Fernerkundungsbilder weisen deutliche Unterschiede in der Größe der Ziele und eine vielfältige Hintergrundkomplexität auf, es gibt spektrale Vermischungsphänomene und unklare Grenzen der Merkmale, was die Schwierigkeit der semantischen Segmentierungsaufgabe erhöht. Zur Bewältigung der Schwierigkeiten bei der semantischen Segmentierung von Fernerkundungsbildern aufgrund der gegenseitigen Abhängigkeit der Merkmale von Zielen bei unterschiedlichen Beleuchtungsbedingungen, schlägt dieser Artikel ein Modell zur semantischen Segmentierung von Fernerkundungsbildern auf der Basis der Entflechtung von Lichtreflexion vor, das aus einem Netzwerk zur Entflechtung von Lichtreflexion (LRD-Net) und einem multimodalen semantischen Segmentierungsnetzwerk (MSS-Net) besteht. Erstens, basierend auf der Retinex-Theorie wird LRD-Net entwickelt, um die Licht- und Reflexionseigenschaften in optischen Bildern zu zerlegen, und verwendet WS-Transformer, um globale und lokale Merkmale des Ziels zu extrahieren; dann verstärkt das mehrskalige Rauschmodul adaptiv die Lichtkomponenten, um die Entflechtungsfähigkeit des Modells zu verbessern, indem es die Unterschiede zwischen den Komponenten durch das Modul zur Verstärkung wesentlicher Merkmale (SE) hervorhebt. Schließlich verbessert das Kanteneigenschaftsauswahlmodul (EE) die Fähigkeit, die Kanten der Fernerkundungsziele zu erkennen, und MSS-Net, ein multimodales semantisches Segmentierungsnetzwerk, fusioniert Licht- und Reflexionseigenschaften, um die Leistung der semantischen Segmentierung zu verbessern. Auf den Datensätzen ISPRS Vaihingen und ISPRS Potsdam erreicht der mIoU-Index 84,60% bzw. 87,42%. Die Experimentresultate zeigen, dass das in diesem Artikel vorgeschlagene Modell in der Aufgabe der semantischen Segmentierung von Fernerkundungsbildern anderen Modellen überlegen ist.

Semantische Segmentierung; Bildzerlegung; Retinex-Theorie; Transformer