基于深度學習的高分辨率遙感圖像分割方法

王 偉

（河南工業貿易職業學院 信息工程學院， 鄭州 450053）

0 引 言

遙感技術不斷發展，再加上衛星圖像分辨率的提高，高分辨率的遙感圖像已經成為當代眾多建設領域的重要資料來源［1］。 高分辨率遙感圖像的出現，能夠快速提取地面物體信息，同時對被提取物體的形狀、外觀特點、紋路等特征信息有很好的識別效果，使得遙感圖像的應用領域更加廣泛，在城市規劃、災難警報、繪制地圖等行業中都有舉足輕重的作用，對于各行各業的發展都具有十分重要的意義。然而，高分辨率遙感圖像的廣泛應用，導致遙感圖像數據的數量越來越多，從海量的數據中提取出有效的信息成為一件極為困難的事情［2］。 傳統的處理高分辨率遙感圖像的方法，在實際應用時不僅需要花費大量的人力和物力，而且還很難達到理想的效果。 深度學習的快速發展為各行各業提供了新的發展思路，對高分辨率遙感圖像目前面臨的問題也提出了新的解決方法。 因此，本文以深度學習為基礎，設計了一種新的高分辨率遙感圖像分割方法，對于提高遙感圖像的分割精度有著一定的指導意義。

1 高分辨率遙感圖像分割方法設計

1.1 遙感圖像預處理

在遙感圖像中，為了提高圖像的質量就要對原始的圖像進行預處理。 現在遙感圖像數量眾多，大多數為小目標，小目標的遙感圖像只有幾十個像素，而大目標雖然占比較小，但普遍在五萬像素左右［3］。 大目標和小目標遙感圖像相差甚多，就會導致相對類型的實物尺寸也相差很多，增加了遙感圖像分割的難度，再加上遙感圖像的成像高度甚高，圖像中大多都為小目標，這就導致圖像在處理的過程中很容易出現細節信息丟失的情況，甚至會導致與小目標相關的特征完全缺失。 此外，在實際應用中，高分辨率的遙感圖像中會存在大量具有復雜邊界的目標，比如輪船、港口、戰斗機等，這些圖像類型的邊界非常多變，如果直接對圖像進行處理，就很難將其中復雜的形狀細節刻畫得十分完整，甚至在處理過程中直接導致一部分細節信息丟失，增加目標檢測的難度，直接影響遙感圖像分割的效果［4］。 因此，對遙感圖像進行預處理是非常重要的，在進行預處理的過程中要保留圖像本身的紋理信息，并很好地消除隨機噪聲，保護好圖像的邊緣，避免邊緣出現模糊等情況，影響遙感圖像的后期處理。 同時，圖像邊緣像素的變化會呈現出梯狀，這時就要將圖像的邊緣進行異性擴散處理，保證圖像邊緣處的平滑度，保留重要的細節信息。

1.2 遙感圖像特征提取

遙感圖像的預處理完成后，就要對預處理好的遙感圖像進行特征提取，本文利用特征檢測的方法提取遙感圖像的特征。 將遙感圖像的特征屬性分為3 個部分，分別是圖像紋理、圖像極值、圖像灰度低區域，圖像紋理是指將遙感圖像放在一定的空間內，圖像本身會按照規定的形式變化，最終產生出一定圖案和模式，作為特征提取時的重要依據；圖像極值是指圖像的結構和大小，在不同形態下對圖像提取造成的影響大?。?］；圖像灰度低區域是指遙感圖像中灰度為零的區域，該區域的閾值比較低，在進行處理的時候變化不會很明顯。 在實際的提取中，還會考慮光譜信息，彩色圖像可以看作是光譜圖像中一個比較特別的區域，其提取方法和其他圖像不同，在提取時要保證對提取目標的邊緣檢測，可以將紋理梯度圖和梯度圖像結合在一起，從中截取兩者的優勢，從而提高對遙感圖像特征的提?。?］。 此外，對于小目標遙感圖像來說，由于圖像像素過小，在提取時要注意形狀因子對其的影響，以免提取失敗。

1.3 遙感圖像濾波

提取遙感圖像特征后，為了獲得更高的遙感圖像分割精度，還要對遙感圖像進行濾波處理。 在獲取遙感圖像的過程中，會受到多種因素的影響，比如空氣濕度、光照強度等，這些都會影響遙感圖像的細節信息。 高分辨率的遙感圖像相對于普通的遙感圖像受到的影響會更大，再加上高分辨率遙感圖像有更加豐富的細節信息，因此，這些影響因素也會通過圖像紋理、圖像灰度等方面展現出來，因此特征提取后，要進行濾波處理［7］。 本文中使用濾波處理方法對遙感圖像進行平滑處理，能將遙感圖像的均值變寬；通過漂移濾波保證遙感圖像邊緣處的正常。 同時，將濾波處理后的圖像結構當作圖像的特征，也能增加遙感圖像各個區域的光譜一致性，減少隨機噪聲的出現。 具體的濾波處理過程如式（1）所示：

其中，yj表示本次濾波處理中移動點的痕跡；xi表示原始的圖像；yi，j＋1表示進行濾波處理后的圖像；w（xi） 表示與xi相關的權重系數；G（x） 表示與w（xi） 相對應的核函數；h表示空間特征帶寬常數。

通過公式（1），得到平滑后的遙感圖像，并知道該圖像是否可以進行同質化合并，很好地保持了異質區之間的信息不會丟失。

1.4 基于深度學習的遙感圖像分割

本文基于深度學習的方法，對濾波處理后高分辨率遙感圖像進行分割處理。 在深度學習的支持下，可以接收任何尺寸的圖像輸入，并在每一個特征圖譜上進行采樣，使圖像恢復到和輸入圖像相同的尺寸，同時對每個像素的圖像都產生了一個預測，同時也會保留原始輸入圖像的相關信息，最后再根據采樣出來的特征圖進行分類。

在實際應用中，由于高分辨率遙感圖像分割方法輸出層較多， 會將每個輸出層固定為一個尺寸，即a ×b ×c，其中，a、b表示是遙感圖像的空間維度，c表示圖像特征或者通道維度。 因此，在第一個輸出層中，圖像的像素大小為a × b，同時帶有c個通道，之后的輸出層按照這個規律持續后推。 同時在圖像中，較為高級的圖層會和圖像自身的相對應，這個互相對應的區域被稱為接收域。 由于深度學習的方法具有平移不變的特性，所以高分辨率遙感圖像會在局部輸入域上運行，并且十分依賴相對應的空間坐標。 因此，在分割過程中，運用深度學習的方法，檢測出遙感圖像中每個數據點的模點，其具體檢測過程如式（2） 所示：

其中，g表示每個數據點的模點；f表示被檢測的遙感圖像；b表示遙感圖像的結構元素。

通過式（2）確定遙感圖像的模點，再將相同模點的數據點收斂到同一個區域，得到初步分割的結果，初步分割結果，式（3）：

其中，D表示遙感圖像初步分割結果；x表示遙感圖像上模點的紋理特征；y表示遙感圖像上模點的形態特征；i表示遙感圖像初始分割后的變化參數。

將像素點較小的區域和周邊區域進行融合，得到最終的分割結果，式（4）：

其中，w表示模點與周邊區域融合的權重系數，P表示最終的遙感圖像分割結果。

通過式（4），將高分辨率遙感圖像的最終結果展現出來，對比分割前后的遙感圖像的效果。

2 實驗結果

2.1 實驗準備

為了驗證本文設計的基于深度學習的高分辨率遙感圖像分割方法的分割精度，本文從某數據集中選取了5 張高分辨率遙感圖像作為實驗圖像，圖像中包含了多種土地類型，包括植被、建筑、水體、道路以及其他類型，統計土地類型在遙感圖像中所占的百分比，具體統計結果見表1。圖像 植被 建筑 水體 道路 其他

表1 遙感圖像中土地類型的分布統計Tab.1 Statistics of the distribution of land types in the remote sensing images %

在實驗中，由于5 張遙感圖像的像素并不相同，其中2 張圖像為4 011×6 116 像素，2 張圖像為7 969×5 142 像素，1 張圖像為3 367×4 568 像素，為了減少實驗中偶然性的出現，將5 張遙感圖像全部裁剪成512×512 像素大小的圖像。

2.2 實驗結果與討論

為了驗證4 種遙感圖像分割方法的分割精度，本次實驗以某次競賽的評估方案——分割精度作為評價指標，來評價4 種遙感圖像分割方法。 分割精度QA的計算如式（5） 所示：

其中，TP表示檢測的占比和實際占比相等的數量，N表示整個樣本的數量。

同時，為了保證實驗的準確性和非偶然性，本次實驗還設置了3 個對照實驗，其中，對照實驗1 是基于人工智能技術的高分辨率遙感圖像分割方法，對照實驗2 基于標記分水嶺的高分辨率遙感圖像分割方法，對照實驗3 是曲波特征加權的高分辨率遙感圖像統計分割方法。 計算出4 種方法的分割精度，見表2。 采用本文所提方法對遙感圖像進行分割，分割精度最高為96.7%，最低為93.5%，均值為94.68%；而對照實驗的分割精度均低于90%，說明本文設計的基于深度學習的高分辨率遙感圖像分割方法具有更高的分割精度，在實際應用中效果更好。

表2 4 種方法分割精度對比Tab.2 Comparison of segmentation accuracy between four methods

3 結束語

圖像分割在遙感領域中占有重要地位，圖像分割能夠更加快速地得到圖像的整體信息。 在深度學習的快速發展和對遙感領域的大力支持下，遙感圖像的分割已經被應用到了多個領域當中。 本文設計的基于深度學習的高分辨率遙感圖像分割方法對遙感圖像的分割有著一定的參考價值，雖然其中還存在些許不足，在之后的研究中會不斷完善。