基于深度学习的全色图像语义分割研究.pdf

华中科技大学硕士学位论文

摘要

光谱红外仿真为现代导引头算法设计提供了有效的数据源，在场景的光谱成像

仿真中，一个重要的环节是对地物场景进行材质属性分类。传统的材质属性分类使用

的高光谱影像受制于低空间分辨率和数据源难获取的问题，现行的分类中主要以全

色遥感影像作为基本参考数据，使用人工标注的方案完成。然而人工标注效率低下，

将深度学习方法引入以实现半自动的地物材质属性分类，减轻人机交互压力具有重

大研究意义。故本文采用全色影像作为基础数据源，使用语义分割相关方法，实现地

物材质属性分类工作。本文具体研究内容如下：

针对部分类别分割精度低的问题，提出了可学习邻域辅助模型作为分割信息的

上下文扩充，其主要受分割中上下文信息思想启发，考虑邻域上下文对像素分类的增

益作用。方案主要使用比待分割图像更大图幅的邻域图像，使用本文提出的NLNet

网络，获取邻域图像最佳宽高尺寸，并在该尺寸下提取邻域图片的特征，嵌入主干分

割网络。该邻域辅助方案提升了分割主干网络在类别上的分割精度。

针对分割边缘破碎的问题，提出了基于边缘引导的辅助模型。该模型采用

DexiNed网络，对待分割图像获取更加清晰准确的骨架边缘，同时使用注意力边缘特

征嵌入模型，将边缘特征嵌入主干网络，实现分割过程的边缘引导工作。实验结果表

明最终获得的注意力图效果更好，能更好解决分割过程中边缘破碎的问题。

基于可学习邻域模块和边缘引导模块，提出了多辅助模块语义分割模型，并在自

建的全色图像数据集上进行了实验。结果显示，本文模型能够提升部分类别的分割精

度，且分割的边缘更加准确。具体而言，本文模型相较基线方法和对比模型中分割表

现更好的SENet，mIoU分别有3.5%和2%的提升。

关键词：红外仿真；语义分割；全色图像；可学习邻域；边缘引导

I

华中科技大学硕士学位论文

Abstract

Spectralinfraredsimulationprovidesaneffectivedatasourceforthedesignofmodern

guidanceheadalgorithms.Inthecontextofspectralimagingsimulation,animportantstep

istheclassificationofmaterialpropertiesforthesceneobjects.Traditionalmaterialproperty

classificationreliesonhyperspectralimagery,whichislimitedbylowspatialresolutionand

difficultiesindataacquisition.Currentclassificationapproachesprimarilyuse

panchromaticremotesensingimageryasabasicreferencedataandrelyonmanual

annotation.However,manualannotationisinefficient,andintroducingdeeplearning

methodstoachievesemi-automaticmaterialpropertyclassificationhassignificantresearch

significance.Therefore,thisthesisusespanchromaticimageryasthebasicdatasourceand

employssemanticsegmentationtechniquestoperformmaterialpropertyclassification.The

specificresearchcontentsofthis