本發(fā)明涉及遙感圖像處理技術(shù)領(lǐng)域，尤其涉及一種遙感圖像地物的圖像分割方法及系統(tǒng)。

背景技術(shù)：

對遙感圖像的地物邊緣分割，是地理信息系統(tǒng)的關(guān)鍵技術(shù)，在土地規(guī)劃、災(zāi)害防治、無人機(jī)、衛(wèi)星、無人船與資源監(jiān)控領(lǐng)域具有十分重要的作用。傳統(tǒng)辦法只考慮二維數(shù)據(jù)，在分割過程中僅考慮圖像的坐標(biāo)點(diǎn)顏色以及坐標(biāo)點(diǎn)位置之間的關(guān)系，對于三維遙感圖像并不能有效利用全部信息進(jìn)行圖像分割。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：傳統(tǒng)辦法只考慮二維數(shù)據(jù)，在分割過程中僅考慮圖像的坐標(biāo)點(diǎn)顏色以及坐標(biāo)點(diǎn)位置之間的關(guān)系，對于三維遙感圖像并不能有效利用全部信息進(jìn)行圖像分割。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：

一種遙感圖像地物的圖像分割方法，包括：

S1：將遙感圖像放入全卷積網(wǎng)絡(luò)，所述全卷積網(wǎng)絡(luò)包括依次排列的多個(gè)卷積層組、多個(gè)反卷積層和CRF模型層，其中，所述卷積層組包括交替排列的卷積層和稀松卷積層；

S2：通過多個(gè)所述卷積層組和多個(gè)所述反卷積層對所述遙感圖像進(jìn)行坐標(biāo)點(diǎn)標(biāo)記，得到地物分類概率圖，其中，所述地物分類概率圖中不同地物具有不同的坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度；

S3：根據(jù)所述坐標(biāo)點(diǎn)顏色和所述坐標(biāo)點(diǎn)深度對所述地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

本發(fā)明的有益效果是：本技術(shù)方案將遙感圖像的顏色和深度加入圖像識(shí)別和分割中，綜合分析顏色信息和深度信息，將CRF模型層作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的上采樣層，在網(wǎng)絡(luò)輸出的粗分割基礎(chǔ)上，實(shí)現(xiàn)圖像的精細(xì)切割。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

優(yōu)選地，所述步驟S2包括：

S21：將所述遙感圖像經(jīng)過至少一個(gè)所述卷積層組坐標(biāo)點(diǎn)標(biāo)記后的圖像與經(jīng)過所有所述卷積層組和至少一個(gè)所述反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到融合圖像；

S22：將所述遙感圖像與所述融合圖像經(jīng)過至少一個(gè)所述反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到地物分類概率圖。

采用上述進(jìn)一步方案的有益效果是：該全卷積網(wǎng)絡(luò)把傳統(tǒng)網(wǎng)絡(luò)的全連接替換成了卷積，添加反卷積層，并將網(wǎng)絡(luò)前幾層的結(jié)果與網(wǎng)絡(luò)最終的結(jié)果進(jìn)行融和，可以得到更多的圖像信息。

優(yōu)選地，所述步驟S3包括：

S31：將所述坐標(biāo)點(diǎn)顏色輸入所述CRF模型層的能量函數(shù)計(jì)算得到所述地物分類概率圖中的所有坐標(biāo)點(diǎn)的第一能量值；

S32：將所述坐標(biāo)點(diǎn)深度輸入所述CRF模型層的能量函數(shù)計(jì)算得到所述地物分類概率圖中的所有坐標(biāo)點(diǎn)的第二能量值；

S33：根據(jù)所述第一能量值和所述第二能量值計(jì)算得到所有坐標(biāo)點(diǎn)的最終能量值；

S34：根據(jù)所述最終能量值對所述地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

采用上述進(jìn)一步方案的有益效果是：改進(jìn)了CRF算法和吉布斯能量函數(shù)，以坐標(biāo)點(diǎn)顏色和深度作為判斷依據(jù)，放入能量函數(shù)中，通過迭代對坐標(biāo)點(diǎn)進(jìn)行正確分類，降低能量函數(shù)的值，實(shí)現(xiàn)圖像切割。

一種遙感圖像地物的圖像分割系統(tǒng)，包括：

放入模塊，用于將遙感圖像放入全卷積網(wǎng)絡(luò)，所述全卷積網(wǎng)絡(luò)包括依次排列的多個(gè)卷積層組、多個(gè)反卷積層和CRF模型層，其中，所述卷積層組包括交替排列的卷積層和稀松卷積層；

標(biāo)記模塊，用于通過多個(gè)所述卷積層組和多個(gè)所述反卷積層對所述遙感圖像進(jìn)行坐標(biāo)點(diǎn)標(biāo)記，得到地物分類概率圖，其中，所述地物分類概率圖中不同地物具有不同的坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度；

分類模塊，用于根據(jù)所述坐標(biāo)點(diǎn)顏色和所述坐標(biāo)點(diǎn)深度對所述地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

優(yōu)選地，所述標(biāo)記模塊包括：

第一融合子模塊，用于將所述遙感圖像經(jīng)過至少一個(gè)所述卷積層組坐標(biāo)點(diǎn)標(biāo)記后的圖像與經(jīng)過所有所述卷積層組和至少一個(gè)所述反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到融合圖像；

第二融合子模塊，用于將所述遙感圖像與所述融合圖像經(jīng)過至少一個(gè)所述反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到地物分類概率圖。

優(yōu)選地，所述分類模塊包括：

第一計(jì)算子模塊，用于將所述坐標(biāo)點(diǎn)顏色輸入所述CRF模型層的能量函數(shù)計(jì)算得到所述地物分類概率圖中的所有坐標(biāo)點(diǎn)的第一能量值；

第二計(jì)算子模塊，用于將所述坐標(biāo)點(diǎn)深度輸入所述CRF模型層的能量函數(shù)計(jì)算得到所述地物分類概率圖中的所有坐標(biāo)點(diǎn)的第二能量值；

第三計(jì)算子模塊，用于根據(jù)所述第一能量值和所述第二能量值計(jì)算得到所有坐標(biāo)點(diǎn)的最終能量值；

分類子模塊，用于根據(jù)所述最終能量值對所述地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

附圖說明

圖1為本發(fā)明實(shí)施例提供的一種遙感圖像地物的圖像分割方法的流程示意圖；

圖2為本發(fā)明另一實(shí)施例提供的一種遙感圖像地物的圖像分割方法的流程示意圖；

圖3為本發(fā)明另一實(shí)施例提供的一種遙感圖像地物的圖像分割方法的流程示意圖；

圖4為本發(fā)明實(shí)施例提供的一種遙感圖像地物的圖像分割系統(tǒng)的結(jié)構(gòu)示意圖；

圖5為本發(fā)明另一實(shí)施例提供的一種遙感圖像地物的圖像分割系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

如圖1所示，在實(shí)施例中，提供一種遙感圖像地物的圖像分割方法，包括：

S1：將遙感圖像放入全卷積網(wǎng)絡(luò)，全卷積網(wǎng)絡(luò)包括依次排列的多個(gè)卷積層組、多個(gè)反卷積層和CRF模型層，其中，卷積層組包括交替排列的卷積層和稀松卷積層；

S2：通過多個(gè)卷積層組和多個(gè)反卷積層對遙感圖像進(jìn)行坐標(biāo)點(diǎn)標(biāo)記，得到地物分類概率圖，其中，地物分類概率圖中不同地物具有不同的坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度；

S3：根據(jù)坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度對地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

應(yīng)理解，該實(shí)施例中，將遙感圖像的顏色和深度加入圖像識(shí)別和分割中，綜合分析顏色信息和深度信息，將CRF模型層作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的上采樣層，在網(wǎng)絡(luò)輸出的粗分割基礎(chǔ)上，實(shí)現(xiàn)圖像的精細(xì)切割。CRF(conditional random field algorithm，條件隨機(jī)場)結(jié)合了最大熵模型和隱馬爾可夫模型的特點(diǎn)，是一種無向圖模型，近年來在分詞、詞性標(biāo)注和命名實(shí)體識(shí)別等序列標(biāo)注任務(wù)中取得了很好的效果。CRF是一個(gè)典型的判別式模型。

具體地，該實(shí)施例中，首先，對傳統(tǒng)全卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，使用卷積層代替全連接層，在卷積層后利用反卷積層和CRF模型層對圖像進(jìn)行上采樣；然后，將待分割圖像放入該改進(jìn)后的全卷積網(wǎng)絡(luò)中，通過七層卷積層和三層反卷積層對遙感圖像進(jìn)行坐標(biāo)點(diǎn)標(biāo)記，給坐標(biāo)點(diǎn)標(biāo)上不同顏色和深度，最后，根據(jù)坐標(biāo)點(diǎn)顏色和深度通過CRF模型層對坐標(biāo)點(diǎn)標(biāo)記后的圖像中的所有坐標(biāo)點(diǎn)進(jìn)行迭代分類，進(jìn)行精細(xì)分割，得到不同地物的分割圖像。

如圖2所示，在另一實(shí)施例中，圖1中的步驟S2包括：

S21：將遙感圖像經(jīng)過至少一個(gè)卷積層組坐標(biāo)點(diǎn)標(biāo)記后的圖像與經(jīng)過所有卷積層組和至少一個(gè)反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到融合圖像；

S22：將遙感圖像與融合圖像經(jīng)過至少一個(gè)反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到地物分類概率圖。

應(yīng)理解，該實(shí)施例中，該全卷積網(wǎng)絡(luò)把傳統(tǒng)網(wǎng)絡(luò)的全連接層替換成了卷積層，添加反卷積層，并將網(wǎng)絡(luò)前幾層的結(jié)果與網(wǎng)絡(luò)最終的結(jié)果進(jìn)行融和，可以得到更多的圖像信息。

如圖3所示，在另一實(shí)施例中，圖1中的步驟S3包括：

S31：將坐標(biāo)點(diǎn)顏色輸入CRF模型層的能量函數(shù)計(jì)算得到地物分類概率圖中的所有坐標(biāo)點(diǎn)的第一能量值；

S32：將坐標(biāo)點(diǎn)深度輸入CRF模型層的能量函數(shù)計(jì)算得到地物分類概率圖中的所有坐標(biāo)點(diǎn)的第二能量值；

S33：根據(jù)第一能量值和第二能量值計(jì)算得到所有坐標(biāo)點(diǎn)的最終能量值；

S34：根據(jù)最終能量值對地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

應(yīng)理解，該實(shí)施例中，以坐標(biāo)點(diǎn)顏色和深度作為判斷依據(jù)，放入改進(jìn)后能量函數(shù)中，通過迭代對坐標(biāo)點(diǎn)進(jìn)行正確分類，降低能量函數(shù)的值，實(shí)現(xiàn)圖像切割。

具體地，該實(shí)施例中，分別根據(jù)坐標(biāo)點(diǎn)顏色和深度通過CRF模型層的能量函數(shù)分別計(jì)算得到地物分類概率圖中的所有坐標(biāo)點(diǎn)的對應(yīng)于坐標(biāo)點(diǎn)顏色的第一能量值和對應(yīng)于坐標(biāo)點(diǎn)深度的第二能量值，將第一能量值與第二能量值相加得到每個(gè)坐標(biāo)點(diǎn)的總能量，根據(jù)每個(gè)坐標(biāo)點(diǎn)的總能量對地物分類概率圖進(jìn)行精確分割，得到地物分割圖像。改進(jìn)后的吉布斯能量函數(shù)：E(p)＝E(z)+E(d)，其中，E(p)是坐標(biāo)點(diǎn)總能量，E(z)是根據(jù)坐標(biāo)點(diǎn)顏色進(jìn)行分割的能量，E(d)是根據(jù)坐標(biāo)點(diǎn)深度進(jìn)行分割的能量，E(d)的實(shí)現(xiàn)方式與E(z)相似，不同的地方是以坐標(biāo)點(diǎn)深度代替坐標(biāo)點(diǎn)顏色。E(z)的實(shí)現(xiàn)方式為：

z_i是第i個(gè)坐標(biāo)點(diǎn)的值，其組成主要為兩大部分，加號(hào)前為第一部分，是單個(gè)坐標(biāo)點(diǎn)初始能量函數(shù)；第二部分為坐標(biāo)點(diǎn)與周圍坐標(biāo)點(diǎn)之間相似性能量。通過迭代，CRF模型層將坐標(biāo)點(diǎn)歸入正確的分類，不斷降低能量函數(shù)的能量值，從而實(shí)現(xiàn)正確分割。

如圖4所示，在實(shí)施例中，提供一種遙感圖像地物的圖像分割系統(tǒng)，包括：

放入模塊1，用于將遙感圖像放入全卷積網(wǎng)絡(luò)，全卷積網(wǎng)絡(luò)包括依次排列的多個(gè)卷積層組、多個(gè)反卷積層和CRF模型層，其中，卷積層組包括交替排列的卷積層和稀松卷積層；

標(biāo)記模塊2，用于通過多個(gè)卷積層組和多個(gè)反卷積層對遙感圖像進(jìn)行坐標(biāo)點(diǎn)標(biāo)記，得到地物分類概率圖，其中，地物分類概率圖中不同地物具有不同的坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度；

分類模塊3，用于根據(jù)坐標(biāo)點(diǎn)顏色和坐標(biāo)點(diǎn)深度對地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

如圖5所示，在另一實(shí)施例中，圖4中的標(biāo)記模塊2包括：

第一融合子模塊21，用于將遙感圖像經(jīng)過至少一個(gè)卷積層組坐標(biāo)點(diǎn)標(biāo)記后的圖像與經(jīng)過所有卷積層組和至少一個(gè)反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到融合圖像；

第二融合子模塊22，用于將遙感圖像與融合圖像經(jīng)過至少一個(gè)反卷積層坐標(biāo)點(diǎn)標(biāo)記后的圖像進(jìn)行多次融合，得到地物分類概率圖。

如圖5所示，在另一實(shí)施例中，圖4中的分類模塊3包括：

第一計(jì)算子模塊31，用于將坐標(biāo)點(diǎn)顏色輸入CRF模型層的能量函數(shù)計(jì)算得到地物分類概率圖中的所有坐標(biāo)點(diǎn)的第一能量值；

第二計(jì)算子模塊32，用于將坐標(biāo)點(diǎn)深度輸入CRF模型層的能量函數(shù)計(jì)算得到地物分類概率圖中的所有坐標(biāo)點(diǎn)的第二能量值；

第三計(jì)算子模塊33，用于根據(jù)第一能量值和第二能量值計(jì)算得到所有坐標(biāo)點(diǎn)的最終能量值；

分類子模塊34，用于根據(jù)最終能量值對地物分類概率圖中的所有坐標(biāo)點(diǎn)進(jìn)行分類，得到不同地物的分割圖像。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。