基于超像素与分水岭的遥感图像深度学习分割方法及系统与流程

1.本发明涉及图像处理技术领域，尤其公开了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统。


背景技术：

2.遥感图像是快速获取大范围地面信息的重要数据源，在农情监测、城市规划、地图的生产与更新等多个领域广泛应用。遥感图像地物分割是遥感图像解译过程中的重要步骤，是一个像素级别的密集分类问题，其目标是对遥感图像中的每个像素进行语义信息标注。随着卫星观测能力的提升，准确快速地对宽幅高分辨率遥感图像进行分割对指导生产实践具有重要意义。
3.遥感图像地物分割方法分为传统地物分割方法和基于深度学习的地物分割方法。传统地物分割方法依赖人工特征的设计和选择，特征的质量和选择直接影响算法性能，以颜色、纹理、植被指数为代表的传统地物分割方法运行快速但分割性能普遍不高。近年来，随着计算机算力的提升以及大规模数据的积累，以fcn(fully convolutional networks，全卷积网络)、segnet(sementic segmentation，语义分割网络)、deeplab等卷积神经网络为代表的地物分割算法得到了迅猛的发展，这类方法采用编码器-解码器的方式，首先将较高分辨率的输入图像经过层层下采样提取较低分辨率的语义特征，然后将这些语义特征经过层层上采样输出与输入图像相同尺寸的地物分割结果图。
4.在基于深度学习的遥感图像地物分割算法中，由于编码器-解码器结构的存在，会导致地物分割结果中局部细节出现零星分布的错误碎点，这种碎点现象在高分辨率遥感图像中尤为明显，影响了遥感图像地物分割的精度和可视化效果。


技术实现要素：

5.本发明提供了一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，旨在克服原有基于深度学习的遥感图像地物分割方法输出的地物分割结果图中存在错误碎点的问题，采用超像素块融合的方法去除语义分割结果图中的错误碎点标签，提高语义分割的精度和可视化效果。
6.本发明的一方面涉及一种基于超像素与分水岭的遥感图像深度学习分割方法，包括以下步骤：
7.利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；
8.利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；
9.将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；
10.将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
11.进一步地，利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
12.进一步地，超像素分割算法涉及区域尺寸参数和正则化平衡参数，利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图的步骤中，设置相应的区域尺寸参数和正则化平衡参数。
13.进一步地，利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图的步骤中，以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。
14.进一步地，将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别的步骤中，定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。
15.本发明的另一方面涉及一种基于超像素与分水岭的遥感图像深度学习分割系统，包括：
16.第一分割模块，用于利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；
17.第二分割模块，用于利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；
18.统计计算模块，用于将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；
19.第三分割模块，用于将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
20.进一步地，第一分割模块包括第一分割单元，第一分割单元用于采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
21.进一步地，第一分割模块包括设置单元，设置单元用于设置相应的区域尺寸参数和正则化平衡参数。
22.进一步地，第二分割模块包括第二分割单元，第二分割单元用于以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。
23.进一步地，统计计算模块包括定义单元，定义单元用于定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。
24.本发明所取得的有益效果为：
25.本发明提供一种基于超像素与分水岭的遥感图像深度学习分割方法及系统，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超
像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法及系统，可有效消除深度学习模型输出的地物分割效果图中错误分割的碎点，提高遥感图像地物分割的可视化效果；有效提高遥感图像地物分割的精度。
附图说明
26.图1为本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法一实施例的流程示意图；
27.图2为本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法一实施例的图解示意图；
28.图3为本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法中基于深度学习模型输出的地物分割结果图；
29.图4为本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法中超像素块融合的地物分割效果图；
30.图5为本发明提供的基于超像素与分水岭的遥感图像深度学习分割系统一实施例的功能框图。
31.附图标号说明：
32.10、第一分割模块；20、第二分割模块；30、统计计算模块；40、第三分割模块。
具体实施方式
33.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
34.如图1至图4所示，本发明第一实施例提出一种基于超像素与分水岭的遥感图像深度学习分割方法，包括以下步骤：
35.步骤s100、利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图。
36.输入光学遥感图像数据，采用slic(simple linear iterative clustering，简单线性迭代聚类)算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域，这里超像素算法涉及两个参数，区域尺寸参数(regionsize)和正则化平衡参数(regularization)。在对遥感图像进行超像素分割中，设置相应的区域尺寸参数和正则化平衡参数。
37.步骤s200、利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图。
38.以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。语义分割类卷积神经网络可以选择unet、segnet、deeplabv3等任意一种方法。
39.步骤s300、将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占
比最大的地物类别标签作为该超像素块种子点类别。
40.定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。统计计算每个超像素块内多类标签像素的占比，以超像素块内的几何中心作为种子点位置，以超像素块内最大占比的类别作为种子点类别标签。
41.步骤s400、将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
42.利用分水岭算法对遥感图像进行地物分割，将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
43.本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法，同现有技术相比，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本发明提供的基于超像素与分水岭的遥感图像深度学习分割方法，可有效消除深度学习模型输出的地物分割效果图中错误分割的碎点，提高遥感图像地物分割的可视化效果；有效提高遥感图像地物分割的精度。
44.请见图5，图5为本发明提供的基于超像素与分水岭的遥感图像深度学习分割系统一实施例的功能框图，在本实施例中，该基于超像素与分水岭的遥感图像深度学习分割系统包括第一分割模块10、第二分割模块20、统计计算模块30和第三分割模块40，其中，第一分割模块10，用于利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；第二分割模块20，用于利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；统计计算模块30，用于将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别；第三分割模块40，用于将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。其中，第一分割模块10包括第一分割单元，第一分割单元用于采用简单线性迭代聚类算法对遥感图像进行超像素分割，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。第一分割模块10包括设置单元，设置单元用于设置相应的区域尺寸参数和正则化平衡参数。第二分割模块20包括第二分割单元，第二分割单元用于以单幅遥感图像为输入至深度学习模型中，经过前向传播计算，输出相同尺寸且带有地物标注类别的地物分割结果图。统计计算模块30包括定义单元，定义单元用于定义遥感图像中的地物类别，地物类别包括建筑物、河流、道路和植被。
45.本发明提供的基于超像素与分水岭的遥感图像深度学习分割系统，同现有技术相比，采用第一分割模块10、第二分割模块20、统计计算模块30和第三分割模块40，通过利用超像素分割算法对遥感图像进行超像素分割，输出超像素分割结果图；利用语义分割类卷积神经网络对遥感图像进行地物分割，输出地物分割结果图；将每个超像素块的几何中心定义为种子点的位置，结合输出的超像素分割图和地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类
别；将定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。本发明提供的基于超像素引导分水岭算法的遥感影像深度学习分割系统，可有效消除深度学习模型输出的地物分割效果图中错误分割的碎点，提高遥感图像地物分割的可视化效果；有效提高遥感图像地物分割的精度。
46.本实施例提供的基于超像素与分水岭的遥感图像深度学习分割方法及系统，下面以具体的实施例来进行说明：
47.实例1基于超像素引导分水岭算法的遥感图像地物分割
48.采用高分2号拍摄的城市地区光学遥感图像作为数据源，截取了其中一块区域作为测试实例数据，图像数据大小为512
×
512图像分辨率为0.8米。
49.第一步：利用slic算法对遥感图像进行超像素分割，超像素区域尺寸参数regionsize设置为30像素，正则化平衡参数regularization设置为0.001，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
50.第二步：将遥感图像输入deeplabv3卷积神经网络，经过前向传播计算分别输出尺寸为512
×
512带有地物标注类别的地物分割结果图，这里地物类别包括建筑物、植被、道路网、水体、裸地、工业厂房和体育场七类。
51.第三步：定义种子点的位置和类别。将每个超像素块的几何中心定义为种子点的位置，结合第一步输出的超像素分割图和第二步输出的地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别。
52.第四步：利用分水岭算法对遥感图像进行地物分割。将第三步定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
53.实例2基于超像素引导分水岭算法的遥感图像地物分割
54.采用高分2号拍摄的农村地区光学遥感图像作为数据源，截取了其中一块区域作为测试实例数据，图像数据大小为512
×
512图像分辨率为0.8米。
55.第一步：利用slic算法对遥感图像进行超像素分割，超像素区域尺寸参数regionsize设置为50像素，正则化平衡参数regularization设置为0.005，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
56.第二步：将遥感图像输入deeplabv3卷积神经网络，经过前向传播计算分别输出尺寸为512
×
512带有地物标注类别的地物分割结果图，这里地物类别包括林地、植被、道路网、建筑物、水体、裸地、农作物、耕地、大棚和滩地十类。
57.第三步：定义种子点的位置和类别。将每个超像素块的几何中心定义为种子点的位置，结合第一步输出的超像素分割图和第二步输出的地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别。
58.第四步：利用分水岭算法对遥感图像进行地物分割。将第三步定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
59.实例3基于超像素引导分水岭算法的遥感图像地物分割
60.采用高分2号拍摄的港口地区光学遥感图像作为数据源，截取了其中一块区域作为测试实例数据，图像数据大小为512
×
512图像分辨率为0.8米。
61.第一步：利用slic算法对遥感图像进行超像素分割，超像素区域尺寸参数regionsize设置为30像素，正则化平衡参数regularization设置为0.002，得到一系列轮廓保持良好且排列整齐紧凑的超像素区域。
62.第二步：将遥感图像输入deeplabv3卷积神经网络，经过前向传播计算分别输出尺寸为512
×
512带有地物标注类别的分割结果图，这里地物类别包括防波堤、杂货堆场、水体、工业厂房、汽车堆场、油罐、码头和集装箱八类。
63.第三步：定义种子点的位置和类别。将每个超像素块的几何中心定义为种子点的位置，结合第一步输出的超像素分割图和第二步输出的地物分割结果图，逐个统计计算超像素块内不同地物类别标签的占比数量，取占比最大的地物类别标签作为该超像素块种子点类别。
64.第四步：利用分水岭算法对遥感图像进行地物分割。将第三步定义的种子点作为输入参数，利用分水岭算法对遥感图像进行地物分割，输出相同尺寸的地物分割效果图。
65.本实施例提供的基于超像素与分水岭的遥感图像深度学习分割方法及系统，如图3和图4所示，图3和图4为基于超像素块融合的遥感图像地物分割效果对比图，采用高分2号拍摄的城市地区高分辨率光学遥感图像作为测试数据，地物类别包括建筑物、植被、道路网、水体、裸地、工业厂房和体育场七类。图3为基于深度学习地物分割模型输出的地物分割结果图，图4为基于超像素与分水岭的遥感图像深度学习分割方法输出的地物分割结果图。从分割结果图中可以看出基于超像素与分水岭的遥感图像深度学习分割方法能够有效去除地物分割结果图中的碎点，对于建筑物和道路等地物的轮廓提取效果更好。
66.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。