一种基于U-Net和轮廓近似算法的遥感图像分割方法与流程

本发明属于遥感图像分割领域，具体涉及一种基于u-net和轮廓近似算法的遥感图像分割方法。

背景技术：

1、遥感图像分割是图像理解中的一个重要分支，在城市规划、变化检测以及地理信息系统构建等方面有着十分广泛的应用。遥感图像分割方法主要分为三大类:基于光谱的、基于空间的和基于语义的分割方法。

2、基于光谱的图像分割方法也称为基于点/像素的图像分割方法，主要集中于对单个像素的分析。其中，阈值分割是一种最古老、应用最广泛的基于光谱的图像分割算法，它包括图像阈值分割和特征空间分割。阈值算法假设像素属于感兴趣的图像对象，具有相当明显的属性。聚类方法也是一种基于光谱的图像分割算法，通常涉及对光谱特征空间进行划分，将单个像素分配到一个聚类中，而不考虑它们的邻居。接下来，需要一个后处理步骤，通过合并具有相同簇值的相邻像素来创建区域。

3、基于空间的图像分割方法包括边缘检测算法、区域合并算法和图划分算法。其中，基于边缘的图像分割方法模仿人类理解图像对象的方式，试图检测区域之间的边缘，并将区段定义为这些边缘范围内的区域。基于区域的图像分割算法可以分为区域增长、区域合并和分割。区域生长技术(自下而上的方法)倾向于聚集像素，从几个种子像素开始。然后，根据相似性标准将相邻像素连接到这些主种子像素，并保持该过程，直到达到目标阈值。在基于图的方法框架中，图像分割被视为图划分问题，其中节点通常描述单个像素或区域，而边缘连接空间相邻节点。每条边的权重表示像素之间的不相似性。主要思想是识别子图，对应于图像中的聚类。

4、与上述专注于提取同质区域的方法不同，语义分割方法为每个像素分配其相应图像对象的类标签。作为一种基于学习的框架，语义分割受到机器学习的影响，有几组相对成熟的算法被提出，包括马尔可夫随机场、贝叶斯网络、k最近邻算法、支撑向量机和随机森林算法。最近，由于深度学习(dl)架构，语义分割的性能得到了快速增强。dl网络由几个层(通常称为隐藏层)组成，这些层将输入数据(图像)转换为输出(对象标签)。特别是，基于卷积神经网络(cnn)的语义分割模型的兴起和全连接网络(fcn)的发展有助于遥感图像语义分割的突破。基于fcn的改进网络也相继被广泛提出，其中大多数网络都采用编码器–解码器架构，例如segnet和u-net等。相比于传统的基于光谱或空间的图像分割算法，深度学习方法的优点在于它们的性能更优，对标注数据依赖较少，可以更好地处理复杂的图像分割任务。同时，与segnet等网络结构相比，u-net具有训练时间短，结构简单，样本需求少等优势，适用于样本量不足的情况。

技术实现思路

1、(一)要解决的技术问题

2、本发明要解决的技术问题是如何提供一种基于u-net和轮廓近似算法的遥感图像分割方法，以解决。

3、(二)技术方案

4、为了解决上述技术问题，本发明提出一种基于u-net和轮廓近似算法的遥感图像分割方法，该方法包括如下步骤：

5、s1、获取原始图像，并进行预处理操作；预处理操作包括图像的重新尺寸定义、归一化和标准化；

6、s2、使用训练数据集对图像分割模型u-net进行训练，将预处理后的图像输入训练好的图像分割模型u-net，进行初步推理得到分割图像；

7、s3、获取分割图像中的目标并进行后处理操作，得到最终图像，其中，后处理操作包括二值处理、轮廓检测和最小外包矩形框生成。

8、(三)有益效果

9、本发明提出一种基于u-net和轮廓近似算法的遥感图像分割方法，对低空无人机拍摄下的大棚进行检测，之后采用轮廓近似算法对检测的初步结果进行四边形拟合，本发明清晰地表示图像中大棚的边界。本发明适用于样本量较少在情况，本发明的轮廓近似算法将分割出的目标进行四边形拟合，更加突出目标所在区域。

技术特征：

1.一种基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，该方法包括如下步骤：

2.如权利要求1所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，所述s1中，将原始图像尺寸重新定义为256*256，并将[0,255]的像素值归一化为[0,1]，再对归一化的图像进行标准化。

3.如权利要求2所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，归一化公式为：

4.如权利要求3所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，标准化时使用的标准化均值和方差采用imagenet数据集的均值和方差。

5.如权利要求4所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，三个通道的均值分别是mean＝(0.485，0.456，0.406)，方差分别是std＝(0.229，0.224，0.225)。

6.如权利要求1-5任一项所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，u-net网络结构是编码器-解码器结构，编码器包括卷积层和最大池化层，负责逐步提取输入图像的特征并降低空间分辨率；解码器包括卷积层和反卷积层，通过上采样操作将特征图恢复到原始输入图像的尺寸，并逐步生成分割结果；此外，u-net在解码器中引入了跳跃连接，即将编码器中的特征图与解码器中对应的特征图进行连接，跳跃连接帮助解码器更好地利用不同层次的特征信息，从而提高图像分割的准确性和细节保留能力。

7.如权利要求6所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，在使用u-net进行推理前，使用u-net在训练数据集上进行训练，保留训练后的权重，用于测试集的推理；在训练的过程中，训练数据集需要包括原始图片和标签图片，其中原始图片中包括丰富的物体，标签图片为二值图，白色区域为目标，其余均为黑色区域。

8.如权利要求7所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，二值处理时，通过设置阈值127将步骤s2推理得到分割图像转化成黑白二值图。

9.如权利要求8所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，轮廓检测时，调用opencv中的findcontours函数对二值图中的目标进行轮廓检测，轮廓检索模式选择retr_tree，即检索所有轮廓并建立一个等级树结构的轮廓；轮廓逼近方法选择chain_approx_simple，即压缩水平、垂直、对角线方向的元素，只保留该方向的终点坐标；最终返回轮廓坐标数组。

10.如权利要求9所述的基于u-net和轮廓近似算法的遥感图像分割方法，其特征在于，最小外包矩形框生成时，调用minarearect函数生成最小外包矩形框，该函数以轮廓坐标数组为输入，输出最小外包矩形的中心坐标、宽度、高度和旋转角度，最后调用drawcoutours函数在二值图上绘制该矩形框。

技术总结
本发明涉及一种基于U‑Net和轮廓近似算法的遥感图像分割方法，属于遥感图像分割领域。本发明获取原始图像，并进行预处理操作；预处理操作包括图像的重新尺寸定义、归一化和标准化；使用训练数据集对图像分割模型U‑Net进行训练，将预处理后的图像输入训练好的图像分割模型U‑Net，进行初步推理得到分割图像；获取分割图像中的目标并进行后处理操作，得到最终图像，其中，后处理操作包括二值处理、轮廓检测和最小外包矩形框生成。本发明能清晰地表示图像中大棚的边界，更加突出目标所在区域。

技术研发人员：刘朋杰,任建新,杨恒,陈美玲
受保护的技术使用者：北京计算机技术及应用研究所
技术研发日：
技术公布日：2024/8/20