(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 202210150660.2 (22)申请日 2022.02.18 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 冯如　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 王涛　汤在彦 (51)Int.Cl. G06V 20/13(2022.01) G06T 7/10(2017.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) (54)发明名称 一种遥感图像分割方法及装置 (57)摘要 本发明提供一种遥感图像 分割方法及 装置， 涉及深度学习技术领域， 可用于金融领域或其他 技术领域。 所述方法包括： 获取遥感图像， 并对所 述遥感图像进行图像处理； 基于预设遥感图像重 叠阴影分割模型对经过图像处理后的遥感图像 进行分割处理， 得到去除重叠后的阴影分割图 像。 所述装置执行上述方法。 本发明实施例提供 的遥感图像分割方法及装置， 能够准确识别遥感 图像中的细 节内容， 并得到去除重叠后的阴影分 割图像。 权利要求书3页 说明书16页 附图4页 CN 114529833 A 2022.05.24 CN 114529833 A 1.一种遥感图像分割方法， 其特 征在于， 包括： 获取遥感图像， 并对所述遥感图像进行图像处 理； 基于预设遥感图像重叠阴影分割模型对经过图像处理后的遥感图像进行分割处理， 得 到去除重 叠后的阴影分割图像； 其中， 所述预设遥感图像重叠阴影分割模型为预先完成训练的卷积神经网络； 所述卷 积神经网络包 含卷积核的尺度信息和方向信息 。 2.根据权利要求1所述的遥感图像分割方法， 其特征在于， 所述卷积神经网络包括依次 相连的基于滤波的自动编 码器、 级联压缩双注意力模块和密集自动解码 器； 相应的， 所述基 于预设遥感图像重 叠阴影分割模型对经 过图像处 理后的遥感图像进行分割处 理， 包括： 基于所述基于滤波的自动编码器对经过图像处理后的遥感图像进行特征提取， 得到卷 积特征图； 所述卷积特征图包含各卷积层中多尺度和多方向的特征； 所述基于滤波的自动 编码器包 含卷积核的尺度信息和方向信息； 基于所述级联压缩双注意力模块对所述卷积特征图进行特征提取， 得到 融合有空间位 置加权和压缩通道加权的特 征图； 基于所述密集自动 解码器对所述特征图中特征的关联关系 进行提取， 并 映射到输出空 间。 3.根据权利要求2所述的遥感图像分割方法， 其特征在于， 所述级联压缩双注意力模块 包括感受野多尺度特征提取子模块、 重叠阴影的边界特征提取子模块和所述遥感图像的识 别对象类别特征提取子模块； 所述感受野多尺度特征提取子模块输出的各级联感受野分支 通道分别与所述边界特征提取子模块和所述识别对象类别特征提取子模块相连接； 所述感 受野多尺度特征提取子模块包括逐级递增卷积层数量或卷积核大小的级联感受野分支通 道； 相应的， 所述基于所述级联压缩双注意力模块对所述卷积特征图进 行特征提取， 得到融 合有空间位置加权和压缩通道加权的特 征图， 包括： 基于各级联感受野分支通道获取 各级联感受野分支通道输出的局部特 征图； 基于所述边界特征提取子模块对各级联感受野分支通道输出的局部特征图进行特征 提取， 得到包含空间位置加权的特征图， 以及基于所述识别对 象类别特征提取子模块对各 级联感受野分支通道输出的局部特 征图进行 特征提取， 得到包 含压缩通道加权的特 征图； 将所述包 含空间位置加权的特 征图和所述包 含压缩通道加权的特 征图相加； 将各级联感受野分支通道之间的相加结果再进行相加， 得到 融合有空间位置加权和压 缩通道加权的特 征图。 4.根据权利要求3所述的遥感图像分割方法， 其特征在于， 所述边界特征提取子模块包 括边界特征提取第一 通道、 边界特 征提取第二 通道和边界特 征提取第三 通道； 其中： 所述边界特征提取第一通道包括卷积层、 平均池化层、 最大池化层和激活层； 其中一个 卷积层的输出端分别与所述平均池化层的输入端和所述 最大池化层的输入端相连接； 所述平均池化层的输出端和所述最大池化层的输出端共同作为其中一个卷积层的输 入端； 其中一个卷积层的输出端与所述激活层的输入端相连接； 所述边界特征提取第二 通道包括至少一个卷积层； 所述边界特征提取第三 通道用于引入所述遥感图像的局部特 征；权　利　要　求　书 1/3 页 2 CN 114529833 A 2所述边界特征提取第 一通道与所述边界特征提取第 二通道通过点乘方式相连， 并将点 乘相连结果与所述 边界特征提取第三 通道通过相加方式相连。 5.根据权利要求4所述的遥感图像分割方法， 其特征在于， 所述基于所述边界特征提取 子模块对各级联感受野分支通道输出的局部特 征图进行 特征提取， 包括： 将所述局部特征图分别输入所述边界特征提取第 一通道、 所述边界特征提取第 二通道 和所述边界特征提取第三 通道； 将所述边界特征提取第一通道和所述边界特征提取第二通道的输出结果进行点乘计 算， 将点乘计算结果与所述边界特征提取第三通道的输出结果相加， 得到包含空间位置加 权的特征图。 6.根据权利要求3所述的遥感图像分割方法， 其特征在于， 所述识别对象类别特征提取 子模块包括识别对 象类别特征提取第一通道、 识别对 象类别特征提取第二通道、 识别对 象 类别特征提取第三 通道和识别对象类别特 征提取第四通道； 其中： 所述识别对象类别特征提取第 一通道包括卷积层和激活层； 所述卷积层的输出端与 所 述激活层的输入端相连； 所述识别对象类别特征提取第二通道和所述识别对象类别特征提取第四通道都用于 引入所述遥感图像的局部特 征； 所述识别对象类别特 征提取第三 通道用于对识别对象类别特 征进行累加计算； 所述识别对象类别特征提取第一通道与所述识别对象类别特征提取第二通道通过点 乘方式相连； 将点乘相连 结果与所述 边界特征提取第三 通道串联 连接； 将串联连接的所述边界特征提取第三通道与所述边界特征提取第四通道通过相加方 式相连。 7.根据权利要求6所述的遥感图像分割方法， 其特征在于， 所述基于所述识别对象类别 特征提取子模块对各级联感受野分支通道输出的局部特 征图进行 特征提取， 包括： 将所述局部特征图分别输入所述识别对象类别特征提取第 一通道、 所述识别对象类别 特征提取第二 通道和所述识别对象类别特 征提取第四通道； 将所述识别对象类别特征提取第一通道的输出结果与所述识别对象类别特征提取第 二通道的输出 结果进行点乘计算； 将点乘计算结果输入所述识别对象类别特 征提取第三 通道； 将所述识别对象类别特征提取第三通道的输出结果与所述识别对象类别特征提取第 四通道的输出 结果相加， 得到包 含压缩通道加权的特 征图。 8.根据权利要求2所述的遥感图像分割方法， 其特征在于， 获取基于滤波的自动编码 器， 包括： 根据卷积滤波器和Gabor滤波器得到所述基于滤波的自动编码器； 其中， 所述卷积滤波 器预先完成学习。 9.根据权利要求1至8任一所述的遥感图像分割方法， 其特征在于， 所述遥感图像分割 方法还包括： 周期性执行根据 阴影分割图像确定所述遥感图像中的阴影长度， 并根据太阳高度角和 所述阴影长度计算可反映建筑物高度的杆长；权　利　要　求　书 2/3 页 3 CN 114529833 A 3