CN119399767A 融合点云与影像数据的露天矿建筑物图像分割方法 （湖南科技大学）

号融合点云与影像数据的露天矿建筑物图像本发明公开了一种融合点云与影像数据的像送入SSC_SeNet网络模型中进行训练，使用训练好的SSC_SeNet网络模型对真实的三维建筑物2步骤S4，将尺寸重建后的图像数据送入SSC_SeNet网络模2.根据权利要求1所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征3.根据权利要求2所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征4.根据权利要求1所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征5.根据权利要求1所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征三层生成的特征经过注意力引导机制和伽柏傅里叶滤波器后进行6.根据权利要求1所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征在于，所述步骤S4中语义提取通道与特征融合模块提取原始图像中的语义特征具体步骤7.根据权利要求1所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征8.根据权利要求5所述的融合点云与影像数据的露天矿建筑物图像分割方法，其特征3（3（44输入CNN来预测该像素点的语义标签，打破CNN只用于目标分类的先河；伯克利大学的Girshick教授等人共同提出了首个在目标检测方向应用的深度学习模型（Region_basedConvolutionalNeuralNetwor个窗口来将语义分割任务转变为图片分类任务的观念，FCN完全丢弃了图片分类任务中全建筑物的识别精度。Moussa等、Grigillo等结合LiDAR数据和高分影像采用基于对象的方5器的降维将低级特征转换为压缩特征以及卷积神经网络（CNN）将压缩特征转换为高级要并分析和讨论了其对超参数的敏感性；Du等提出了一种结合点和网格特征从LiDAR点云数[0012]步骤S4，将尺寸重建后的图像数据送入SSC_SeNet网络模型中进行训练，SSC_整个矿区特征图像都包含分割尺度为256×256的图片数据以及其对应的标签数据，一共[0016]进一步的，所述步骤S4中特征提取主通道提取原始SSC_SeNe采用两层常规卷积提取原始图像的全局特征，再分别进行坐标卷积和卷积块操6（3（4的SSC_SeNet网络模型对三维建筑物图像进行分割，得到分割好三维建筑物图像；SSC_叶滤波器进行降噪再提取原始图像中的空间特征，降低噪声和光照变化等图像因素的干7b四维数组，其中，为训练时的batch_size大小，本发明设置为4，表示1张b3x3bx2x256x256分割网络（SemanticSpatialConsistencySemanticSegmentationNetwork，SSC_3x3bx2x256x256bx32x256x2563x3是指通道数，将特征通道数由2变为32，输出为bx32x256x2563x38大池化以及部分卷积块，bx32x256x256的特征经过最大池化变为了bx32x128x128，随割的精度和鲁棒性，bx32x128x128的特征变为了bx16x128x128，将部分卷积的特征输入常规卷积中，特征变为bx64x128x128，再将bx64x128x128的四维特征送入与第一层一致，输出的特征分别为bx256x32x32、bx512x16x16、bx1024x8x8。景的捕捉，进而确保了信息的全面性和丰富性。bx32x256x256特征数据输入伽柏傅里叶后通过激活函数提高输出特征的表达能力，再利用填充操作以及dropout处理迭代更新中[0042]xso=xxcos(angle)+yxsin(angle)（1）[0043]ywwo=-xxsin(angle)+yxcos(angle)（2）[0047]经过伽柏傅里叶滤波器的特征尺寸不变，依然为bx32x256x256。为进一步关注特征尺寸不一，无法直接拼接，第二层采用双线插值进行尺寸统一，拼接特征变为9bx96x8x8的四维数据。由于空间信息随着特征提取主通道的变深而比例变少，空间提取拼接得到此通道最终特征，尺寸为bx224x8x8。征进行拼接，得到bx992x8x8的四维特征数据。特征进行第一维度拼接相加，拼接结果特征为bx2240x8x8的四维特征，随后将其送入卷特征，再将其经过平均池化层、sigmoid层与两次卷积核为3x3的常规卷积，得到结果果。DiceLoss中均加入了双线插值上采样操作，将bx2x64x64的四维特征变为分利用全局上下文信息，从而无法准确分割出图像边缘建筑物。相对于其他方法，SSC_