[發明專利]一種基于半監督學習的多光譜河道遙感監測方法

在審

• 申請號: 202010735133.9
• 申請日: 2020-07-28
• 公開（公告）號: CN112084843A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 賈克斌;魏之皓;張家琪;馮金超;孫中華;劉鵬宇
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種基于半監督學習的多光譜河道遙感監測方法，其特征在于以下步驟：

1)多光譜遙感圖像讀入：

定義多光譜遙感數據的訓練集W，其中包括已人工標注的樣本集W_1，和未標注的樣本集W_2，以及待分類識別的多光譜遙感數據的測試集V；

2)對稱卷積神經網絡特征提取：

定義對稱卷積神經網絡結構M，該網絡依次由輸入層、卷積層、卷積層、中間層、卷積層、卷積層、輸出層組成；其中，卷積層、中間層、輸出層的卷積核尺寸為3*3，卷積深度依次為：24、36、1、36、24、9；首先采用訓練集W進行網絡M訓練，訓練中損失函數的參數為：二元交叉熵；

基于已訓練好的對稱卷積神經網絡M，分別對訓練集W和測試集V進行特征提取；以訓練集W中的任意樣本矩陣W_1為例；具體操作是將W_1作為網絡K輸入層的輸入，并從K的中間層獲取輸出L；由此，得到已人工標注的樣本集的特征集WW_1，和未標注的樣本集的特征集WW_2，和V的特征集合VV；

隨后，采用對WW_1、WW_2和VV進行聚類，按照聚類結果將已人工標注的樣本集W_1和未標注的樣本集W_2分為m個不同子集W_1_1至W_1_m，以及W_2_1至W_2_m，其中m為自然數；同時定義各個子集的中心分別為W_1_m_C和W_2_m_C；

3)基于半監督學習的目標區域分類：

首先，定義對稱結構自編碼器網絡結構，該網絡依次由輸入層、卷積層1、卷積層2、卷積層3、卷積層4、卷積層5、卷積層6、輸出層組成；其中，卷積層、輸出層的卷積核尺寸為3*3，卷積深度依次為：24、36、48、48、36、24、9；隨后，定義多光譜圖像目標區域分類模型結構，該網絡依次由輸入層、卷積層1、卷積層2、卷積層3、卷積層4、卷積層5、卷積層6、輸出層組成；其中，卷積層、輸出層的卷積核尺寸為3*3，卷積深度依次為：24、36、48、48、36、24、1；利用訓練集W中的未標注樣本子集W_2_m，訓練多個對稱結構自編碼器網絡結構，隨后將對稱結構自編碼器網絡結構的編碼器參數復制遷移到按照多光譜圖像目標區域分類模型結構定義的多個模型的自編碼器結構部分，實現網絡訓練的半監督初始化過程，最后利用已標注的樣本子集W_2_m進行多光譜圖像目標區域分類模型結構所示的網絡模型訓練；具體過程如下：

Step1：定義n個多光譜圖像目標區域分類模型K_3_n，其中n為自然數；將未標注的樣本集W_2_m賦值給K_3_n的輸入層和輸出層進行模型訓練，訓練中損失函數的參數為：二元交叉熵；

Step2：定義z個多光譜圖像目標區域分類模型結構K_4_z，其中z為自然數；將已訓練的模型K_3_n的自編碼器結構的網絡參數賦值給對應的K_4_z的自編碼器結構部分并凍結該部分的參數，隨后將已標注的樣本集W_1_m賦值給K_4_z的輸入層和輸出層進行模型訓練，訓練中損失函數的參數為：二元交叉熵；

4)基于集成學習的目標區域分類結果融合：

Step1：對于任意測試集V的測試圖像V_1，得到K_2模型輸出的特征VV_1；

Step2：將VV_1進行矩陣轉換，得到VV_1’，VV_1’與W_1_m_C的矩陣尺度保持一致，隨后計算VV_1’與各個聚類組中心W_1_m_C的歐式空間距離O_s，s為自然數；隨后對O_s進行排序，選取其中數值最小的3個值對應的聚類組,定義為當前測試圖像的三個臨近語義聚類組；

Step3：將測試圖像V_1作為輸入，從已訓練好的z個K_4_z模型中，采用前一步中三個臨近語義聚類組訓練得到的模型，分別進行目標區域分類識別，得到三個分類識別結果；

Step4：將三個分類識別結果進行相加求平均的操作，得到最終的基于集成學習的目標區域分類結果融合；

5)基于計算機視覺的河道寬度監測：

從分類結果的河流區域的某個任意起始點A出發，尋找距離河流兩岸的最短內接直線，即最大內接圓的直徑；該最短內接直線即為經過A點且與河流中線垂直的河道寬度；該過程的具體步驟如下：

首先定義作為輸入的已完成河流區域識別的分類結果圖，其中每個網格的端點表示一個像素點，填充有灰色的網格方塊表示該方塊的四個端點對應的像素點位置被前一步驟分類識別為水體像素點，對應河流遙感圖像的水體區域；填充為白色的網格方塊表示該方塊的四個端點對應的像素點位置被前一步驟分類識別為陸地像素點，對應河流遙感圖像的陸地區域；

Step1：隨機選取一個水體像素點作為起始點A；以A點為中心，構建一個半徑為R的圓形邊界T_i，令i＝1，隨后使i＝i+1,便于更新下一個更大圓環的名稱；R為距離A點最近的網格像素點集中的任意點B的距離；定義當前關注點的概念，并將當前關注點設為B；定義任意兩點X，Y的距離的描述變量DXY，表示X、Y在網格中的最近直線距離；

Step2：定義相對于當前關注點B的次近點C，使對于任意點X，不存在同時滿足DAXDAB且DAXDAC的點，由此確保C點為僅次于B點的，距離A點較近的點；

Step3：繪制半徑DAC圓環T_i，i＝i+1，并將當前關注點更新為當前關注點的次近點，如將當前關注點B更新為B點的次近點C；隨后，判定網格中位于圓環T_i上的像素點，是否存在陸地像素點：

若判定不存在陸地像素點，則繼續構建半徑更大的圓形邊界T_i，i＝i+1，該圓環的半徑為DAD；其中D點為相對于當前關注點C的次近點；

若判定存在陸地像素點E，則標記該陸地像素點E，同時從E點出發，沿著直線EA的延長線，尋找第一個不是水體像素點的陸地像素點G，由此確定EA延長線上最后一個水體像素點F，確保在延長線上F點與G點相鄰；此時DCF即為河道中關于A點的最大內切圓的直徑，也就是以A點為測量點的河道寬度KA；

Step4：重復Step1至3步驟Q次，其中Q為正整數，且Q10，基于不同的隨機初始點S，得到多個河道寬度的測量集合KS，計算KS的統計平均值，即為該幅河道遙感圖像的河道平均寬度。

2.根據權利要求1所述的方法，其特征在于，所述步驟4中采用了基于聚類排序的集成學習模式進行多模型的目標區域分類結果融合，得到最終的多光譜圖像區域分類識別結果。