(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210675935.4 (22)申请日 2022.06.15 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 韩振　吕宁　陈晨　原昊　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/34(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/13(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于分级轮廓代价函数的遥感图像语义分 割方法 (57)摘要 本发明公开一种基于分级轮廓代价函数的 遥感图像语义分割方法， 用于分割高分辨率遥感 图像。 其实现步骤为： 1、 生成训练集； 2、 构建 Inception ‑v3U‑Net分割网络； 3、 训练 Inception ‑v3U‑Net网络； 4、 预测遥感图像。 本发 明构建训练网络Inception ‑v3U‑Net， 降低计算 量和参数量， 提高训练效率。 本发明构造分级轮 廓代价函数监督网络损失， 增强模 型分割前景轮 廓的能力， 以卷积核依次膨胀后减去腐蚀的方法 细化了轮廓判定范围， 提高轮廓分类的准确性。 同时本发明给相对轮廓距离相同的背景与前景 两个方向的轮廓层级赋予两两对应且互补的超 参数， 以实现轮廓的精确分割。 权利要求书2页 说明书7页 附图2页 CN 114972759 A 2022.08.30 CN 114972759 A 1.一种基于分级轮廓代价函数的遥感图像语义分割方法， 其特征在于， 构建 Inception ‑v3 U‑Net分割网络， 利用分级轮廓代价函数监督分割网络的损失； 该分割方法 的具体步骤如下： 步骤1， 生成训练集： 步骤1.1， 随机选取前景与背景比例均衡的至少20张高分辨率遥感图像及其相对应的 标签图像； 将每张高分辨 率图像以及相对应的标签图像均裁 剪为224×224像素大小； 步骤1.2， 选取裁剪后标签图像 中前景像素占比在10 ％以上的标签图像， 以及与标签图 像所对应的遥感图像组成训练集； 步骤2， 构建I nception‑v3 U‑Net分割网络： 步骤2.1， 构建1个卷积模块： 搭建一个由第一卷积层、 第二卷积层串联组成的卷积模块； 将第一、 第二卷积层的卷积核大小均设置为1 ×1， 步长均设置为1， 边缘填充均设置为 1； 步骤2.2， 构建上采样子网络： 搭建一个由第一上采样模块、 第二上采样模块、 第三上采样模块、 CBR模块依次串联组 成的上采样子网络作为解码器； 第一至第三上采样模块的结构相同， 每个上采样模块的结 构依次为： 第一卷积层、 第二卷积层、 第三卷积层、 Batc hNorm层、 激活层、 上采样层； 将第一至第 三卷积层的卷积核大小均设置为3 ×3， 步长均设置为1， 边缘填充均设置为 1， 将激活层的负数部分的斜率设置为0.2， 激活层采用LeakyReLU函数实现， 上采样层采用 二倍最近邻上采样方式； CBR模块的结构依次为： 卷积层、 BatchNorm层、 激活层； 将卷积层的卷积核大小设置为3 ×3， 步长设置为1， 边缘填充均设置为1， 激活层的负数部分的斜率设置为0.2， 激活层采用 LeakyReLU函数实现； 步骤2.3， 采用concatenate方式， 将上采样子网络中的三个上采样模块的输入分别与 Inception ‑v3网络中的三个Inception模块的输 出连接、 输入模块的输出与CBR模块的输入 连接后， 组成具有跳连接结构的I nception‑v3网络； 步骤2.4， 将具有跳连接结构的Inception ‑v3网络、 卷积模块、 上采样子网络依次串联， 组成Inception‑v3 U‑Net网络； 步骤3， 训练I nception‑v3 U‑Net网络： 将训练集输入到Inception ‑v3 U‑Net网络中， 使用梯度下降法， 迭代更新Inception ‑ v3 U‑Net网络中各层的参数， 直至总代价函数收敛为止， 得到训练好的Inception ‑v3 U‑ Net网络； 步骤4， 预测遥感图像： 步骤4.1， 将待预测所有遥感图像依次裁剪为224 ×224大小， 并对裁剪好的待预测遥感 图像标好序号； 步骤4.2， 将标号序号的图像依次输入训练好的Inception ‑v3 U‑Net网络， 得到裁剪后 遥感图像分割结果； 步骤4.3， 将裁剪后遥感图像的分割结果按照序号依次进行拼接， 得到最终的分割结 果。权　利　要　求　书 1/2 页 2 CN 114972759 A 22.根据权利要求1所述的基于分级轮廓代价函数的遥感图像语义分割方法， 其特征在 于， 步骤3中所述的总代价 函数如下： 其中， L表示总 代价函数， N表示训练集中样本的总数， ∑( ·)表示求和操作， j表示训练 集中样本的序号， LGCL(j)表示训练集中第j个样本的分级轮廓代价 函数； 所述的分级轮廓代价 函数LGCL(j)如下： 其中， Mgc表示训练集中第j个样本的分级轮廓权重矩阵Mgc中第i个像素 的权重， yi与 分别表示训练集中第 j个样本中第i个像素的真实值与预测值， log( ·)表示以2为底的对 数 操作； 所述的分级轮廓权 重矩阵Mgc如下： 其中， G表示轮廓矩阵的向内分级级数， 将 目标区域的内部作为轮廓矩阵的正向， 目标 区域外部作为轮廓矩阵的负向， g表示轮廓矩阵中级数的序号， Gauss( ·)表示高斯卷积函 数， Kg表示第g级轮廓范围超参数， Γ表示每级轮廓 的划分结果， δ表示轮廓范围的判定结 果； 所述的每级轮廓的划分结果Γ是由下式得到的： 其中， Y表示训练集中的标签 图像， S代表对标签 图像进行膨胀或腐蚀操作时使用的卷 积核， (Y； S)α表示对标签图像的膨胀或腐蚀操作， α为正数时表示对标签图像进行膨胀操 作， α 为负数时表示对标签图像进行腐蚀操作； 所述的轮廓范围的判定结果 δ 是由下式得到的： δ ＝255·One‑((Y； S)+1)‑(Y； S)‑1)) 其中， One表示 一个元素数值全为1的矩阵。权　利　要　求　书 2/2 页 3 CN 114972759 A 3