[發明專利]基于深度卷積神經網絡的遙感影像紅樹林提取方法及系統

有效

• 申請號: 201911058700.5
• 申請日: 2019-10-31
• 公開（公告）號: CN110852225B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 郭明強;黃穎;余仲陽;李春風;謝忠;關慶鋒;吳亮;王均浩;曹威
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V20/10;G06K9/62;G06N3/04
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 金慧君

1.一種基于深度卷積神經網絡的遙感影像紅樹林提取方法，其特征在于，包含如下步驟：

S1、下載歐洲航天局的哨兵-2數據，通過Sen2cor中命令進行大氣校正，通過SNAP軟件對校正后的數據進行重采樣，得到遙感影像各波段數據；

S2、通過遙感影像處理軟件ENVI 5.3繪制研究區域以裁剪出海南島的海濱地區，并通過波段運算計算出水域指數、歸一化植被覆蓋指數、森林指數、濕地森林指數和紅樹林指數5個指數信息，并與紅綠藍三個可見光波段以及一個短波紅外波段一起一共9個波段數據，然后將9個波段數據劃分為三組，以輸出3個tiff文件；

S3、通過ArcGIS軟件新建面矢量文件，加載所述3個tiff文件，并根據遙感解譯的方法矢量化出真實的紅樹林覆蓋區域，最終輸出為png格式的灰度圖mangrove.png，將灰度圖mangrove.png二值化，二值化后的mangrove.png文件即為制作好的遙感影像紅樹林覆蓋區域的標簽文件；

S4、基于所述3個tiff文件和所述標簽文件，通過調用python內opencv-python庫函數根據數據增強方法生成多張圖片；每張圖片對應一個標簽文件和與標簽文件對應的經過數據增強方法所形成的3個tiff文件，各標簽文件與tiff文件的尺寸相同，標簽文件為二值灰度圖，通道數為1，tiff文件為三通道彩色影像，通道數為3；對tiff文件的像素值進行歸一化處理，然后將歸一化處理后所述多張圖片進行劃分，得到訓練集、驗證集和測試集；

S5、調用深度學習框架TensorFlow和Keras中的卷積層、池化層、損失函數與激活函數，從而搭建遙感影像語義的分類模型ME-net，其中分類模型ME-net在進行訓練時每個樣本有四個輸入，分別為一個標簽文件和對應的3個tiff文件；分類模型ME-net通過如下編碼步驟、解碼步驟和數據融合步驟實現：

編碼步驟：對每個樣本中的3個tiff文件做5次下采樣，下采樣采用所述池化層進行最大池化，分別輸出5種不同尺寸的特征圖，5種尺寸分別為原尺寸的1倍、1/2倍、1/4倍、1/8倍以及1/16倍，對應的通道數依次為原尺寸的1倍、2倍、4倍、8倍以及16倍；在每次對特征圖做池化之前，先通過三個卷積層提取特征圖的語義信息，即得到紅樹林抽象的分類信息；

解碼步驟：對每個樣本中3個tiff文件做5次上采樣，上采樣采用所述池化層進行最大池化，分別輸出5種不同尺寸的特征圖，5種尺寸分別為原尺寸的1倍、1/2倍、1/4倍、1/8倍以及1/16倍，對應的通道數依次為原尺寸的1倍、2倍、4倍、8倍以及16倍，將解碼步驟得到的5種不同尺寸的特征圖與編碼步驟具有相同尺寸的特征圖按通道相加，根據相加后的結果通過濾波器整合特征圖的空間信息，從而得到特征圖位置信息；然后整合所述語義信息和所述特征圖位置信息，還原出圖像掩模，圖像掩模的大小與所述樣本中的大小一致，通道數為1，即每個樣本對應一個圖像掩模；其中圖像掩模的灰度值若為1則代表歸為紅樹林一類，若為0則為非紅樹林一類；

數據融合步驟：對解碼步驟中得到的5種不同尺寸的特征圖進行上采樣，得到與樣本的尺寸一樣的特征圖，且本次上采樣不改變通道數；給尺寸最大、中間、最小的圖像掩模分別添加一個不同的所述損失函數，再將三個損失函數進行相加后得到總的損失函數；將數據融合步驟中進行上采樣得到的5個特征圖按通道相加，利用濾波器對本步驟中通道相加的結果進行特征圖的空間信息和通道信息的整合，輸出特征圖的通道數即圖像掩模的通道數，這里通道數為1，代表紅樹林的二值分類圖，激活函數為sigmoid，通過精度評價指標IOU衡量圖像掩模與標簽文件之間的差異；

S6、設置訓練批量和學習率參數，調用train函數利用所述訓練集對分類模型ME-net進行迭代訓練，并利用驗證集對每一輪訓練后的模型進行驗證，在訓練集和驗證集關于分類模型ME-net的精度評價指標IOU均穩定之后，保存訓練完成的分類模型ME-net，最后調用test函數在測試集檢測訓練完成的分類模型ME-net，模型的評價指標為IOU；以訓練輪數為橫軸，以IOU值為縱軸對訓練過程進行可視化，經過幾十輪的訓練之后，IOU先上升然后無線逼近某個IOU值，最后在該值附近保持小范圍的波動，而接下來的幾十輪訓練中，IOU值不隨輪數的增加而增大或減小，則視為模型已經收斂，保存模型參數，停止訓練，防止過擬合，然后繼續步驟S7，若訓練集和驗證集的IOU不穩定，則回到步驟S4重新進行數據增強獲取與之前不同的圖片，并修改批量和學習率參數；

S7、在測試集的紅樹林分類結果輸出之后，再通過條件隨機場模型CRF對訓練完成的分類模型ME-net進一步做后處理：利用條件隨機場中的二元勢函數對任意兩個像素點間的顏色和位置進行約束，使得相近顏色和相鄰位置的像素點更容易擁有相同的分類，同時考慮相鄰像素點之間的平滑度，對邊緣進行平滑，從而對語義分割結果進行細調，使得評價指標精度IOU更佳，從而得到最終的紅樹林分類模型。