一种基于信息追溯的高分辨率遥感图像分割系统

摘要

本发明公开了一种基于信息追溯的高分辨率遥感图像分割系统，包括：图像采集模块：采集高分辨率遥感图像，图像边缘锐化；学习训练模块：采集样本图像并制作标签；建立受限波尔兹曼机深度学习模型；用若干个样本图像及标签输入受限波尔兹曼机深度学习模型，不断训练受限波尔兹曼机深度学习模型的权重参数；优化模块：对受限波尔兹曼机深度学习模型进行优化，用训练模型处理实际采集的现场图像；信息追溯模块：自动获取图像的语义分割结果，并进行信息追溯保存。本发明实用性和适用性非常强，针对不同类型的遥感数据，包括MODIS、TM中低分辨率影像，QuickBird、IKONOS高分辨率遥感图像都能达到很高的分割效果。

说明书

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于信息追溯的高分辨率遥感图像分割系统。

背景技术

在遥感图像自动分类中，传统的基于数理统计的分类方法，主要包括最小距离分类、最大似然分类、波谱角分类、混合距离法分类等，主要依赖地物的光谱属性，基于单个像元进行分类。对于高光谱数据而言，由于波段多、数据量大、数据不确定性等，易受Hughes现象影响。而样本的获取在高光谱分类中往往是一项比较困难的工作，特别是采用高维特征向量时要求每类的样本数都要比特征维数高，因此在高维信息处理中的精度与效率和高光谱遥感信息精细光谱与大数据量之间仍然存在着极大的矛盾。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提出一种基于信息追溯的高分辨率遥感图像分割系统。

本发明采用的技术方案如下：一种基于信息追溯的高分辨率遥感图像分割系统，包括：

图像采集模块：采集高分辨率遥感图像，图像边缘锐化；

学习训练模块：采集样本图像并制作标签；建立受限波尔兹曼机深度学习模型；用若干个样本图像及标签输入受限波尔兹曼机深度学习模型，不断训练受限波尔兹曼机深度学习模型的权重参数；

优化模块：对受限波尔兹曼机深度学习模型进行优化，用训练模型处理实际采集的现场图像；

信息追溯模块：自动获取图像的语义分割结果，并进行信息追溯保存。

进一步，图像采集模块中，采用以视觉角度定义的HSI颜色模型，并采用通过RGB分量求均值的方式计算的HSI模型的亮度图像I进行处理，从高分辨率遥感图像边缘区域的分布特征出发，通过对每个像素点的循环迭代，采用最小邻域迭代法以及改进的行程分析法逐像素计算非连通域间的距离，并将非连通域间的最小距离表征高分辨率遥感图像边缘距离，统计所有高分辨率遥感图像边缘距离，计算边缘距离分布。

进一步，所述学习训练模块中，受限波尔兹曼机深度学习模型为：

1)粗分割模块：给定待分割灰度图像，建立CV模型对应的能量函数，将其最小化，得到粗分割结果；

2)训练CRBM模型：把一批已归一化至32×32大小的ground truth图作为训练集，送入到CRBM模型中训练；

3)生成形状模块：将归一化至32×32大小，并将其作为模型的输入，经过采样得到重建结果，将扩大至待分割图像大小。由下式计算生成形状距离函数；

4)边缘提取模块：用Canny算子提取原图像的边缘信息，并进行距离变换，由式(10) 计算边缘距离函数；

5)定义形状约束项：将3)中得到的与4)中得到的做点乘运算得到融合边缘信息和深度学习的目标形状，并将其表示成符号距离函数，由下式得到形状约束项；

E

6)CLG-CV图像分割模块：结合形状约束项和能量项，由式(13)得到新的能量函数E，求解对应欧拉-拉格朗日方程，使能量函数达到最小值，得到最终的分割结果：

进一步，优化模块中，对分割后的网络进行优化，在原始的U-net和DenseNet的网络结构中，在卷积层之后均选择ReLU作为网络的非线性激活函数。但ReLU函数在实际的训练过程中有时会发生梯度失活现象，当一个比较大的梯度流过一个ReLU神经元后，可能这个神经元的梯度将会永远变为零。当学习率很大的时候，使用ReLU激活函数会使得网络中很多神经元彻底失活。为了解决ReLU函数在训练过程中的不足，在本文所使用的的网络模型中，使用SeLU激活函数代替ReLU：SeLU相比于ReLU函数，引入2个参数

进一步，信息追溯模块中，通过信息溯保存遥感图像，包括数据采集层：由图像采集节点，网关实时采集上传遥感图像数据；数据存储层：由遥感图像数据库，各级路由组成的数据传输存储层面，将采集的数据实时上传、存储，并且向上位机提供所需数据进行处理；人机交互层：由基于C/S架构的客户端本地软件和基于B/S架构的遥感图像溯源网站组成人机交互层面，方便用户准确查询遥感图像信息。

本发明的有益效果是：本发明实用性和适用性非常强，针对不同类型的遥感数据，包括MODIS、TM中低分辨率影像，QuickBird、IKONOS高分辨率遥感图像都能达到很高的分割效果。

具体实施方式

一种基于信息追溯的高分辨率遥感图像分割系统，包括：

图像采集模块：采集高分辨率遥感图像，图像边缘锐化；

学习训练模块：采集样本图像并制作标签；建立受限波尔兹曼机深度学习模型；用若干个样本图像及标签输入受限波尔兹曼机深度学习模型，不断训练受限波尔兹曼机深度学习模型的权重参数；

优化模块：对受限波尔兹曼机深度学习模型进行优化，用训练模型处理实际采集的现场图像；

信息追溯模块：自动获取图像的语义分割结果，并进行信息追溯保存。

图像采集模块中，采用以视觉角度定义的HSI颜色模型，并采用通过RGB分量求均值的方式计算的HSI模型的亮度图像I进行处理，从高分辨率遥感图像边缘区域的分布特征出发，通过对每个像素点的循环迭代，采用最小邻域迭代法以及改进的行程分析法逐像素计算非连通域间的距离，并将非连通域间的最小距离表征高分辨率遥感图像边缘距离，统计所有高分辨率遥感图像边缘距离，计算边缘距离分布。

学习训练模块中，受限波尔兹曼机深度学习模型为：

1)粗分割模块：给定待分割灰度图像，建立CV模型对应的能量函数，将其最小化，得到粗分割结果；

2)训练CRBM模型：把一批已归一化至32×32大小的ground truth图作为训练集，送入到CRBM模型中训练；

3)生成形状模块：将归一化至32×32大小，并将其作为模型的输入，经过采样得到重建结果，将扩大至待分割图像大小。由下式计算生成形状距离函数；

4)边缘提取模块：用Canny算子提取原图像的边缘信息，并进行距离变换，由式(10) 计算边缘距离函数；

5)定义形状约束项：将3)中得到的与4)中得到的做点乘运算得到融合边缘信息和深度学习的目标形状，并将其表示成符号距离函数，由下式得到形状约束项；

E

6)CLG-CV图像分割模块：结合形状约束项和能量项，由式(13)得到新的能量函数E，求解对应欧拉-拉格朗日方程，使能量函数达到最小值，得到最终的分割结果：

优化模块中，对分割后的网络进行优化，在原始的U-net和DenseNet的网络结构中，在卷积层之后均选择ReLU作为网络的非线性激活函数。但ReLU函数在实际的训练过程中有时会发生梯度失活现象，当一个比较大的梯度流过一个ReLU神经元后，可能这个神经元的梯度将会永远变为零。当学习率很大的时候，使用ReLU激活函数会使得网络中很多神经元彻底失活。为了解决ReLU函数在训练过程中的不足，在本文所使用的的网络模型中，使用SeLU激活函数代替ReLU：SeLU相比于ReLU函数，引入2个参数

信息追溯模块中，通过信息溯保存遥感图像，包括数据采集层：由图像采集节点，网关实时采集上传遥感图像数据；数据存储层：由遥感图像数据库，各级路由组成的数据传输存储层面，将采集的数据实时上传、存储，并且向上位机提供所需数据进行处理；人机交互层：由基于C/S架构的客户端本地软件和基于B/S架构的遥感图像溯源网站组成人机交互层面，方便用户准确查询遥感图像信息。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。