CN113449594A - 一种多层网络组合的遥感影像地类语义分割与面积计算方法 - Google Patents

Abstract

本发明公开了一种多层网络组合的遥感影像地类语义分割与面积计算方法，将最新卫星遥感影像和最新土地利用现状地类分布矢量图层图像作为数据源，通过深度学习方法实现对遥感影像中地类的自动识别并计算面积，致力于解决传统人工地类测量的弊端，提高生产效率。本发明构造了一种面向最新的、结构复杂的遥感影像地类分类与面积计算模型，实现了端到端的训练与语义分割，解决了已有方法中前期处理的步骤繁杂、准确率低等问题，精简使用方法，实现更有效的利用价值。

Description

一种多层网络组合的遥感影像地类语义分割与面积计算方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种多层网络组合的遥感影像地类语义分割与面积计算方法。

背景技术

土地利用分类技术作为遥感影像处理领域核心内容已广泛用在大尺度范围的土地利用调查工作中，但传统的遥感影像地类语义分割仍然存在特征提取难、图像干扰因素多、分类结果不佳等问题；另外，由于土地利用划分类型复杂多样，不同的地类由多种不同地物组成，导致其内部结构复杂。传统的遥感影像特征分类方法不能够很好的关联地类中不同地物的结构关系，进而不能进行准确的分类。相比较于传统的分类方法，深度学习语义分割技术能够利用图像像素之间的特征关联，考虑土地利用类型复杂的内部组成结构和各类型之间的地理空间关联关系，获得更加精确的遥感影像地类分类结果。

近年来深度学习技术的发展促使遥感影像地类分类方法发生质的变化，使自动化程度高、效率高、准确率高、操作便捷的分类技术成为现实，为土地数据更新、地类观察、变化检测等领域提供更好的解决方案。在CNN技术没有广泛应用之前，遥感影像土地利用分类依赖传统的机器学习方法，分为有监督分类方法和无监督分类方法，主要基于提取图像特征，如图像的颜色特征、纹理特征、几何特征等，通过支持向量机、逻辑回归、决策树等浅层结构进行特征分类，实现语义分割。深度学习的出现，网络性能更好的模块和训练方法被提出，多维度、层次化的模块结构有效的提取更高级别的抽象特征，实现对地表覆盖物的像素级的划分。机器学习提取特征的局限性使得其无法较好的分割复杂的遥感图像，深度学习提高了在遥感图像处理的准确度，但是基于地表覆盖物分类数据的难标注、地表变化数据的难获取等问题增加了遥感影像语义分割的难度。

因此，面向最新地类分类标准的遥感影像语义分割是十分必要的，不仅要求采用最新的遥感图像类标图，而且要结合道路语义分割和地物语义分割，以适应新时代城市规划要求，提升遥感影像地类语义分割准确性。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种多层网络组合的遥感影像地类语义分割与面积计算方法。本发明技术方案的方法，针对多尺度道路和不同地物语义分割问题，采用U-Net网络结构为主干网络，添加残差结构提高网络感知域，实现高精确率多尺度道路和地物语义分割；针对不同地类复杂的内部组成结构与地理空间语义关联关系特征难以提取的问题，采用基于SegNet-CRF模型的不同地类语义分割，实现地类的高准确度分类；采用基于轮廓优化与像素点个数统计的方法，实现不同地类的面积准确计算。

为实现上述目的，按照本发明的一个方面，提供了一种多层网络组合的遥感影像地类语义分割与面积计算方法，其特征在于，包括

S1获取项目区的最新高分辨率卫星遥感图像和同时段对应的土地利用现状不同地类分布矢量边界图，按照不同地类分布的矢量格网分布图对遥感图像进行剪切、筛选等预处理；

S2按照预处理的遥感图像和不同地类矢量格网分布图像制作具有地类分类标签信息的遥感图像类标图，并将数据划分为训练集和验证集；

S3构建基于U-Net遥感影像道路语义分割和地物语义分割网络模型，添加残差网络结构，提高网络感知域，对输入的遥感图像数据进行多尺度道路特征提取和不同地物特征提取并训练网络参数达到最优结果，实现影像中不同尺度道路和不同地物的提取；

S4构建基于SegNet-CRF遥感影像地类语义分割模型，利用SegNet网络进行地类语义分割的前处理阶段，利用条件随机场(CRF)结构获取地类中复杂地理空间语义关联关系作为后处理阶段，结合不同层级道路和建筑物、草地、水系等不同地物的提取结果，以及土地利用分类规划规则，引入地类矢量格网分布图像作为输入数据，用以训练网络模型实现遥感影像中不同地类的识别；

S5所述得到不同地类识别结果后，引入轮廓优化模块对分割结果进行轮廓检测，将轮廓提取到对应的数据集图像上，利用算法生成验证区域不同地类像素点个数和面积计算结果，将不同地类的属性标记到相应的地类矢量格网图像数据库中；

作为本发明技术方案的一个优选，步骤S3中，对多尺度道路和不同地物进行语义分割，包括：

S31以预设的高分辨率遥感影像为训练样本集，选取训练样本中对道路和地物区域标注的样本作为输入数据；

S32构建遥感影像道路和地物语义分割网络模型，主要基于U-Net网络模型的基础上进行改进，采用ResNet50作为U-Net的主干网络，同时添加残差网络结构，提高网络感知域，并在解码部分进行参数微调；

S33将所述遥感影像数据集中训练样本输入到语义分割网络模型中，采用迁移学习的方法进行训练，当输出的地物目标所在图像区域与标注的样本中地物目标区域的差异度大于预设阈值时，对模型中参数进行修正；

S34重复上述训练过程，直到输出训练样本中的道路和地物目标所在区域与对应标注目标区域的差异度小于预设阈值，完成遥感影像多尺度道路和地物语义分割。

作为本发明技术方案的一个优选，所述步骤S4中，对不同地类进行语义分割，包括：

S41利用不同尺度道路语义分割和不同地物语义分割结果，结合土地利用地类矢量格网边界图，构造地类语义分割数据集。

S42构造土地利用的地类语义分割深度学习网络模型SegNet_CRF整体结构，主要由编码网络、解码网络、逐像素分类器以及全连接条件随机场模块组成。以SegNet网络结构作为地类语义分割的前处理阶段，利用条件随机场(CRF)结构获取地类中复杂空间语义关联关系作为后处理阶段。

S43将多尺度道路和不同地物语义分割结果数据以及土地利用地类矢量数据输入到构建的SegNet-CRF模型中，得到高层次抽象特征并传输到输出层，再计算与真实分类数据之间的差异对权重矩阵进行优化，达到优化整个模型的目的，实现遥感影像中不同地类的语义分割。

作为本发明技术方案的一个优选，所述步骤S5中，对不同地类进行区域面积生成，包括：

S51利用轮廓优化模块对语义分割图像进行地类区域轮廓检测，调用轮廓检测方法，记录轮廓坐标信息，并将其提取到测试集图像上，实现轮廓优化；

S52对于一张图像上出现多种地类时，每检测一种地类就记录一次面积的计算结果，并对检测到的地类轮廓进行编号，进而实现不同地类的区域面积生成。

总体而言，本发明的技术方案与现有技术相比，具有以下有益技术效果：

1)本发明的一种多层网络组合的遥感影像地类语义分割与面积计算方法，从最新高分辨率卫星遥感影像和同时段土地利用现状不同地类分布矢量边界图出发，以最新高精度的数据为样本，探索一种新的地类矢量标签数据，为遥感影像地类分析提供了数据基础。

2)本发明的一种多层网络组合的遥感影像地类语义分割与面积计算方法，以基于U-Net语义分割网络为基础，添加残差网络结构，去除池化操作，提高网络感知域，提高深层卷积特征中图像分割能力，实现多尺度道路和不同地物的准确提取，为地类的语义分割提供基础。

3)本发明的一种多层网络组合的遥感影像地类语义分割与面积计算方法，提出了以SegNet算法和条件随机场算法(CRF)为基础的SegNet-CRF遥感影像地类语义分割网络模型，结合多尺度道路和不同地物语义分割结果以及土地利用规划规则，利用条件随机场充分考虑地类结构中复杂的地物结果和地理空间语义关联关系，实现了不同地类高准确率的语义分割。

4)本发明的一种多层网络组合的遥感影像地类语义分割与面积计算方法，针对地类面积计算问题中的边界值处理不准确的问题，提出基于轮廓检测的轮廓优化方法，对不同地类像素点个数进行统计，实现了地类面积的准确计算，充分发挥了计算机算法的优势，为国土资源利用的土地分类与面积计算提供了智能化的方法。

附图说明

图1是本发明所述的遥感影像地类语义分割与面积计算方法流程图；

图2是本发明所述的基于U-Net遥感影像道路及地物语义分割模型结构图；

图3是本发明所述的基于SegNet-CRF遥感影像地类语义分割模型结构图；

图4是本发明所述的基于轮廓优化模块轮廓提取的地类面积计算流程图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-4对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。

如图1所示，本发明实施例的多层网络组合的遥感影像地类语义分割与面积计算方法包括如下步骤：

S1获取项目区的最新高分辨率卫星遥感图像和同时段对应的土地利用现状不同地类分布矢量边界图，按照不同地类分布的矢量格网分布图对遥感图像进行剪切、筛选预处理。

获取遥感影像与同时段对应的土地利用现状地类分布矢量图像，这些数据作为遥感影像地类语义分割数据集的组成部分，通过对其进行预处理操作，可以利用其进行围绕最新土地利用现状地类分布的遥感影像语义分割。具体地，遥感影像与土地利用现状地类分布矢量图像的获取与整理包括对遥感图像剪切、筛选等操作。

在一个优选的实施例中，遥感影像数据应该覆盖范围广、空间分辨率高、时效性强、区域性差异大。在本实施例中，使用太乐地图下载器下载数据源，遥感数据源包括谷歌地图、天地图、百度地图、腾讯地图以及ArcGIS软件中获取的图像。在本实施例中，选取湖南省娄底市冷水江市为训练区，训练区面积约439平方千米。训练区主要地物分布均匀，可将主要地物类型分为7种，分别为建筑用地、道路、湖泊、河流、耕地、林草地及耕地。其次，按照不同地类分布的矢量格网分布图对遥感图像进行裁剪、筛选等预处理。

S2按照预处理的遥感图像和不同地类矢量格网分布图像制作具有地类分类标签信息的遥感图像类标图，并将数据划分为训练集和验证集。

制作具有不同土地利用分类标签信息的类标图并划分数据集，明确数据的地类分布，对原始数据进行标注并按比例随机分割为训练、验证两个数据集。也就是说，通过数据标注工具对原始的遥感数据建立地类标签，从而获取基于地类的标签数据；在此基础上进一步对标签数据进行数据增强操作，旨在对训练数据添加转换或扰动来增加训练数据集，提高训练样本的多样性。数据增强技术具体包括调整图像亮度、对比度，水平或垂直翻转图像、裁剪图像、旋转图像等操作。进一步的，按比例随机分割训练数据集。

步骤S2中进一步包括如下步骤：

S21对原始数据进行数据标注处理。本实施例中，优选一款使用Python实现的开源跨平台的图像标注工具labelme，采用多边形标注方法，实现对原始图像的数据标注。具体地，本实施例中，通过多边形表达目标类，记录每组多边形的顶点，为每组多边形内的像素指定类别名称，并以json格式存储。

S22生成标签图像。本实施例中，将原始图像与标注的数据以图像的形式一起输入模型训练。具体地，通过标注软件labelme自带的脚本json_to_dataset.py对已记录多边形顶点信息的json文件生成标签图像。

S23对原始图像和标签图像进行数据增强处理。本实施例中，通过数据增强构建更合适的数据集。具体地，从遥感图像中随机选取若干张进行256*256的随机采样，对采样样本进行模糊、光照调整、添加高斯噪声等操作，对原始图像和标签图像同时进行旋转和翻转操作。最终构成遥感影像地类训练数据集。

S24对经过数据增强处理后的数据集按照9:1的比例随机分割为训练、验证两个数据集，便于后续的语义分割模型训练。

S3构建基于U-Net遥感影像道路语义分割和地物语义分割网络模型，添加残差网络结构，提高网络感知域，对输入的遥感图像数据进行多尺度道路特征提取和不同地物特征提取并训练网络参数达到最优结果，实现影像中不同尺度道路和不同地物的提取；

构建基于U-Net遥感影像道路语义分割和地物语义分割模型识别多尺度道路和不同地物。U-Net模型作为一种基于像素级端到端的全卷积神经网络模型，是由FCN模型改进而来，步骤S3中将U-Net模型应用于遥感图像多尺度道路提取和不同地物提取，通过模型的跳跃连接机制将图像特征信息融合起来，对图像中的特征进行提取，经过模型在训练集中的训练进而实现不同尺度道路和不同地物的语义分割。采用ResNet50作为U-Net主干网络，在解码部分进行参数微调，实现语义分割模型最优化。

如图2所示，步骤S3进一步包括如下步骤：

S31以预设的高分辨率遥感影像作为训练样本集，选取训练样本中对道路和地物区域标注的样本作为输入数据；

利用U-Net网络进行初步的语义分割，将预处理后的遥感影像样本输入网络结构中训练模型，选择最大池化方式参与计算，其中网络结构中的卷积层和池化层都选取非线性修正函数作为激活函数。U-Net网络分为特征提取和像素恢复两个部分，特征提取采用卷积层和池化层交替出现提取遥感图像的道路和地物特征，像素恢复通过上采样层和跳跃结构交替实现像素填充；

S32构建遥感影像道路和地物语义分割网络模型，在基于U-Net网络模型的基础上进行改进，采用ResNet50作为U-Net的主干网络，同时添加残差网络结构，提高网络感知域，并在解码部分进行参数微调；

在U-Net网络基础上加入残差结构，同时去除池化操作，提高网络感知域，使某一层的输出可以直接跨过几层作为后面某一层的输入，残差结构的优势使其在不增加参数运算量的基础上增大图像的感受域，且提高深层卷积特征图中的遥感图像基础信息增强网络的分割能力。

在网络参数训练过程中，对于道路和地物语义分割模型的优化，采用交叉熵计算损失函数，以实现解码部分的参数优化与微调。交叉熵方法计算损失函数，如公式(1)(2)所示：

E＝∑w(x)log(p₁(x)) (1)

其中，E为交叉熵计算函数，x为输入图像的像素点，p₁(x)为近似最大函数，w(x)为图像像素点类别频率权重，w_c(c)表示网络模型中第c层图像像素点类别频率权重，d₁(x)表示像素点x到离它最近的边界的距离，d₂(x)表示像素点x到离它第二近的边界的距离，参数w₀和标准差σ的值是可调整的。

S33将所述遥感影像数据集中训练样本输入到语义分割网络模型中，采用迁移学习的方法进行训练，当输出的地物目标所在图像区域与标注的样本中地物目标区域的差异度大于预设阈值时，对模型中参数进行修正；

利用聚类检测方法对不同尺度道路和不同地物进行语义分割，通过U-Net网络训练模型，将每个像素分为前景和背景两类，分析得到原图像中像素的分布，通过聚类进行图像语义分割，然后结合U-Net网络训练出来的图像与原图像，将对应位置的像素值进行点乘，再进行聚类，能够较好的识别出不同特征边缘。

S4构建基于SegNet-CRF遥感影像地类语义分割模型，利用SegNet网络进行地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂地理空间语义关联关系作为后处理阶段，结合不同层级道路和建筑物、草地、水系这些不同地物的提取结果，以及土地利用分类规划规则，引入地类矢量格网分布图像作为输入数据，用以训练网络模型实现遥感影像中不同地类的识别；

构建SegNet-CRF遥感影像地类语义分割模型识别土地利用矢量图中不同地类。SegNet-CRF模型主要由两部分构成，第一部分是由SegNet结构中的编码网络、解码网络和逐像素分类器组成，作为前处理阶段；第二部分是由全连接条件随机场(CRF)组成，作为后处理阶段。将多尺度道路和不同地物语义分割结果以及土地利用地类矢量网格边界图作为输入数据，输入到基于SegNet-CRF模型的地类语义分割网络中，用数据集进行训练，最终得到最优的网络模型，在没有地类标签的图像中实现地类的识别。

如图3所示，步骤S4进一步包括如下步骤：

S41利用不同尺度道路语义分割和不同地物语义分割结果，结合土地利用地类矢量格网边界图，构造地类语义分割数据集；

使用SegNet网络框架作为数据的前处理阶段，主要包括编码网络、解码网络和逐像素分类器组成，并且每个卷积层后面都紧跟着批规范化层和ReLU激活函数。编码网络是将高维向量转换成低维向量，实现了对高维特征的低维提取。解码网络利用将低分辨率的特征图映射到高空间分辨率的特征图，实现低维向量到高维向量的重构。Softmax分类器单独地对每个像素进行分类，其输出的是每个像素属于各分类的概率。每个像素具有最大概率的分类即为其预测分割的分类。

S42构造土地利用的地类语义分割深度学习网络模型SegNet-CRF整体结构，主要由编码网络、解码网络、逐像素分类器以及全连接条件随机场模块组成，以SegNet网络结构作为地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂空间语义关联关系作为后处理阶段；

全连接条件随机场(CRF)是整个模型的后处理阶段，以SegNet模型的输出结果作为全连接条件随机场(CRF)的输入，对结果进行精细化分割。全连接条件随机场(CRF)解决了全局归一化问题，可以较好地应用于像素级图像分割。在全连接条件随机场中，原始图像中每个像素点都具有一个已分配好的类别标签X_i，目标图像中有一个与之对应的观测值Y_i，将每个像素都看作一个节点，使用像素与像素之间的关系作为连接边，且每个像素点都与所有的像素点连接，这样就组成了一个全连接条件随机场。全连接条件随机场符合吉布斯分布，如公式(3)所示为∶

其中，x为当前观测值，X为已分配标签的像素集合，I为全局观测值集合，Z(I)为计算吉布斯分布的概率归一化因子，表示所有X标签类别的概率之和，如公式(4)所示：

Z(I)＝∑e^-E(X|I) (4)

E(X|I)是由一元势函数和二元势函数构成的能量函数，如公式(5)所示为：

E(X|I)＝∑_iψ_u(x_i)+∑_i，jψ_p(x_i，y_i) (5)

其中，x_i为原始图像像素点，y_i为目标图像中与之对应的观测像素点值。一元势能函数ψ_u(x_i)的计算只考虑单个像素点的特征来对图像像素点进行语义分割，二元势能函数ψ_p(x_i，y_i)结合像素点之间的关联性，将相似的像素标记为相同的标签，将有不同差异的像素点标记为不同的标签，使得地类的分类结果边界更加清晰明确。

S43将多尺度道路和不同地物语义分割结果数据以及土地利用地类矢量数据输入到构建的SegNet-CRF模型中，得到高层次抽象特征并传输到输出层，再计算与真实分类数据之间的差异对权重矩阵进行优化，到达优化整个模型的目的，实现遥感影像中不同地类的语义分割。

将多尺度道路和不同地物语义分割结果以及土地利用地类矢量网格边界图作为制作遥感影像的数据集，同时划分为训练集和验证集，将训练集数据输入到基于SegNet-CRF模型的地类语义分割网络中用于训练，最终得到最优的网络模型，在没有地类标签的图像中实现地类的识别。

S5所述得到不同地类识别结果后，引入轮廓优化模块对分割结果进行轮廓检测，将轮廓提取到对应的数据集图像上，利用算法生成验证区域不同地类像素点个数和面积计算结果，将不同地类的属性标记到相应的地类矢量格网图像数据库中。

基于地类识别结果的轮廓检测方法并实现不同地类区域面积的计算。通过搭建的SegNet-CRF网络来提高对遥感图像中地类识别的准确性和快速性，然后使用轮廓优化模块对地类进行轮廓提取，经过轮廓优化之后对图像中像素点个数进行统计，进而计算各个地类的面积。

如图4所示，步骤S5中进一步包括如下步骤：

S51将验证集中的遥感图像输入到模型中进行测试，得到不同地类语义分割的结果图像。利用不同颜色表示不同的地类；

S52利用轮廓优化模块对语义分割图像进行地类区域轮廓检测，调用轮廓检测方法，记录轮廓坐标信息，并将其提取到测试集图像上，实现轮廓优化；

对地类识别结果进行轮廓的优化。为解决遥感图像语义分割常见的边界像素识别不准确的问题，会导致面积计算的误差出现。我们首先利用轮廓优化模块对语义分割结果进行轮廓检测，通过获得的轮廓几何矩找到轮廓的重心坐标，对边界像素进行填充或者校正，实现边界轮廓的优化。

S53对于一张图像上出现多种地类时，每检测一种地类就记录一次面积的计算结果，并对检测到的地类轮廓进行编号，进而实现不同地类的区域面积生成。

地类面积计算，首先统计轮廓内相同颜色所代表的一种地类像素点个数，然后换算为地类实际面积。然后，对语义分割结果中的多种地类，每检测到一种地类轮廓就进行一次面积计算并进行编号，用于区分不同地类的面积值。

S54地类面积属性标记，将基于轮廓优化和像素点统计的地类面积计算结果标记到遥感数据集数据库中，完成遥感影像地类语义分割与面积计算的整体流程，保存最终实验结果，实现端到端的使用方法。

以上所述仅为本发明的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种多层网络组合的遥感影像地类语义分割与面积计算方法，其特征在于，包括，

S1获取项目区的最新高分辨率卫星遥感图像和同时段对应的土地利用现状不同地类分布矢量边界图，按照不同地类分布的矢量格网分布图对遥感图像进行剪切、筛选预处理；

S2按照预处理的遥感图像和不同地类分布的矢量格网分布图像制作具有地类分类标签信息的遥感图像类标图，并将数据划分为训练集和验证集；

S3构建基于U-Net遥感影像道路语义分割和地物语义分割网络模型，添加残差网络结构，提高网络感知域，对输入的遥感图像数据进行多尺度道路特征提取和不同地物特征提取并训练网络参数达到最优结果，实现影像中不同尺度道路和不同地物的提取；

S4构建基于SegNet-CRF遥感影像地类语义分割模型，利用SegNet网络进行地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂地理空间语义关联关系作为后处理阶段，结合不同层级道路和建筑物、草地、水系这些不同地物的提取结果，以及土地利用分类规划规则，引入地类矢量格网分布图像作为输入数据，用以训练网络模型实现遥感影像中不同地类的识别；

S5所述得到不同地类识别结果后，引入轮廓优化模块对分割结果进行轮廓检测，将轮廓提取到对应的数据集图像上，利用算法生成验证区域不同地类像素点个数和面积计算结果，将不同地类的属性标记到相应的地类矢量格网图像数据库中。

2.根据权利要求1所述的一种多层网络组合的遥感影像地类语义分割与面积计算方法，其中，所述步骤S3中，对多尺度道路和不同地物进行语义分割，包括：

S31以预设的高分辨率遥感影像作为训练样本集，选取训练样本中对道路和地物区域标注的样本作为输入数据；

S32构建遥感影像道路和地物语义分割网络模型，在基于U-Net网络模型的基础上进行改进，采用ResNet50作为U-Net的主干网络，同时添加残差网络结构，提高网络感知域，并在解码部分进行参数微调；

S33将所述遥感影像数据集中训练样本输入到语义分割网络模型中，采用迁移学习的方法进行训练，当输出的地物目标所在图像区域与标注的样本中地物目标区域的差异度大于预设阈值时，对模型中参数进行修正；

S34重复上述训练过程，直到输出训练样本中的道路和地物目标所在区域与对应标注目标区域的差异度小于预设阈值，完成遥感影像多尺度道路和地物语义分割。

3.根据权利要求1-2任一项所述的一种多层网络组合的遥感影像地类语义分割与面积计算方法，其中，所述步骤S4中，对不同地类进行语义分割，包括：

S41利用不同尺度道路语义分割和不同地物语义分割结果，结合土地利用地类矢量格网边界图，构造地类语义分割数据集；

S42构造土地利用的地类语义分割深度学习网络模型SegNet-CRF整体结构，主要由编码网络、解码网络、逐像素分类器以及全连接条件随机场模块组成，以SegNet网络结构作为地类语义分割的前处理阶段，利用条件随机场结构获取地类中复杂空间语义关联关系作为后处理阶段；

S43将多尺度道路和不同地物语义分割结果数据以及土地利用地类矢量数据输入到构建的SegNet-CRF模型中，得到高层次抽象特征并传输到输出层，再计算与真实分类数据之间的差异对权重矩阵进行优化，到达优化整个模型的目的，实现遥感影像中不同地类的语义分割。

4.根据权利要求1-2任一项所述的一种多层网络组合的遥感影像地类语义分割与面积计算方法，其中，所述步骤S5中，对不同地类进行区域面积生成，包括：

S51将验证集中的遥感图像输入到模型中进行测试,得到不同地类语义分割的结果图像。利用不同颜色表示不同的地类；

S52利用轮廓优化模块对语义分割图像进行地类区域轮廓检测，调用轮廓检测方法，记录轮廓坐标信息，并将其提取到测试集图像上，实现轮廓优化；

S53对于一张图像上出现多种地类时，每检测一种地类就记录一次面积的计算结果，并对检测到的地类轮廓进行编号，进而实现不同地类的区域面积生成；

S54地类面积属性标记，将基于轮廓优化和像素点统计的地类面积计算结果标记到遥感数据集数据库中，完成遥感影像地类语义分割与面积计算的整体流程，保存最终实验结果，实现端到端的使用方法。

Images