CNN-ISS遥感影像分类的瓦片边缘效应及消除方案

段增强，刘杰东，鹿 鸣，孔祥斌，杨 娜

（中国农业大学土地科学与技术学院 自然资源部农用地质量与监测重点实验室，北京 100193）

0 引言

图像语义分割（Image Semantic Segmentation，ISS）是指，为图像中的每一个像素分配一个预先定义好的表示其语义类别的标签[1]。基于卷积神经网络的图像语义分割方法（Image Semantic Segmentation based on Convolutional Neural Network，CNN-ISS）是一门涉及计算机视觉、模式识别与人工智能等研究领域的交叉学科，是当前数字图像处理与机器视觉的研究热点内容之一[2-5]。作为典型CNN-ISS模型，DeepLab V3模型在Pascal VOC数据集上的均交并比（Mean Intersection over Union，mIoU）值达到86.9%，DeepLab V3+模型的分割精度达到了89.0%，在Cityspace公开数据集上也达到82.1%的分类精度[6-7]。CNN-ISS在遥感影像分类方面也具有较为广泛的应用，相较于传统遥感影像分类方法[8-9]，CNN-ISS具有较强的迁移学习能力和泛化能力，能够有效提取地物纹理、几何等深层次特征，在高分辨率影像解译、复杂地物识别和作物分布制图等方面具备一定优势[10-14]。

出于效率或者硬件性能限制的考虑，通常需要对大幅的遥感影像进行瓦片切图[15]，将生成的影像瓦片作为语义分割数据处理对象。人为的遥感影像瓦片化过程会产生瓦片边缘地物碎片，进而影响遥感影像边缘附近像素的分类精度，从而产生瓦片边缘附近像素分类精度低于瓦片中央区域像素分类精度的现象，即瓦片边缘效应[16]。目前学者针对CNN-ISS遥感影像分类的研究主要有3个方面，一是仅在瓦片尺度进行模型验证和精度评价[17-18]；二是侧重于优化地物边缘分类的研究，并未对瓦片边缘效应做专门分析及特别考虑[19-20]；……