[發明專利]一種面向容器云的卷積神經網絡水體提取方法

有效

• 申請號: 202010789924.X
• 申請日: 2020-08-07
• 公開（公告）號: CN111985368B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 張東映;梁忠壯;黃偉;洪志明
• 申請（專利權）人: 武漢善睞科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海思牛達專利代理事務所(特殊普通合伙) 31355
• 代理人: 雍常明

本發明公開了一種面向容器云的卷積神經網絡水體提取方法，涉及遙感影像的解譯與分類技術領域，包括以下步驟：預先獲取水體的光譜特性，選取波段組成光譜向量；對光譜向量進行轉換獲取光譜特征矩陣，并作為卷積神經網絡模型的輸入特征；以光譜特征矩陣為樣本，獲取水體提取模型；以多分辨分割算法對需要進行水體提取的遙感影像進行對象分割，并使用唯一ID標識每個對象。本發明通過綜合利用光譜特征和空間特征提取水體，能夠有效抑制陰影對水體提取的影響；同時利用容器云和Spark并行優化，效率明顯優于單機模式下的效率，并且隨著數據量的增加效率提升越明顯。

技術領域

本發明涉及遙感影像的解譯與分類技術領域，具體來說，涉及一種面向容器云的卷積神經網絡水體提取方法。

背景技術

隨著遙感技術的快速發展，遙感數據時間分辨率和空間分辨率也越來越高，為水利、農業、環境等領域的業務化監測應用提供了豐富的數據源支持。我國河流和湖泊眾多，如何充分利用遙感影像快速獲取水體信息是水利監測的重要任務之一。尤其對于常年出現積水洪澇災害的區域，準確、快速地獲取洪澇的范圍對于防洪減災具有重要的意義。

由于傳統的遙感水體提取并行度不高或者很多算法都是串行的，導致水體提取效率低下。且目前云計算和大數據處理技術已經在遙感處理中得到廣泛的應用，但結合云計算、容器虛擬化技術、Spark以及深度學習模型在遙感水體的研究較少，使得水體提取算法無法高效、精確、靈活地應用。

因此，亟需一種面向容器云的卷積神經網絡水體提取方法。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種面向容器云的卷積神經網絡水體提取方法，以克服現有相關技術所存在的上述技術問題。

本發明的技術方案是這樣實現的：

一種面向容器云的卷積神經網絡水體提取方法，包括以下步驟：

步驟S1，預先獲取水體的光譜特性，選取波段組成光譜向量；

步驟S2，對光譜向量進行轉換獲取光譜特征矩陣，并作為卷積神經網絡模型的輸入特征；

步驟S3，以光譜特征矩陣為樣本，獲取水體提取模型；

步驟S4，以多分辨分割算法對需要進行水體提取的遙感影像進行對象分割，并使用唯一ID標識每個對象；

步驟S5，將需要進行水體提取的遙感影像的數據格式轉換成parquet的數據格式，使用Spark的Read方法將轉換后的數據以Spark DataSet類型進行讀取，并對讀取的DataSet按照行的方式進行重新分區；

步驟S6，在分類結果的DataSet中遍歷每一個對象，提取對象范圍內的像素的分類的信息，根據投票法求出得票最多的類別，并將該類別作為該對象的分類結果。

進一步的，所述組成光譜向量，包括以下步驟:

預先獲取地物的光譜反射率曲線；

篩選影像中用于水體提取的波段，并將波段合成多波段影像；

進行對合成多波段影像采集水體和其他地物的像素，并對所選取的像素進行類別標記；

確定像素包含多個影像波段值，共同構成該像素的光譜向量。

進一步的，所述光譜特征矩陣，進一步包括以下步驟：

光譜向量乘以該光譜向量的轉置，獲取光譜特征矩陣；

光譜特征矩陣，表示為：

S＝s^T·s