Les images satellites présentent des différences de taille significatives entre les objets et des arrière-plans complexes, ce qui entraîne un mélange spectrale des matériaux et une frontière floue des caractéristiques. Cela rend la tâche de segmentation sémantique difficile. En raison de la difficulté de la segmentation sémantique des images satellites due à la dépendance mutuelle des caractéristiques des objets dans des conditions d'éclairage différentes, cet article propose un modèle de segmentation sémantique d'images satellites basé sur la décomposition de l'image et la résolution des dépendances des caractéristiques de réflexion - éclairage (LRD-Net) et du réseau de segmentation sémantique multimodal (MSS-Net). Tout d'abord, le réseau LRD-Net, basé sur la théorie de Retinex, est utilisé pour décomposer les caractéristiques d'éclairage et de réflexion dans l'image optique à l'aide d'un transformateur de poids partagé (WS-Transformer) pour extraire les caractéristiques globales et locales de la cible; Deuxièmement, un module de bruit à plusieurs échelles est introduit pour renforcer adaptativement le composant d'éclairage afin d'améliorer la capacité du modèle à résoudre les dépendances, en utilisant un module d'amplification des caractéristiques saisissantes (SE) pour mettre en évidence les différentes informations entre les composants de caractéristiques; Enfin, l'utilisation du module d'extraction des caractéristiques de bord (EE) pour améliorer la capacité de reconnaissance des bords des cibles à distance et l'utilisation du réseau de segmentation sémantique multimodal (MSS-Net) pour fusionner les caractéristiques d'éclairage et de réflexion pour améliorer les performances de segmentation sémantique. L'évaluation des performances sur les ensembles de données ISPRS Vaihingen et ISPRS Potsdam a montré que le mIoU (indice de Jaccard moyen) était respectivement de 84,60% et 87,42%. Les résultats expérimentaux montrent que le modèle proposé est meilleur que les autres modèles dans la tâche de segmentation sémantique des images satellites.

semantic segmentation;Image decomposition;Retinex theory;Transformer