(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 202211295719.3 (22)申请日 2022.10.21 (71)申请人 河北省科 学院地理科 学研究所 地址 050000 河北省石家庄市长安区西大 街94号 (72)发明人 郝庆涛　孙雷刚　鲁军景　左璐　 刘剑锋　尚月敏　马晓倩　黄亚云　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 专利代理师 郜彦茹 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/42(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于遥感影像的语义分割模型 (57)摘要 本发明公开了一种基于遥感影像的语义分 割模型， 该模型在双重注意力网络DANet 的基础 上进行改进， 在保持原模型分割精度的同时， 大 幅减少了参数量和计算量， 提高了模 型训练和应 用的效率。 该模型能够快速、 准确地从大批量、 大 范围的遥感影像中提取土地覆 被类型分类信息， 为基于遥感影像快速、 准确和智能化的信息提取 提供了手段， 操作简单， 易于在大尺度范围推广 应用。 权利要求书1页 说明书4页 附图4页 CN 115546647 A 2022.12.30 CN 115546647 A 1.一种基于 遥感影像的语义分割模型， 其特 征在于， 包括以下步骤： S1， 获取原始遥感影像并进行预处理， 得到像元值为地物真实反射率的多光谱遥感影 像结果图； S2， 针对步骤S1得到的多光谱遥感影像结果图按照预定尺寸进行规则化切片得到若干 规则化的遥感影 像切片， 这些规则化的遥感影 像切片构成了遥感影像切片集 合； S3， 针对步骤S2得到的遥感影像切片集合， 将遥感影像切片集合中的遥感影像切片依 次输入至基于改进的双重注意力模块的遥感影像语义分割模型MDA Net中， 通过遥感影像语 义分割模 型MDANet的MobileNetV2解码器网络对遥感影像切片中的红绿蓝三个波 段的数据 进行特征提取， 得到 遥感影像切片浅层特 征和遥感影 像切片深层特 征； S4， 针对步骤S3得到的遥感影像切片深层特征， 将遥感影像切片深层特征输入至一个 改进的双重注 意力模块MDAM中， 双重注意力模块MDAM对遥感影像切片深层特征的空间维和 通道维的语义相关性进行建模， 得到注意力增强的遥感影 像切片增强深层特 征； S5， 针对步骤S3得到的遥感影像切片浅层特征和步骤S4得到的遥感影像切片增强深层 特征， 通过跳跃结构将遥感影像切片增强深层特征与遥感影像切片浅层特征进行融合， 得 到包含细节信息的深层特 征图； S6， 针对步骤S5得到的深层特征图进行解码， 将深层特征图通过双线性内插进行上采 样恢复到输入的遥感影像切片的原始尺寸并经Softmax分类器进行分类， 得到遥感影像切 片对应的土地覆被分类结果图； S7， 基于步骤S6得到的全部的土地覆被分类结果图进行合并， 得到土地覆被分类最终 结果图； S8， 利用精度OA验证遥感影 像语义分割模型MDANet的分割精度。 2.如权利要求1所述的一种基于遥感影像的语义分割模型， 其特征在于， 所述步骤S4中 的用于对遥感影像切片深层特征的空间维和 通道维的语义相关性进行建模的改进的双重 注意力模块MDAM的特 征为： (1)将遥感影像切片深层特征输入至通道非局部块CNLB中， 对遥感影像切片深层特征 的通道维度的相关性进行建模， 得到处 理后的通道相关性建模的特 征数据； (2)将经通道非局部块CNLB处理后的通道相关性建模的特征数据输入至空间非局部块 PNLB中， 对遥感影像切片深层特征的空间维度的相关性进行建模， 生成对空间维和通道维 的相关性进行建模的新的特 征图。 3.如权利要求1所述的一种基于遥感影像的语义分割模型， 其特征在于， 所述步骤S8中 遥感影像语义分割模型MDANet的精度OA的验证公式为： 其中， OA是模型的总体精度， 表示分割结果中所有覆被类型预测正确的像元数占总像 元数的比例， OA值越接近1， 模 型表现越好； TP、 TN、 FP、 FN分别代表真正类、 真负类、 假正类以 及假负类。权　利　要　求　书 1/1 页 2 CN 115546647 A 2一种基于遥感影像的语 义分割模型 技术领域 [0001]本发明涉及一种基于遥感影像的语义分割模型， 属于电数字数据处理、 视觉影像 处理以及遥感图像处 理领域。 背景技术 [0002]基于遥感影像的土地覆被分类是指根据遥感影像上不同土地覆被类型的特点、 以 及它们之间的差异性进行分类， 土地覆被分类是土地资源监测、 国土空间规划 等应用的基 础， 研究基于 遥感影像的土地覆被自动化分类具有重要意 义。 [0003]传统的基于遥感影像的土地覆被分类方式是通过目视解译结合专家知识进行判 读， 工作量大、 耗时长、 主观性较强， 难以实现对土地覆被分类结果的动态更新。 近年来遥感 技术飞速发展， 在国土、 农业、 环保等众多 领域得到了广泛的应用。 与此同时， 以深度卷积神 经网络(Deep  Convolutional  Neural Network， DCNN)为代表的人工智能技术发展 迅速， 在 图像识别与分类、 目标检测等领域取 得了显著的效果。 [0004]由于DCNN能够通过训练自动地学习、 提取图像的高级特征， 这些高级特征对于复 杂场景的理解以及区分非常有效， 很多研究人员将D CNN引入到基于遥感影像的土地覆被分 类中来， 利用基于DCNN的语义分割模型实现遥感影像的土地覆盖自动化分类， 取得了一定 的效果。 然而， 与自然场景可见光图像不同， 遥感影像具有场景复杂度高、 目标尺度差异大 以及分布不均衡等特点， 使得遥感影像在提供更多信息的同时， 也给基于遥感影像的语义 分割任务带来了巨大的挑战。 [0005]目前可以通过自注意力机制的上下文语义建模， 集成更多的上下文信息以扩大神 经网络的感受野， 提高对遥感影像分布不均衡且尺度多样的目标的识别能力， 如DANet(Fu 等， 2019)和CCNet(Huang等， 2019)利用非局部块思想通过模拟像素级的成对关系来聚集远 程空间信息 。 但是这种方式会带来巨大的参数量和过高的计算成本， 难以得到有效使用。 [0006]综上所述， 由于遥感影像具有场景复杂度 高、 目标尺度差异大且分布不均衡 的特 点， 现有的基于自注意力机制的遥感影像的语义分割模型能够提高对遥感影像分布不均衡 且尺度多样的目标的识别能力， 但是会带来巨大 的参数量和过高的计算成本， 难以得到有 效使用。 如何构建一种适用于遥感影像的语义分割模型， 在保持对遥感影像分布不均衡且 尺度多样的目标的识别能力的同时又能够有效减少参数量及计算成本， 提高模型的应用效 率是当前研究的热点问题。 发明内容 [0007]针对现有研究和技术存在的不足， 本发明提出了一种基于遥感影像的语义分割模 型， 充分考虑了遥感影像场景复杂、 地物目标尺度差异大且分布不均衡的特点， 通过提出的 改进的双重注意力模块MDAM， 从空间维度和通道维度进行全局上下文语义建模， 其中空间 非局部块PNLB对融合特征结果图的不同空间位置、 不同尺度的相同地物进行特征增强， 通 道非局部块CNLB对特征图的不同通道间的相关性进 行增强， 不仅有效的解决了遥感影像地说　明　书 1/4 页 3 CN 115546647 A 3