CN119494961A 一种高分辨率遥感图像双分支分割方法 （无锡学院）

本发明公开了一种高分辨率遥感图像双分输入至高分辨率遥感图像语义分割网络模型中2次连接的第四改进深度可分离卷积模块、第二MobileVit模块和第四多层感知轴向注意力预处理后的遥感图像即原始输入图像作为细节分支第一层卷一层输出的细节特征图以及原始输入图像分别作为语义分支第一层双边特征聚合模块的第四残差模块的输出以及语义分支第五层第四多层感知轴向注意力模块的输出分别作为以及语义分支第六层第五多层感知轴向注意力模块的输出分别作为细节分支第四层第三上采样部分包括依次连接的双边引导聚合模块和分割头模步骤3，将步骤1的训练集输入至步骤2构建的高分辨率遥感图像语义分割网络模型中利用步骤1的验证集对最佳参数网络模型进2.根据权利要求1所述的高分辨率遥感图像获取Vaihingen和Potsdam遥感图像数据集，Vaihingen和Potsd3将Vaihingen遥感图像数据集中的原始遥感图像及对应的标签图采用最远点随机裁剪数据增强方法进行裁剪，使得裁剪得到的图像大小为256x256像素，得到预处理后的将Potsdam遥感图像数据集中的原始遥感图像与对应的标签图裁剪为256x256像素将预处理后的Vaihingen和Potsdam遥感图像数据集按照5:2:3的比例进行划分，得到所述可变通道空间金字塔模块包括三个分支，其中，第一个分支对4个池化结果并相加，得到第三层池化特征图；对第三层池化特征图进行1X双边特征引导融合模块的结构相同，将双边特征引导融合模块的两个输入xins和xias进行征图使用Sigmoid激活函数并根据双边特征引导融合模块的两个输入xins和xias维度分割x至6任一项所述的高分辨率遥感图像双分支8.一种计算机可读存储介质，所述计算机可读存储介质5每个像素进行语义分类，从而提供对遥感图像中不同元素的空间布局和范围的透彻理解，捕获全局上下文信息的Transformer架构为遥感图像语义分割提供了新的思路。Wang等人al.(2022).UNetFormer:AUNet_liketransformerforefficientsemanticsegmentationofremotesensingurbansceneimagery.ISPRSJournalofPhotogrammetryandRemoteSensing,190,196_214具有基于CNN的编码器和基于Transformer的解码器，用于对遥感城市场景图像进行有效的语义分割。Chen等人提出了TransUNet网络（ChenJN,LuYY,YuQH,etal.(2021).Transunet:Transformersmakestrongencodersformedicalimagesegmentation.arXivpreprintarXiv:2102.04306将Trans器_解码器这种结构会导致小目标信息丢失的问题，网络可能无法保留分割精度较高的细6括依次连接的第四改进深度可分离卷积模块、第二MobileVit模块和第四多层感知轴向注支第一层输出的细节特征图以及原始输入图像分别作为语义分支第一层双边特征聚合模三层第四残差模块的输出以及语义分支第五层第四多层感知轴向注意力模块的输出分别输出以及语义分支第六层第五多层感知轴向注意力模块的输出分别作为细节分支第四层步骤3，将步骤1的训练集输入至步骤2构建的高分辨率遥感图像语义分割网络模将Vaihingen遥感图像数据集中的原始遥感图像及对应的标签图采用最远点随机将Potsdam遥感图像数据集中的原始遥感图像与对应的标签图裁剪为256x2567将预处理后的Vaihingen和Potsdam遥感图像数据集按照5:2:3的比例进行划分，[0008]作为本发明的一种优选方案，第一至第五改进深度可分中，第一标准卷积模块对改进深度可分离卷积模块的输入进行3第二标准卷积模块对多尺寸特征图进行1X1卷积、BN归一化和S[0009]作为本发明的一种优选方案，第一至第五多层感知轴向将多层感知轴向注意力模块的二维输入特征图沿水平方向和竖直方向重塑为水平一维特8双边特征引导融合模块的两个输入xins和xias进行拼接，对拼接结果分别进行池化核大小均为1的最大平均池化和自适应平均池化，将两个池化结果相加并进行两层卷积核大小为边特征引导融合模块的两个输入xins和xias维度分割生成两个通道权重w31和w41，将x将特征图X31和拼接，对拼接结果进行卷积核大小为3、步长为1的普通卷积Xz相乘，并对相乘结果使用Sigmoid激活函数生成两个权重w32和w42，W32与x31相乘算机程序被处理器执行时实现所述的高分辨率遥感图像双分图9是本发明提出的高分辨率遥感图像双分支分割方法在Potsdam数据集上的分9图10是本发明提出的高分辨率遥感图像双分支分割方法在Potsdam数据集上的分[0020]数据集预处理具体为：将Vaihingen数据集中的原图与对应的标签图按顺序裁剪集中的原图与对应的标签图按顺序裁剪为大小为256x256像素的图片，采用了多种图像块和MobileVit模块构成高分辨率遥感图像语义分割网络的语义分支，BGA模块和SegHead模块构成高分辨率遥感图像语义分割网络的上采样图；对细节分支浅层特征图进行3X3卷积、BN归一化和R出原始输入图像1/4分辨率的特征图；语义分支第二、三层为改进深度可分离卷积模块和进深度可分离卷积模块中对浅层全局特征图进行3X3卷积、BN归一化直方向展平为水平一维特征和竖直一维特征。对水平一维特征进行池化核大小为3的最大行残差连接和层归一化，输出Transformer模块特征图。将Transformer模块特征图进行1X1卷积、BN归一化和SiLU激活操作后与语义分支第四层多尺度融然后与BFGF模块第一部分输出特征图分别相乘，最后相加输出细节分支第二层细节特征分支第三层堆叠了2个ResBlock模块和1个BFGF模块，输出原始输入图像1/8分辨率的特征2.4得到的第六层全局特征图作为BGA模块的输入，输出原始输入图像1/16分辨率的特征层细节特征图依次进行卷积核大小为3、步长为2的普通卷积和池化核大小为3最大平均池[0028]步骤3：将步骤1中经过预处理的训练集输入至步骤2中的高分辨率遥感图像语义过预处理的训练集和验证集数据输入至步骤2中的高分辨率遥感图像分割网络，生成语义,,[0038]SCSP模块将图5输出的多尺度融合特征图作为输入，利用特征重塑分别将二维输池化核大小为3的最大池化和平均池化，输出两个池化结果并相加，得到第一层池化特征一维特征操作步骤，输出竖直二维特征图。对水平二维特征图和竖直二维特征图使用[0039]本发明提供的BFGF模块的结构如图6所示：BFGF模块第一层为并列的池化核大小[0040]BFGF模块将步骤2.2ResBlock模块特征图和语义分支第四层全局特征图作为输[0043]本发明提供的SegHead模块的结构如图8所示：SegHead模块第一层进行卷积核大[0045]为了证明本实施例提供的高分辨率遥感图像双分支分割方法的有效性，使用[0046]本发明提出的高分辨率遥感图像双分支分割方法在Vaihingen数据集上的指标对[0048]本发明提出的高分辨率遥感图像双分支分割方法在Potsdam数据集上的指标对比[0055]这些计算机程序指令也可存储在能引导计算机或其他可编程数