黄亮 宋晶

摘 要：随着遥感影像空间分辨率的提高，地物纹理细节更加丰富，采用传统的语义分割方法使分割结果过于细碎，整体性不强。针对该问题，提出一种改进迭代条件模型的遥感影像语义分割方法。首先采用L0梯度最小化模型对遥感影像去噪，然后采用迭代条件模型，通过更新影像中每个点的标记完成影像分割，最后采用Kappa指数对实验结果进行精度评价。实验结果表明，该方法是一种有效的遥感影像语义分割方法。

关键词：语义分割;遥感影像;迭代条件模型;精度评价

DOI：10. 11907/rjdk. 181846

中图分类号：TP317.4文献标识码：A文章编号：1672-7800（2019）001-0183-03

Abstract： With the improvement of spatial resolution of remote sensing images， the details of ground texture are more abundant， and the traditional semantic segmentation method will make the segmentation result too fine and the integrity is not strong. To solve this problem， an improved iterative conditional model for semantic segmentation of remote sensing image is proposed. Firstly， the L0 gradient minimization model is used to denoise the remote sensing image， and then the image segmentation is completed by updating the mark of each point in the image by using the iterative conditional model. Finally， the accuracy of the experimental results is evaluated by the Kappa index. Experimental results show that the proposed method is an effective method for semantic segmentation of remote sensing image.

0 引言

随着航空航天平台和遥感技术的不断发展，越来越多的纹理细节清晰、光谱特征丰富的高空间分辨率遥感影像[1-2]成为经济建设、国防安全、地理信息服务等重要的空间信息源[3]，而高空间分辨率遥感影像分析与处理也成为遥感领域研究的热点。语义分割有助于遥感影像的准确分析和理解[4-6]，在分割的同时确定分割区域的语义类别，对于影像分析和处理更加准确有着深远意义。

为实现图像语义分割，很多学者开展了大量研究：首先是基于深度学习的方法[7]，如陈鸿翔[8]提出的基于卷积神经网络的图像语义分割方法;刘丹等[9]提出一种多尺度CNN的图像语义分割算法;魏云超和赵耀[10]对基于DCNN的图像语义分割方法中存在的困难和挑战进行了分析和描述;Long J等[11]提出基于全卷积网络的语义分割方法;邓国徽等[12]研究了基于改进的全卷积神经网络高分辨率遥感影像语义分割方法;Hong S等[13]提出一种解耦深度神经网络的半监督语义分割方法。……