[發(fā)明專利]基于U-net神經(jīng)網(wǎng)絡(luò)的精細(xì)水體提取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011121566.1
• 申請(qǐng)日: 2020-10-20
• 公開(kāi)（公告）號(hào): CN112232229B
• 公開(kāi)（公告）日: 2022-04-01
• 發(fā)明（設(shè)計(jì)）人: 蔡玉林;秦鵬;孫孟昊;王雪麗;柳佳;范璞然;李龍坤;徐慧宇
• 申請(qǐng)（專利權(quán)）人: 山東科技大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V10/774;G06V10/82;G06T7/11;G06K9/62;G06N3/04
• 代理公司: 青島智地領(lǐng)創(chuàng)專利代理有限公司 37252
• 代理人: 陳海濱

本發(fā)明公開(kāi)了基于U?net神經(jīng)網(wǎng)絡(luò)的精細(xì)水體提取方法，涉及卷積神經(jīng)網(wǎng)絡(luò)和水體提取技術(shù)領(lǐng)域，特別是涉及高光譜數(shù)據(jù)進(jìn)行水體提取，包括：將全部波段的原始影像導(dǎo)入ENVI，進(jìn)行主成分分析；將不同的主成分進(jìn)行多種組合；形成標(biāo)簽數(shù)據(jù)；將最優(yōu)遙感影像劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；將所有訓(xùn)練數(shù)據(jù)輸入U(xiǎn)?net神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；將最優(yōu)遙感影像的測(cè)試數(shù)據(jù)輸入訓(xùn)練后的U?net神經(jīng)網(wǎng)絡(luò)，得到輸出影像；將輸出影像進(jìn)行閾值分割、拼接，還原至原始大?。话堰€原至原始大小的輸出影像與標(biāo)簽數(shù)據(jù)中的測(cè)試數(shù)據(jù)進(jìn)行對(duì)比，評(píng)價(jià)精細(xì)水體提取的精度。

技術(shù)領(lǐng)域

本發(fā)明公開(kāi)了基于U-net神經(jīng)網(wǎng)絡(luò)的精細(xì)水體提取方法，屬于卷積神經(jīng)網(wǎng)絡(luò)和水體提取技術(shù)領(lǐng)域。

背景技術(shù)

隨著遙感技術(shù)的不斷發(fā)展,使用遙感手段自動(dòng)提取地表水體信息已成為全球信息提取研究方面的熱點(diǎn)。由于水體在近紅外波段附近光譜反射特征的不同，通過(guò)設(shè)置閾值可識(shí)別水體，但這種采用單一波段的方法很難將背景與水體完全區(qū)分開(kāi)；使用多個(gè)波段的組合進(jìn)行比值運(yùn)算及指數(shù)提取方法能突出水體信息，但只適用于大范圍水體提取，對(duì)一些細(xì)小水體的識(shí)別效果并不理想。

發(fā)明內(nèi)容

本發(fā)明公開(kāi)了基于U-net神經(jīng)網(wǎng)絡(luò)的精細(xì)水體提取方法，以解決現(xiàn)有技術(shù)中對(duì)遙感影像的細(xì)小水體識(shí)別效果不好的問(wèn)題。

基于U-net神經(jīng)網(wǎng)絡(luò)的精細(xì)水體提取方法，包括：

S1.將全部波段的原始影像導(dǎo)入ENVI，進(jìn)行主成分分析，使相關(guān)性強(qiáng)的波段轉(zhuǎn)換為相關(guān)性弱的波段，相關(guān)性弱的波段作為主成分；

S2.將不同的主成分進(jìn)行多種組合，每種組合均合成一幅多波段遙感影像，把多波段遙感影像分別輸入U(xiǎn)-net網(wǎng)絡(luò)進(jìn)行試驗(yàn)，確定能獲得最好水體分類效果的多波段遙感影像，稱為最優(yōu)遙感影像；

S3.對(duì)最優(yōu)遙感影像進(jìn)行水體目視解譯、使用ENVI勾畫感興趣區(qū)域、標(biāo)注水體，形成標(biāo)簽數(shù)據(jù)；

S4.將最優(yōu)遙感影像劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)中一部分?jǐn)?shù)據(jù)作為驗(yàn)證集；對(duì)標(biāo)簽數(shù)據(jù)作出與S4中最優(yōu)遙感影像相同方式的劃分；

S5.將所有訓(xùn)練數(shù)據(jù)輸入U(xiǎn)-net神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)卷積操作和最大池化的下采樣操作，獲得第一次水體特征；經(jīng)過(guò)卷積操作和上采樣操作，獲得第二次水體特征；將上述兩次水體特征進(jìn)行連接，提取最終的水體特征；將最終水體特征與真實(shí)水體特征進(jìn)行對(duì)比，不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，使U-net神經(jīng)網(wǎng)絡(luò)輸出的水體和真實(shí)水體不斷接近，完成對(duì)U-net神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；

S6.將最優(yōu)遙感影像的測(cè)試數(shù)據(jù)輸入訓(xùn)練后的U-net神經(jīng)網(wǎng)絡(luò)，得到輸出影像；將輸出影像進(jìn)行閾值分割、拼接，還原至原始大??；

S7.把還原至原始大小的輸出影像與標(biāo)簽數(shù)據(jù)中的測(cè)試數(shù)據(jù)進(jìn)行對(duì)比，評(píng)價(jià)精細(xì)水體提取的精度。

優(yōu)選地，所述步驟S1中原始影像格式為.tiff，進(jìn)行主成分分析時(shí)使用的參數(shù)為協(xié)方差矩陣，過(guò)程為：建立一個(gè)原點(diǎn)為數(shù)據(jù)均值的坐標(biāo)系統(tǒng)，通過(guò)坐標(biāo)軸的旋轉(zhuǎn)使數(shù)據(jù)的方差達(dá)到最大，生成互不相關(guān)的輸出波段。

優(yōu)選地，所述步驟S1中，形成主成分后ENVI按照以下順序輸出：第一主成分方差最大，第二主成分方差第二大，以此類推，最后的主成分方差最小。

優(yōu)選地，所述步驟S3中，標(biāo)簽數(shù)據(jù)設(shè)置水體值為1，非水體值為0。

優(yōu)選地，所述步驟S4中，驗(yàn)證集不參與訓(xùn)練，用于計(jì)算訓(xùn)練完成后U-net神經(jīng)網(wǎng)絡(luò)的精度。

優(yōu)選地，所述步驟S5執(zhí)行前，將最優(yōu)遙感影像的訓(xùn)練數(shù)據(jù)、對(duì)應(yīng)標(biāo)簽數(shù)據(jù)的訓(xùn)練數(shù)據(jù)進(jìn)行分割，輸出64*64的影像，作為步驟S5中的訓(xùn)練數(shù)據(jù)。

優(yōu)選地，所述步驟S5中，對(duì)U-net神經(jīng)網(wǎng)絡(luò)進(jìn)行加深處理，加深后包含了3×3的卷積層、2×2的下采樣層、2×2的上采樣層和跳躍連接層，卷積操作執(zhí)行后，使用Relu激活函數(shù)。