[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

本發明公開了一種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，本發明首先對高分辨率的遙感影像進行預處理，包括遙感影像的大氣校正與研究區域裁剪，對處理后的各波段進行波段運算以提取先驗特征信息；應用多源數據融合實現多波段和特征信息的融合，構建數據集；訓練并驗證由卷積神經網絡搭建的語義分類模型ME?net；調用ME?net模型實現紅樹林的自動分類，輸出一個png格式的掩模文件，即為分類和提取的結果；通過長距離條件隨機場對分類結果進行細調。本發明中的分類模型在應用中可通過擴展數據集使得分類精度達到92.3％，完全可以代替人工目視解譯，為高精度影像地圖的更新和濱海地區生態系統的保護提供輔助技術支持。

技術領域

本發明涉及地理信息科學領域，更具體地說，涉及一種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。

背景技術

在高精度影像地圖的更新及生態環境的檢測與保護中，遙感影像的分類與解譯工作扮演者十分重要的角色，但由于遙感解譯在實踐過程中的復雜性，使得解譯過程中會耗費大量的人力和物力；與此同時，遙感影像的地物分類的方法雖多，但分類結果卻良莠不齊。其中，以濱海地區紅樹林的提取為例，可以發現存在諸多難點，其中紅樹林與影像中的植被，森林，濕地森林特征有很大的區別和聯系；同時，紅樹林由于與一些其樹種，如柳樹等在遙感影像中存在十分類似的顏色、紋理和分布規律(靠近水域)等特征；此外，紅樹林又可分為人工種植和自然形成兩種情況，人工種植的紅樹林會在開始階段呈現一定的規律性，之后在一定時間演變后，又會形成另一種近似自然分布形態特征。傳統的機器學習方法如隨機森林，雖廣泛應用于遙感影像分類中，但操作卻較為復雜，精度也不夠高；遙感影像的主成分分析等圖像處理方法卻需要大量人工去分析，所以急需一種精確度高、操作簡單且低成本的方式實現紅樹林的自動分類和提取。

發明內容

本發明要解決的技術問題在于，針對現有技術中高分辨率遙感影像中紅樹林解譯費時費力且精度低的技術缺陷，提供基于深度卷積神經網絡的遙感影像紅樹林自動提取方法。

本發明解決其技術問題，所采用的技術原理是：本發明公開了一種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，模型被稱為ME-net，通過訓練、測試并調用ME-net模型實現遙感影像中地物類型的自動識別。本發明首先對高分辨率的遙感影像進行預處理，包括遙感影像的大氣校正與研究區域裁剪；其次對處理后的各波段進行波段運算以提取先驗特征信息；然后應用多源數據融合實現多波段和特征信息的融合，構建數據集；再然后訓練并驗證由卷積神經網絡搭建的分類模型ME-net；再調用ME-net模型實現紅樹林的自動分類，輸出一個png格式的掩模文件，即為分類和提取的結果；最后通過長距離條件隨機場對分類結果進行細調。本發明中只需對多波段遙感影像進行基本的圖像處理和特征信息波段融合，再調用紅樹林分類模型即可提取研究區域中的紅樹林地物，模型在應用中可通過擴展數據集使得分類精度達到92.3％，完全可以代替人工目視解譯，為高精度影像地圖的更新和濱海地區生態系統的保護提供輔助技術支持。

附圖說明

下面將結合附圖及實施例對本發明作進一步說明，附圖中：

圖1是基于深度卷積神經網絡的遙感影像紅樹林提取方法一實施例的流程圖。

具體實施方式

為了對本發明的技術特征、目的和效果有更加清楚的理解，現對照附圖詳細說明本發明的具體實施方式。

參考圖1，圖1是基于深度卷積神經網絡的遙感影像紅樹林提取方法一實施例的流程圖。本實施例的基于深度卷積神經網絡的遙感影像紅樹林提取方法包含如下步驟：

S1、下載歐洲航天局的哨兵-2數據(S2A MSIL1C)，打開CMD控制臺，通過Sen2cor中的命令L2A_Process進行大氣校正，通過SNAP軟件對校正后的數據進行重采樣(raster-geometric operations-resampling)，得到遙感影像各波段數據。