高斯约束可学习边界算子的水陆分割模型训练方法及系统与流程
本发明属于遥感影像处理,具体涉及一种高斯约束可学习边界算子的水陆分割模型训练方法及系统。
背景技术:
1、遥感影像水陆分割是对影像中的水域区域和陆地区域进行像素级分类,可为水体识别、海岸带调查、岸线识别及水陆格局监测提供基础数据。受成像条件、地表覆盖类型及环境因素影响,遥感影像中可能存在水体与阴影、浑浊水体与裸地、潮滩与浅水区特征相近的情况,港口、堤坝、养殖区及狭窄水道等区域还容易形成细小、弯曲或不连续的水陆边界。
2、现有基于深度学习的水陆分割方法通常利用像素分类损失训练分割网络。像素分类损失能够约束水域与陆域的分类结果,但对水陆边界的空间位置、方向变化及几何连续性缺少直接约束,因而在复杂水陆交界区域仍可能出现边界偏移、局部断裂、细节缺失及伪边界等问题。
3、为了增强模型的边界感知能力,部分方法在训练过程中采用sobel算子等固定梯度算子提取预测结果和标签的边界信息。然而,固定边界算子的核尺寸、权重分布和空间作用范围均为预先设定,难以根据不同遥感影像中的边界尺度和形态进行自适应调整。此外,部分语义分割方法还通过设置可学习的边界预测分支、形状特征分支或者可训练边缘算子,对图像边界信息进行建模。然而,此类方法的实现通常依赖额外的网络结构,或者仅对边缘算子的局部权重进行学习,难以同时兼顾边界作用范围与空间衰减约束,且容易引入与真实边界无关的纹理或高频噪声响应。
4、因此,有必要提供一种遥感影像水陆分割模型训练方法,使边界算子的方向权重和空间作用尺度能够根据训练样本进行学习,在扩大边界感受范围的同时抑制远离算子中心位置的无效响应,并利用预测边界与标签边界之间的差异对水陆分割网络进行约束,以提高复杂遥感场景下水陆边界的连续性和几何定位稳定性。
技术实现思路
1、本发明能够克服上述缺陷,提供高斯约束可学习边界算子的水陆分割模型训练方法,其解决上述现有水陆分割模型主要依赖区域分类损失、对水陆边界缺少直接约束,以及固定边界算子的权重分布和空间作用范围难以根据不同遥感影像中的边界特征进行自适应调整的问题,提升复杂遥感场景下水陆边界的连续性和几何定位稳定性。
2、为实现上述目的,本发明高斯约束可学习边界算子的水陆分割模型训练方法,包括以下步骤:
3、s1、获取遥感影像数据和对应的水陆标签数据,构建训练样本;
4、s2、将所述训练样本输入水陆分割网络,并对水陆分割网络的输出进行类别概率转换,获得水陆类别预测概率图;
5、s3、设置高斯约束可学习边界算子的可学习参数,所述可学习参数包括可学习尺度参数、第一可学习基础方向核和第二可学习基础方向核;
6、s4、根据所述可学习尺度参数生成高斯空间包络,并将所述高斯空间包络分别与第一可学习基础方向核和第二可学习基础方向核进行逐元素相乘,获得高斯约束可学习边界算子的第一约束方向边界核和第二约束方向边界核;
7、s5、基于所述第一约束方向边界核和第二约束方向边界核分别对水陆类别预测概率图和水陆标签进行边界响应计算,获得预测边界响应以及标签边界响应;
8、s6、构建融合边界损失与分类损失的混合损失函数,基于所述混合损失函数训练水陆分割网络,并联合迭代更新参数,直至满足预设训练终止条件,得到最终训练后的水陆分割模型。
9、进一步地,步骤s4中,所述高斯空间包络具体实现如下:
10、在预设尺寸的二维坐标域内,以二维坐标域的中心位置作为高斯空间包络的中心,根据各坐标位置与中心位置之间的距离以及所述可学习尺度参数,确定各坐标位置对应的包络权重,获得高斯空间包络;
11、所述包络权重表示为:
12、,
13、其中,表示高斯空间包络在第行、第列的包络权重,和表示中心位置的行坐标和列坐标,表示可学习尺度参数。
14、进一步地,所述第一可学习基础方向核和第二可学习基础方向核为相互独立的可训练二维权重矩阵,所述高斯空间包络与第一可学习基础方向核、所述第二可学习基础方向核具有相同的空间尺寸。
15、进一步地,步骤s4中,所述第一约束方向边界核和第二约束方向边界核计算如下:
16、将所述高斯空间包络分别与第一可学习基础方向核和第二可学习基础方向核进行逐元素相乘,并基于相乘结果中全部元素的绝对值之和分别进行归一化,获得高斯约束可学习边界算子的第一约束方向边界核和第二约束方向边界核:
17、,
18、,
19、其中,和分别表示第一约束方向边界核和第二约束方向边界核,表示第一可学习基础方向核,表示第二可学习基础方向核,表示逐元素相乘,表示对矩阵全部元素的绝对值求和,表示第一稳定参数。
20、进一步地,所述边界响应计算如下:
21、将水陆类别预测概率图与水陆标签作为待处理图,将待处理图分别与第一约束方向边界核和第二约束方向边界核进行二维卷积运算,获得第一方向响应和第二方向响应;将第一方向响应和第二方向响应分别进行逐元素平方,对所得平方结果进行逐元素求和,加入第二稳定参数后进行逐元素开平方,获得待处理图对应的综合边界响应:
22、,
23、其中,表示待处理图对应的综合边界响应,其中,z为水陆类别预测概率图或水陆标签,表示第二稳定参数;
24、当待处理图为水陆类别预测概率图时,综合边界响应为预测边界响应;
25、当待处理图为水陆标签时,综合边界响应为标签边界响应。
26、进一步地,所述边界损失为预测边界响应与标签边界响应之间的平均绝对误差;
27、所述混合损失函数表示为:
28、,
29、其中,表示分类损失,表示边界损失,表示分类损失权重,表示边界损失权重。
30、进一步地,所述联合迭代更新参数包括水陆分割网络的网络参数、可学习尺度参数、第一可学习基础方向核和第二可学习基础方向核。
31、本发明还包括一种用于实现上述高斯约束可学习边界算子的水陆分割模型训练方法的系统,包括:
32、训练样本获取模块,用于获取包含遥感影像以及对应水陆标签的训练样本;
33、预测概率图生成模块,用于将遥感影像输入水陆分割网络,并对所述水陆分割网络的输出进行类别概率转换,获得水陆类别预测概率图;
34、参数设置模块,用于设置高斯约束可学习边界算子的可学习参数,所述可学习参数包括可学习尺度参数、第一可学习基础方向核和第二可学习基础方向核;
35、方向边界核生成模块,用于根据所述可学习尺度参数生成高斯空间包络,将所述高斯空间包络分别与所述第一可学习基础方向核和第二可学习基础方向核逐元素相乘,并对相乘结果分别进行归一化处理,获得第一约束方向边界核和第二约束方向边界核;
36、边界响应计算模块,用于利用所述第一约束方向边界核和第二约束方向边界核,分别对所述水陆类别预测概率图和水陆标签进行边界响应计算,获得预测边界响应和标签边界响应;
37、损失确定模块,用于根据所述预测边界响应和标签边界响应确定边界损失,根据所述水陆类别预测概率图与水陆标签确定分类损失,并根据所述边界损失、所述分类损失以及二者各自对应的预设损失权重确定混合损失函数;
38、联合更新模块,用于基于所述混合损失函数,对所述水陆分割网络的网络参数、所述可学习尺度参数、所述第一可学习基础方向核和所述第二可学习基础方向核进行联合迭代更新,直至满足预设训练终止条件,得到训练后的水陆分割模型。
39、本发明提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本发明所述的高斯约束可学习边界算子的水陆分割模型训练方法。
40、本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,实现本发明所述的高斯约束可学习边界算子的水陆分割模型训练方法。
41、与现有技术相比,本发明的优点和有益效果如下:
42、(1)本发明根据可学习尺度参数生成高斯空间包络,并在训练过程中对所述可学习尺度参数进行更新,使方向边界核的有效空间作用范围能够根据训练样本中的水陆边界特征进行调整,缓解固定空间尺度对不同边界形态适应性不足的问题;
43、(2)本发明利用高斯空间包络对可学习基础方向核进行逐元素调制,使远离方向核中心位置的权重受到衰减约束,有助于降低大尺寸方向核中外围权重产生的无效纹理响应和高频噪声响应;
44、(3)本发明通过第一可学习基础方向核和第二可学习基础方向核能够分别学习不同方向上的水陆边界特征;对调制后的方向核进行归一化,可约束不同训练阶段中方向边界核的整体幅值,增强边界响应计算的稳定性;
45、(4)本发明利用相同的约束方向边界核分别计算水陆类别预测概率图和水陆标签的边界响应,能够同时约束区域分类结果和水陆边界,并根据二者之间的差异确定边界损失,通过联合使用边界损失和分类损失,可在保持水陆区域分类能力的同时,加强对水陆边界位置、方向和连续性的监督;
46、(5)本发明高斯约束可学习边界算子用于模型训练阶段的边界响应和边界损失计算;模型训练完成后,可将待处理遥感影像直接输入训练后的水陆分割模型以获得水陆分割结果,无需在推理阶段增加独立的边界检测或边界修正模块。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com