[發明專利]一種基于殘差金字塔網絡的遙感影像水體自動提取方法

有效

• 申請號: 201911248364.0
• 申請日: 2019-12-09
• 公開（公告）號: CN111178149B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 喻文勇;賈祎琳;王海波;齊建超;曹瓊;馬若琳
• 申請（專利權）人: 中國四維測繪技術有限公司
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/143;G06V10/774;G06V10/56;G06V10/82;G06N3/0464
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 張歡

1.一種基于殘差金字塔網絡的遙感影像水體自動提取方法，其特征在于，包括步驟如下：

步驟(1)：準備訓練樣本數據集；

步驟(2)：進行樣本擴充操作；所述步驟(2)中采用Gamma變換、飽和度變換、對比度變換和旋轉的方式對影像進行處理，實現對樣本的擴充；

步驟(3)：構造用于保障樣本均衡的帶權重損失函數；

步驟(4)：構建用于遙感影像水體自動提取的殘差金字塔網絡；

所述步驟(4)具體為：

在Caffe框架下逐層搭建殘差金字塔網絡，待訓練殘差金字塔網絡模型的網絡架構，包括：卷積層Conv1、卷積層Conv2、卷積層Conv3、卷積層Conv4、卷積層Conv5和FPN；

卷積層Conv1為：采用64個7×7的卷積核進行卷積操作，步長為2；

卷積層Conv2為：首先采用3×3的核對特征影像進行最大池化，步長為2；然后進行三組卷積操作，每組分別由64個1×1的卷積核、64個3×3的卷積核及256個1×1的卷積核組成；

卷積層Conv3為：進行三組卷積操作，每組分別由128個1×1的卷積核、128個3×3的卷積核及512個1×1的卷積核組成；

卷積層Conv4為：進行三組卷積操作，每組分別由256個1×1的卷積核、256個3×3的卷積核及1024個1×1的卷積核組成；

卷積層Conv5為：進行三組卷積操作，每組分別由512個1×1的卷積核、512個3×3的卷積核及2048個1×1的卷積核組成；

FPN為：對特征影像進行FPN操作，輸出類別為2，然后連接softmax層進行損失函數計算；

步驟(5)：根據步驟(2)中擴充后的訓練樣本訓練殘差金字塔網絡，并記錄訓練完成后的網絡參數；

所述步驟(5)中，訓練殘差金字塔網絡的具體方法為：

(5.1)遷移原有在ImageNet上已經訓練好的模型，初始化網絡權重值；

(5.2)輸入樣本擴充處理后的訓練數據至步驟5.1初始化后的網絡中，并進行訓練；

(5.3)計算網絡的輸出結果和相對標簽的誤差；

(5.4)利用誤差反向傳播算法調整網絡的權重和偏置，并返回步驟5.2，當網絡迭代更新至預設次數時，記錄此時的網絡參數；

步驟(6)：根據步驟(5)訓練好的殘差金字塔網絡對測試影像進行水體提取。

2.根據權利要求1所述的一種基于殘差金字塔網絡的遙感影像水體自動提取方法，其特征在于：訓練樣本數據為遙感衛星相機采集到的多光譜與全色融合后影像，包含紅、綠、藍、紅外四個波段；將多光譜全色融合后影像及對應的標簽影像分割制作成500×500的影像塊，形成訓練樣本數據集。

3.根據權利要求1所述的一種基于殘差金字塔網絡的遙感影像水體自動提取方法，其特征在于：所述步驟(3)具體為：

帶權重的損失函數

其中p_i為似然概率，y_i為標簽，w_i為權重，i表示地物序號，m為地物種類總數；q_i為第i類地物的頻數，則對應權重w_i為：

4.根據權利要求3所述的一種基于殘差金字塔網絡的遙感影像水體自動提取方法，其特征在于：所述步驟(4)中，網絡的殘差結構表述具體如下：

殘差學習使用多個有參網絡層來學習輸入與輸出之間的殘差(H(X)-X)，即X-(H(X)-X)+X；X為輸入，H為任一有參網絡層，H(X)為以X為輸入的H層的輸出。

5.根據權利要求4所述的一種基于殘差金字塔網絡的遙感影像水體自動提取方法，其特征在于：所述步驟(4)中，網絡的特征金字塔結構表述具體如下：將低分辨率、高語義信息的高層特征和高分辨率、低語義信息的低層特征進行自上而下的側邊連接。