一种基于语义分割的冰湖提取效果评价方法及介质

本发明涉及基于语义分割的对象提取，具体涉及一种基于语义分割的冰湖提取效果评价方法及介质。

背景技术：

1、作为气候变化的敏感体，冰湖的状态时刻发生变化。因此，准确监测和及时发现冰湖的变化，一方面可对全球气候变化的发展提供重要依据，另外一方面也对冰湖溃决灾害威胁下的居民生命财产，以及社会基础设施有预测预警价值。

2、监测冰湖多采用遥感手段。因为它们往往位于高海拔地区，人迹罕至难以获取直接的气象和水文观测资料。在过去的几十年中，人类通过卫星遥感实现了地表变化监测、资源管理和环境监测。例如landsat和sentinel系列卫星获取了长达数十年的地球表面图像。时间跨度大，空间分布广，传感器种类多。对这些数据的研究一直是当下大数据，人工智能研究的热点。

3、从海量的卫星影像中及时发现冰湖的变化，实现从数据到知识的提取是研究人员面临的一个挑战。近年来伴随大数据技术、人工智能算法和硬件算力的发展，计算机视觉进展迅猛。以u-net，fcn，deeplab, hrnet为代表的语义分割模型逐渐流行，表现优异。通过训练，它们能够对影像中的每一个像素计算得到一个分类标识。

4、语义分割模型结合海量的卫星图像，是冰湖监测的有效手段。越来越多的研究使用语义分割模型从卫星图像中提取冰湖。

5、目前基于语义分割的冰湖提取模型中，为了提高提取效果，部分方案中，使用语义分割模型中的u-net模型，采用自注意力机制增强提取效果。也有在u-net模型中融入edge结构也更好的提取效果，还包括基于改进的神经网络架构来得到更好的提取效果。还包括，利用zernike多项式产生相位未缠绕的光学图像，通过改进的训练过程提高提取效果。一种方案中，提供了一种融合光谱特征及多尺度空间特征的冰湖提取方法，通过该方法得到每一个像素类别属于冰湖像元的概率，进而得到冰湖模型，通过对模型进行训练，最终得到冰湖提取的网络模型，通过输遥感图像完成冰湖的自动化提取。

6、然而，上述所有的方案均为通过模型为每一个像素推理出分类后的像素类别，均未涉及到分类后在同一个类别下的多个实体如何评价的领域。而提取效果的评价方法直接影响了提取效果，从而导致提取效果评价方法的不合理性导致提取效果较差的问题。

技术实现思路

1、本技术要解决的技术问题是提供一种基于语义分割的冰湖提取效果评价方法及介质，具有可以更合理地对提取效果进行评价从而促进提取效果更高的特点。

2、第一方面，一种实施例中提供一种基于语义分割的冰湖提取效果评价方法，包括：

3、获取标注的真实湖体像素栅格矩阵；

4、对所述真实湖体像素栅格矩阵进行连通性检测，将每一块连通的像素区域标识为一个标注图斑，为每一个标注图斑进行编号，并将编号0分配给背景；

5、获取基于语义分割模型训练或预测得到的结果矩阵；

6、对所述结果矩阵进行连通性检测并去掉小于最小制图单元的孤岛，将每一块连通的像素区域标识为一个预测图斑，为每一个预测图斑进行编号，并将编号0分配给背景；

7、基于标注图斑编号的最大值加1和预测图斑编号的最大值加1，选择最大值，并将该最大值作为乘法倍率因子；

8、将所述乘法倍率因子作为真实湖体像素栅格矩阵的倍率因子，结合结果矩阵，得到倍率矩阵；或，将所述乘法倍率因子作为结果矩阵的倍率因子，结合真实湖体像素栅格矩阵，得到倍率矩阵；

9、基于所述乘法倍率因子对倍率矩阵中的倍率图斑进行处理，得到每一个倍率图斑的编号，所述倍率图斑的编号包括标注编号和预测编号，从而得到每一个标注图斑编号所对应的交集和并集；

10、基于得到的每一个标注图斑编号所对应的交集和并集计算每一个标注图斑编号所对应的交并比；

11、对所有标注图斑编号所对应的交并比进行平均得到平均交并比，并将该平均交并比作为本次训练或预测的评价指标。

12、一种实施例中，所述的基于标注图斑编号的最大值加1和预测图斑编号的最大值加1，选择最大值，并将该最大值作为乘法倍率因子，包括：

13、；

14、其中，f表示乘法倍率因子，表示标注图斑编号后的真实湖体像素栅格矩阵，表示预测图斑编号后的结果矩阵。

15、一种实施例中，所述的将所述乘法倍率因子作为真实湖体像素栅格矩阵的倍率因子，结合结果矩阵，得到倍率矩阵，包括：

16、；

17、其中，f表示乘法倍率因子，表示标注图斑编号后的真实湖体像素栅格矩阵，表示预测图斑编号后的结果矩阵，c表示倍率矩阵。

18、一种实施例中，所述的基于所述乘法倍率因子对倍率矩阵中的倍率图斑进行处理，得到每一个倍率图斑的编号，所述倍率图斑的编号包括标注编号和预测编号，从而得到每一个标注图斑编号所对应的交集和并集，包括：

19、对倍率矩阵进行连通性检测，将每一块像素值相同的连通的像素区域标识为一个倍率图斑，为每一个倍率图斑进行编号，包括：对于任意一个倍率图斑中的任意一个像素，将该任意一个像素的像素值整除乘法倍率因子后的商作为标注编号，将该任意一个像素的像素值整除乘法倍率因子后的余数作为预测编号；将该标注编号和预测编号组成的编号作为该任意一个倍率图斑的编号；

20、对于任意一个标注编号不为0的倍率图斑，统计标注编号相同且预测编号不为0的所有倍率图斑的累计像素个数，并将该累计像素个数作为与该标注编号相同的标注图斑编号所对应的交集；

21、对于任意一个标注编号不为0的倍率图斑，查找标注编号相同且预测编号不为0的所有倍率图斑，并统计这些倍率图斑中所包含的标注编号和预测编号，统计包含相同标注编号的倍率图斑的累计像素个数作为第一像素个数，统计包含相同预测编号的倍率图斑的累计像素个数作为第二像素个数；将第一像素个数加第二像素个数的和减去该标注编号所对应的交集的差作为与该标注编号相同的标注图斑编号所对应的并集。

22、一种实施例中，所述的将所述乘法倍率因子作为结果矩阵的倍率因子，结合真实湖体像素栅格矩阵，得到倍率矩阵，包括：

23、；

24、其中，f表示乘法倍率因子，表示标注图斑编号后的真实湖体像素栅格矩阵，表示预测图斑编号后的结果矩阵，c表示倍率矩阵。

25、一种实施例中，所述的基于所述乘法倍率因子对倍率矩阵中的倍率图斑进行处理，得到每一个倍率图斑的编号，所述倍率图斑的编号包括标注编号和预测编号，从而得到每一个标注图斑编号所对应的交集和并集，包括：

26、对倍率矩阵进行连通性检测，将每一块像素值相同的连通的像素区域标识为一个倍率图斑，为每一个倍率图斑进行编号，包括：对于任意一个倍率图斑中的任意一个像素，将该任意一个像素的像素值整除乘法倍率因子后的商作为预测编号，将该任意一个像素的像素值整除乘法倍率因子后的余数作为标注编号；将该标注编号和预测编号组成的编号作为该任意一个倍率图斑的编号；

27、对于任意一个标注编号不为0的倍率图斑，统计标注编号相同且预测编号不为0的所有倍率图斑的累计像素个数，并将该累计像素个数作为与该标注编号相同的标注图斑编号所对应的交集；

28、对于任意一个标注编号不为0的倍率图斑，查找标注编号相同且预测编号不为0的所有倍率图斑，并统计这些倍率图斑中所包含的标注编号和预测编号，统计包含相同标注编号的倍率图斑的累计像素个数作为第一像素个数，统计包含相同预测编号的倍率图斑的累计像素个数作为第二像素个数；将第一像素个数加第二像素个数的和减去该标注编号所对应的交集的差作为与该标注编号相同的标注图斑编号所对应的并集。

29、一种实施例中，所述的基于得到的每一个标注图斑编号所对应的交集和并集计算每一个标注图斑编号所对应的交并比，包括：

30、；

31、其中，表示标注图斑编号为n的交并比，表示标注图斑编号为n的交集，表示标注图斑编号为n的并集，1≤n≤n，n表示标注图斑的最大值。

32、一种实施例中，所述的对所有标注图斑编号所对应的交并比进行平均得到平均交并比，并将该平均交并比作为本次训练或预测的评价指标，包括：

33、；

34、其中，表示标注图斑编号为n的交并比，表示平均交并比，1≤n≤n，n表示标注图斑的最大值。

35、第二方面，一种实施例中提供一种计算机可读存储介质，所述介质中存储有程序，所述程序能够被处理器加载并执行上述任意一实施例中所述的基于语义分割的冰湖提取效果评价方法。

36、本发明的有益效果是：

37、基于选择的乘法倍率因子，将标注的真实湖体像素栅格矩阵和训练或预测得到的结果矩阵进行倍率相乘相加得到倍率矩阵，再通过真实湖体像素栅格矩阵、结果矩阵和倍率矩阵，计算得到每一个冰湖独立的交并比，然后再得到各个独立交并比的平均值，以实现对提取效果的更合理地评价，从而可以进一步提高提取效果。