本发明涉及深度学习中的半监督语义分割领域，针对无人机航空图像的分割技术。
背景技术：
1、对无人机航空图像进行手动标注是一个时间和劳力密集型的过程，尤其是当图像分辨率很高、覆盖的地理区域广泛时。半监督学习能够利用大量未标注的图像，这些图像易于获取但难以标注，从而显著降低标注成本。并且在实际应用中，无人机航空图像的场景和背景可能会有很大变化，仅依靠少量标注数据可能导致模型过拟合，泛化能力不足。半监督学习通过引入未标注数据，在提高模型准确性的同时也增强了模型对新场景的适应能力。半监督学习能够利用未标注数据中的数据分布信息，帮助模型更好地理解数据的底层结构。这对于复杂的航空图像尤为重要，因为这些图像通常包含丰富的地理特征和复杂的场景，未标注数据的内在分布可以帮助模型更准确地学习这些特征和场景。在无人机航空图像分割中，即使是专家也可能在某些复杂场景下做出错误的标注。半监督学习方法通常具有一定的鲁棒性，能够在一定程度上应对这种标注噪声和不确定性。
2、cps是一种利用无标签数据进行辅助训练的半监督语义分割方法。该方法的基本思路是将无标签数据与带标签数据进行混合，通过一定的方式生成伪标签数据，并将其与原始带标签数据进行联合训练。该方法利用无标签数据进行训练，可以大幅提高数据利用率，从而降低对大量标注数据的依赖。在模型训练过程中，通过巧妙地融合未标记数据与已标记数据资源，可以生成具有一定可信度的伪标签数据集。这一策略是将未标记数据利用深度学习模型进行预测，并基于预测结果为其赋予临时类别标签。随后，这些带有伪标签的数据被纳入原始已标记数据集之中，共同参与模型的迭代训练过程。这种结合方式能够有效扩充训练样本规模，促使模型从更大范围的数据中学习和提炼特征，从而提升模型在各种情况下的表现力和泛化能力，使其不仅能在已知类别上取得更优的识别效果，同时也能在未知场景下具备更强的适应性和鲁棒性。可以减少对人工干预的依赖，根据不同的数据类型和任务进行调整和优化，减少模型在标注数据上的训练次数，从而提高训练速度和效率。所以，本发明选择在cps的基础上进行优化改进，提高伪标签质量从而实现分割精度的增强。
3、无人机图像覆盖广泛的地理特征和多变的环境条件，并且由于标注数据量有限，模型容易过拟合到少量的标注样本上。所以本发明通过傅里叶变换、旋转、缩放、裁剪等手段进行数据增强，人为增加图像样本的多样性，扩充训练数据集。使模型更加适应实际应用中的各种复杂情境，提高其鲁棒性。
4、由于cps方法依赖于高质量的伪标签来指导未标注数据的学习。所以本发明通过改进置信度模块，可以更准确地评估模型对其预测的置信度，从而筛选出高质量的伪标签参与训练，减少错误伪标签的干扰。
5、在测试阶段，由于各网络对同一张图像的预测结果可能不一致，且各网络在训练后都有一定的价值，因此本发明基于整合的思想，将两个分割网络整合起来对测试图像进行预测，对测试结果有一定的提升。
技术实现思路
1、无人机图像覆盖广泛的地理特征和多变的环境条件，并且由于标注数据量有限，模型容易过拟合到少量的标注样本上。所以本发明通过傅里叶变换、旋转、缩放、裁剪等手段进行数据增强，人为增加图像样本的多样性，扩充训练数据集。使模型更加适应实际应用中的各种复杂情境，提高其鲁棒性。由于cps方法依赖于高质量的伪标签来指导未标注数据的学习。所以本发明通过改进置信度模块，可以更准确地评估模型对其预测的置信度，从而筛选出高质量的伪标签参与训练，减少错误伪标签的干扰。在测试阶段，由于各网络对同一张图像的预测结果可能不一致，且各网络在训练后都有一定的价值，因此本发明基于整合的思想，将两个分割网络整合起来对测试图像进行预测，对测试结果有一定的提升。
2、本发明所采用的技术方案是：
3、步骤1：选取无人机航空数据集floodnet训练集中的图片进行输入；
4、步骤2：使用数据增强方法对输入的无人机图像进行傅里叶变换增强；
5、步骤3：对增强后的图像选用两个初始化不同的u-net网络同时进行分割；
6、步骤4：对置信度模块进行改进，选用高置信度的标签进行监督训练；
7、步骤5：综合两个分割网络得到的结果进行预测，共同计算最终的评价指标。
8、与现有技术相比，本发明的有益效果是：
9、(1)对于无人机航空图像的半监督分割，能够达到更高的分割查准率；
10、(2)能够采用更少的带标签数量，减少了标注成本，具有一定的泛化能力。
1.一种基于半监督的无人机航空图像分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，步骤2中的图像增强为随机选取一张图像x在不知道域标号的情况下，从源域提取原始信号作为输入图像，然后进行傅里叶变换f，将图像转换到频域，得到幅度谱ω和相位图p，其中幅度谱包含原始信号的低层统计量，而相位图包含原始信号的高层语义。
3.如权利要求1所述方法，其特征在于，步骤3中的cps框架里采用改进的置信度模块提高伪标签的质量，进而提高分割的精度。
4.如权利要求1所述方法，其特征在于，步骤4中的性能测评方法采用定量评估来检验分割方法的性能，同时综合了两个分割网络的预测结果。使用三个性能指标:像素查准率(pa)，平均相交于联合(miou)，和meanf1得分。
