(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210965865.6 (22)申请日 2022.08.12 (65)同一申请的已公布的文献号 申请公布号 CN 115049936 A (43)申请公布日 2022.09.13 (73)专利权人 深圳市规划 和自然资源数据管理 中心 （深圳市空间地理信息中心） 地址 518034 广东省深圳市福田区新闻路 69号1楼 专利权人 武汉大学 (72)发明人 李星华　王彩凤　李爽　郑晓云　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 20/70(2022.01) (56)对比文件 CN 112991354 A,2021.0 6.18 CN 113609889 A,2021.1 1.05 CN 114092832 A,202 2.02.25 CN 112084872 A,2020.12.15 CN 113689445 A,2021.1 1.23 CN 112883948 A,2021.0 6.01 CN 1076801 13 A,2018.02.09 CN 114332458 A,202 2.04.12 IN 201927054505 A,2020.01.17 US 2021201023 A1,2021.07.01 杨运龙 等.一种双路网络 语义分割模型. 《广东工业大 学学报》 .202 2,第39卷(第1期),第 63-70页. 杨运龙 等.一种双路网络 语义分割模型. 《广东工业大 学学报》 .202 2,第39卷(第1期), (续) 审查员 康环环 (54)发明名称 一种面向高分遥感影像的边界增强型语义 分割方法 (57)摘要 本发明涉及遥感影像语义分割技术领域， 公 开一种面向高分遥感影像的边界增强型语义分 割方法， 该方法包括： 预处理高分辨率遥感影像 数据， 获取边界标签数据和相应训练数据集； 搭 建面向高分遥感影像语义分割的边界增强型双 流网络模型， 包括含有多尺度特征提取模块、 混 合空洞卷积模块的语义分割分流网络与边缘检 测分流网络， 通过复用编码器特征和多级信息融 合模块实现特征深度耦合； 基于训练数据集和复 合损失函数完成双流网络语义分割模型的双任 务监督训练； 利用双流网络模型重叠推理测试样本集中高分遥感影像， 并通过着色 处理完成语义 分割。 本发明有效地改善了语义分割边界模糊、 类内不连续、 类间不可分等问题， 显著地提高了 语义分割性能。 [转续页] 权利要求书4页 说明书10页 附图2页 CN 115049936 B 2022.11.22 CN 115049936 B (56)对比文件 Hoin Jung 等.Boundary Enhancement Semantic Segmentati on for Bui lding Extracti on From Remote Sensed Ima ge. 《IEEE Transacti ons on Geoscience and Remote Sensing》 .2021,第6 0卷第63-70页.2/2 页 2[接上页] CN 115049936 B1.一种面向高分遥感影 像的边界增强型语义分割方法， 其特 征在于， 包括以下步骤： 步骤1， 获取高分辨 率遥感影 像原始数据集， 并将其划分为训练样本集与测试样本集； 步骤2， 预处 理上述高分辨 率遥感影 像训练样本集， 构建训练数据集； 步骤2中所述预处理包括： 高分遥感影像数据归一化、 地物类别标注数据类序转换、 边 界标签数据获取、 数据增强， 具体流 程如下： 步骤2.1， 对训练样本集中的高分遥感影像进行归一化处理： 具体地， 采用最大最小归 一化方法将像素值线性变换至 0‑1范围内， 形式如下： 其中 为高分遥感影像位置( i,j)处的像素值， 与 分别为影像中 的最大像素值与最小像素值， 为归一化处理后高分遥感影 像位置(i,j)处的像素值； 步骤2.2， 对训练样本集中的地物类别标注数据进行类序转换： 具体地， 首先构建地物 类颜色与类序号之间的映射关系， 然后按照该映射关系将RGB三通道地物类别标注数据转 换为单通道地物类别标签数据， 类别标签属于{0， 1， 2， ． ． ． ， k‑1}， 其中k为地物类别总数； 步骤2.3， 利用步骤2.2所得单通道地物类别标签数据获取边界类别标签数据： 具体地， 针对地物类别标签图 GT中每个像素 ， 利用其四邻域像素 辅助判断其是否属于边界像素， 所遵循规 则为： 如果像素 与其四邻域像素不全 部相等， 则 是边界像素； 如果像素 与 其四邻域像素全部相等， 则 不是边界像素； 步骤2.4， 对训练样本集经上述处理所获得的高分遥感影像数据、 地物类别标签数据以 及边界类别标签数据同步进行数据增强； 具体地， 首先利用固定大小为H ×W的滑动窗口进 行批量随机裁剪， 然后对所获裁剪切片进行随机旋转90 °、 随机旋转 180°、 随机旋转270 °、 水 平翻转、 垂直翻转， 完成训练数据集的构建； 步骤3， 搭建面向高分遥感影像语义分割的边界增强型双流网络模型， 包括语义分割分 流网络与边缘检测分流网络， 它们通过编 码器复用以及多级信息融合模块实现特征深度耦 合； 步骤4， 利用上述训练数据集对所述面向高分遥感影像语义分割的边界增强型双流网 络模型进行双任务 监督训练， 获得相应 语义分割模型； 步骤5， 利用步骤4所获语义分割模型对测试样本集中的高分遥感影像进行推理预测， 得到最终的分割结果。 2.根据权利要求1所述的一种面向高分遥感影像的边界增强型语义分割方法， 其特征 在于： 步骤3中语义分割分流网络采用编码 ‑解码范式架构， 具体搭建流 程为： 步骤3.1.1， 搭建含五级网络结构的特征编码器： 前三级分别包括连续的 n1、n2、n3个卷 积单元与 2×2最大池化层， 所述卷积单元为依次连接的3 ×3卷积层、 批归一化层、 线性整流权　利　要　求　书 1/4 页 2 CN 115049936 B 3