程中产生的随机裁剪图块不作为所述同类连通成分的面积统计单元。

12、作为本发明进一步的方案, 用于确定所述类别面积下限的同类连通成分数量不少于预设最小样本数。

13、作为本发明进一步的方案,当源域遥感影像与目标域遥感影像具有相同地面采样距离时,以相同像素面积单位确定所述同类连通成分和候选连通区域的面积;当源域遥感影像与目标域遥感影像的地面采样距离不同时,将两域遥感影像统一至相同地面采样距离,或者将所述同类连通成分和候选连通区域的面积换算为相同地表面积单位。

14、作为本发明进一步的方案,所述预设邻接规则为八邻域连通规则,所述源域标签图中的同类连通成分和所述目标域遥感影像中的候选连通区域均按照所述八邻域连通规则形成。

15、作为本发明进一步的方案,所述预设地物类别为建筑物类别;对于未采用所述类别面积下限执行候选像素整体提升的其他地物类别,将预测置信度不低于对应高置信度阈值的像素作为目标域伪标签,并将预测置信度不低于对应低置信度阈值且低于对应高置信度阈值的像素设置为忽略标记。

16、作为本发明进一步的方案,在更新所述初始语义分割模型的模型参数时,根据所述源域遥感影像的像素级地物标签计算源域监督损失,根据所述目标域伪标签掩膜计算目标域伪标签损失,并利用所述源域监督损失和目标域伪标签损失共同更新所述模型参数;其中,被赋予伪标签的候选像素的逐像素损失权重低于所述可信种子的逐像素损失权重。

17、本发明通过对不同区域遥感影像进行跨域地物分类,可获得建筑物、道路、植被等地物的像素级分类结果,为除卫星应用服务以外的测绘服务及其他测绘地理信息服务提供基础地物识别与空间信息支撑。

18、与现有技术相比,本发明一种免目标标注的跨域遥感地物分类方法的有益效果在于:

19、本发明通过对源域标签图中的同类未截断连通成分进行面积统计,并由其面积分布确定类别面积下限,使目标域候选区域的判断具有来源于源域真实地物对象的尺度依据。相较于仅依据目标域像素预测置信度进行筛选,可减少中置信度像素是否进入伪标签仅由单像素预测结果决定所带来的不确定性。

20、本发明将同类可信种子与候选像素构成候选连通区域,并在候选连通区域包含同类可信种子且面积达到类别面积下限时,对其中候选像素整体赋予伪标签,否则保持候选像素为忽略状态并保留可信种子。相较于仅保留高置信度像素或直接采用全部中置信度像素,可在补充同一地物区域中可信候选像素的同时,减少无可信种子锚定或规模过小的候选区域进入训练。

21、本发明在候选连通区域通过判断后,不再对其中候选像素进行二次逐像素筛选,而是按区域统一处理,并利用形成的目标域伪标签与源域像素级标签共同更新语义分割模型。相较于对候选像素反复按置信度取舍的方式,有利于保持同一候选区域处理规则的一致性,并在模型更新过程中无需使用目标域人工像素级地物标签。