本發明涉及遙感圖像處理，更具體的說是涉及一種基于層次化特征提取與解碼的遙感圖像地物分割方法。

背景技術：

1、在當今信息時代，遙感技術已經成為獲取地表信息的重要手段。遙感圖像以其覆蓋范圍廣、更新周期短、成本相對較低等優勢，在軍事偵察、國土資源調查、環境監測等多個領域發揮著不可替代的作用。地物分割作為遙感圖像處理的核心環節，目標是從圖像中識別并區分出各種地物，如道路、建筑、水體等，為后續的分析和應用提供基礎數據。

2、然而，遙感圖像地物分割面臨著一系列技術挑戰。首先，遙感圖像通常包含豐富的地物類型，這些地物在形狀、大小、紋理等方面差異顯著，增加了分割難度。其次，地物之間的邊界往往模糊不清，特別是對于城市等復雜場景，不同地物之間的相互遮擋和滲透使得邊界識別更加困難。此外，遙感圖像的成像條件多變，如光照、天氣、季節等因素的影響，導致圖像質量波動，進一步增加了分割的復雜性。傳統的遙感圖像分割方法，如基于像素的閾值分割、基于區域的合并與生長算法等，往往依賴于圖像的低級特征，如顏色、紋理等，缺乏對地物深層次語義信息的把握。隨著深度學習技術的興起，基于卷積神經網絡(cnn)的方法因其強大的特征提取能力和對復雜模式的識別能力，在圖像分割領域取得了突破性進展。特別是全卷積網絡(fcn)和u型網絡(unet)等結構，通過端到端的訓練方式，能夠自動學習圖像中的空間層次結構和上下文信息，顯著提高了分割的精度和效率。

3、盡管基于深度學習的分割方法取得了一定的成功，但在處理遙感圖像時仍存在局限性。一方面，遙感圖像的分辨率較高，直接在原始分辨率上進行分割計算成本較高，且難以處理大尺寸的地物。另一方面，現有的方法大多側重于單一尺度的特征提取，難以捕捉到多尺度的地物信息，限制了模型的泛化能力。此外，遙感圖像中的類別不平衡問題也對模型的性能提出了挑戰，需要模型能夠對不同大小和形狀的地物進行有效分割。

4、因此，如何提高遙感圖像中地物分割的精度是本領域技術人員亟需解決的問題。

技術實現思路

1、有鑒于此，本發明提供了一種基于層次化特征提取與解碼的遙感圖像地物分割方法，旨在提高遙感圖像中地面目標的分割精度和效率，通過結合先進的視覺基礎模型和u型網絡架構的優勢，實現了對地面目標的快速、準確分割，特別適用于大規模遙感圖像數據的處理。

2、為了實現上述目的，本發明采用如下技術方案：

3、一種基于層次化特征提取與解碼的遙感圖像地物分割方法，包括以下步驟：

4、步驟1：采集遙感圖像并進行預處理，構建訓練樣本集；

5、步驟2：構建圖像分割網絡，圖像分割網絡包括依次連接的層次化編碼器、感受野模塊單元和網絡解碼器；

6、步驟3：采用訓練樣本集對圖像分割網絡進行訓練和優化，獲得遙感圖像地物分割模型；

7、步驟4：采集待分割遙感圖像，輸入至遙感圖像地物分割模型中，獲得地面目標分割結果。

8、優選的，步驟1中預處理包括去噪、增強對比度等操作，旨在改善圖像質量，以提高后續特征提取的準確性。

9、優選的，層次化編碼器采用預訓練的hiera架構，能夠有效捕獲多尺度特征，為后續的分割任務提供豐富的語義信息；層次化編碼器可以表示為一個序列模型，包括依次連接的多個編碼單元，前一個編碼單元的輸出作為后一個編碼單元的輸入；每個編碼單元包括依次連接的規范化層、注意力機制層和多層感知機；每個編碼單元輸出一種層次的特征圖，組成多尺度特征；特征圖xi＝encoder(xi-1)，i＝2，...，n，n表示編碼單元的數量，n＝4，ci表示特征通道數；x1＝encoder(i)，i表示輸入圖像，其中h表示圖像高度，w表示圖像寬度。

10、優選的，感受野模塊單元包括4個感受野模塊，每個感受野模塊用于降低特征通道數并增強特征表達能力，包括依次連接的多分支卷積層、膨脹池化或卷積層、合并層、跳躍連接層、激活函數層，其中，

11、多分支卷積層采用inception網絡(如inceptionv4和inception-resnet?v2中的結構)，包括依次連接的瓶頸結構和堆疊卷積層，瓶頸結構包括3個1×1卷積層，用于降低特征通道數，堆疊卷積層包括1×1卷積層、3×3卷積層、1×3卷積層和3×1卷積層，瓶頸結構的3個1×1卷積層分別連接堆疊卷積層的1×3卷積層、3×1卷積層和3×3卷積層；多尺度特征輸入至多分支卷積層的瓶頸結構和堆疊卷積層的1×1卷積層；

12、膨脹池化或卷積層包括4個不同膨脹率的3×3膨脹卷積層，膨脹率分別為1、3和5，包括兩個膨脹率為3的3×3膨脹卷積層分別連接堆疊卷積層的1×3卷積層和3×1卷積層，膨脹率為1的3×3膨脹卷積層連接堆疊卷積層的1×1卷積層，膨脹率為5的3×3膨脹卷積層連接堆疊卷積層的3×3卷積層；膨脹卷積層用于捕捉更大范圍的上下文信息，增強特征表達能力；瓶頸結構中一個1×1卷積層依次連接堆疊卷積層中一個卷積層、膨脹池化或卷積層中一個膨脹卷積層組成一個卷積分支，輸出一個分支特征圖；

13、合并層將所有分支特征圖合并，形成空間池化或卷積數組，表示為：

14、fmulti-branch＝concat(f1(xi)，f2(xi)，...，fn(xi))

15、其中，fmulti-branch表示空間池化或卷積數組；f1，f2，...，fn分別表示不同卷積分支的卷積操作；xi表示輸入的特征圖；concat()表示拼接操作；

16、跳躍連接層，將層次化編碼器輸出的多尺度特征和空間池化或卷積數組輸入至激活函數層；

17、激活函數層，根據多尺度特征和空間池化或卷積數組，獲得不同增強特征xoutput，組成多尺度增強特征，增強特征xoutput表示為：

18、xoutput＝relu(fmulti-branch+xshortcut)

19、其中,xshortcut表示輸入的多尺度特征中特征圖的shortcut連接；relu為激活函數。relu用于增加模型的非線性表達能力，增強特征xoutput能夠有效地結合不同感受野的信息，并在保持輸入特征信息的同時增強多尺度特征的表達。

20、優選的，網絡解碼器包括依次連接的三個解碼塊，每個解碼塊包括兩個解碼組、1×1卷積層和上采樣層，每個解碼組包括依次連接的3×3卷積層、批歸一化層和激活函數層；

21、將第四個感受野模塊和第三個感受野模塊輸出的多尺度增強特征輸入第一個解碼塊中，其中一種尺度的增強特征xoutput輸入第一個解碼組的3×3卷積層依次經過3×3卷積層、批歸一化層和激活函數層，其余尺度的增強特征xoutput輸入第二個解碼組進行殘差連接，第一個解碼組輸出的特征與第二個解碼組輸出的特征共同輸入1×1卷積層生成分割頭，分割頭經過上采樣層獲得與遙感圖像尺寸匹配的第一分割輸出；將第一分割輸出與第二個感受野模塊輸出的多尺度增強特征輸入第二個解碼塊中獲得第二分割輸出，其處理過程同第一個解碼塊的處理過程相同，將第二分割輸出與第一個感受野模塊輸出的多尺度增強特征輸入第三個解碼塊中獲得第三分割輸出，選擇第三個解碼塊的第三分割輸出作為地面目標分割結果。

22、優選的，對訓練樣本集中遙感圖像進行標注，標注真實掩碼g，在步驟3中將真實掩碼g作為圖像分割網絡訓練的監督信號。真實掩碼g表示遙感圖像中每個像素點對應的類別的真實標簽值。

23、優選的，在訓練過程中采用多重損失函數來優化圖像分割網絡，其中，根據真實掩碼g和網絡解碼器的所有分割輸出分別計算交叉熵損失、dice損失和邊界平滑損失，加權求和交叉熵損失、dice損失和邊界平滑損失獲得多重損失值，根據多重損失值優化圖像分割網絡，獲得遙感圖像地物分割模型。

24、優選的，交叉熵損失表示為：

25、

26、其中，ω表示圖像的所有像素集合，g(j)表示真實掩碼g中像素j處的真實標簽值(0或1)，si(j)是預測的分割輸出si中像素j處的概率；

27、dice損失表示為：

28、

29、其中，∈是一個小常數，用于避免分母為零，分子部分表示預測掩碼與真實掩碼的交集，分母表示預測掩碼與真實掩碼的總和；

30、邊界平滑損失，使用邊緣梯度損失來定義，計算分割輸出si和真實掩碼g的邊緣梯度(通過sobel算子)：

31、

32、邊界平滑損失為預測邊緣梯度和真實邊緣梯度之間的均方誤差，表示為：

33、

34、多重損失函數表示為：

35、

36、其中，α、β和γ分別控制交叉熵損失、dice損失和邊界平滑損失的權重。通過這種多損失組合，模型可以在提高整體分割精度的同時，進一步優化分割邊界的細化效果。

37、經由上述的技術方案可知，與現有技術相比，本發明公開提供了一種基于層次化特征提取與解碼的遙感圖像地物分割方法，通過層次化編碼器提取多尺度特征，并利用u型網絡結構進行特征融合和解碼，從而實現對遙感圖像中地物的高精度分割。通過層次化特征提取與解碼的結合，有效提升了遙感圖像地物分割的精度和效率，采用的預處理步驟和多尺度特征提取策略，能夠充分捕捉圖像中的細微特征和重要上下文信息，這種方式不僅改善了特征的表達能力，還增強了模型對細節和邊界的敏感性，從而在各種遙感圖像處理任務中取得更優的分割效果。

38、此外，還引入了多重損失函數，進一步提升了模型的表現力和學習能力，使其能夠更好地適應復雜多變的遙感圖像分割任務。多重損失函數的設計在模型訓練過程中提供了更豐富的監督信號，促使模型在多個層次上優化其輸出。這一創新的組合策略不僅增強了分割的準確性，還有效平滑了分割邊界，克服了傳統方法在處理復雜邊緣時的不足，從而實現更加細膩和自然的分割結果。而且通過參數高效的微調和適配器的使用，降低了模型訓練和部署的資源需求。本發明旨在推動遙感圖像地物分割技術的發展，使其適用于各種計算環境下的遙感圖像處理任務，為相關領域的應用提供更加準確和高效的分割解決方案。。