[發明專利]一種基于深度學習的水體識別方法、系統和介質

有效

• 申請號: 202110297122.1
• 申請日: 2021-03-19
• 公開（公告）號: CN112949550B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 吳樊;李娟娟;王超;張紅;張波
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/764;G06V10/82;G06V10/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京金信知識產權代理有限公司 11225
• 代理人: 張放

本公開涉及一種基于深度學習的水體識別方法、系統和介質。其中所述方法包括：步驟S1、獲取水體樣本集，利用所述水體樣本集中的圖像通過訓練來獲取用于識別所述水體的網絡模型，所述網絡模型為U型全卷積神經網絡模型，包括降采樣卷積編碼層和上采樣卷積編碼層，各個卷積編碼層通過ResNet殘差結構連接；步驟S2、接收待識別的水體圖像，并對所述水體圖像進行預處理，所述水體圖像為中分辨率大區域SAR圖像；以及步驟S3、利用所述網絡模型對經預處理的水體圖像進行識別。所述方法通過構建穩健的水體識別網絡模型，從而實現高精度、自動化地水體識別和多時相監測。

技術領域

本公開涉及圖像處理領域，更具體地，涉及一種基于深度學習的水體識別方法、系統和介質。

背景技術

及時準確地進行水體大范圍制圖和動態監測對于水資源監測和防洪減災具有重要意義。合成孔徑雷達(Synthetic aperture radar,SAR)具有全天時、全天候、大范圍周期性對地觀測的特點，在大范圍水體監測應用中起著關鍵作用。但是，大范圍高效率和高精度的水體識別和動態監測依然存在一定挑戰。

遙感的出現為洪水信息的獲取提供了先進的技術手段。隨著遙感數據源的增多，利用光學傳感器數據獲取地表水體信息的研究已有較多發展。但是，洪水期云雨天氣限制了光學數據的有效性。合成孔徑雷達數據具有全天時、全天候的數據可獲取性，且水體在SAR圖像中后向散射系數值較低，具有與其他地物明顯的可分性，可用于應對復雜天氣的水文監測挑戰，實現對洪水擴張和消退的時間序列的近實時監測。

隨著星載合成孔徑雷達SAR技術的發展，大量星載雷達SAR數據，如ALOS PALSAR、COSMO-SkyMed、TerraSAR-X、Sentinel-1、GF-3等在水文信息監測方面具有廣泛的應用。基于SAR數據進行水體范圍提取的方法主要包括閾值法、監督分類和非監督分類法、面向對象技術、圖像紋理算法、主動輪廓建模以及機器學習等方法。

傳統方法基于SAR圖像中水體的低散射回波與周圍地物的高回波的對比。該方法存在的挑戰主要有四個方面：一是城市內部水體提取，高層建筑產生的陰影很容易被分割為水體；二是在密集分布的植被下的水體，由于植被層的雙重回波散射導致水體區域后向散射值較高，導致分類錯誤；三是不同時期湖水面積發生變化，水位下降湖泊表面的后向散射值不均勻，以及郊區水田呈現與水體相似的特征；四是山區水體提取方面，山體陰影呈現與水體相似的散射特征，不易與水體區分。針對上述挑戰，很難設置一個合適的閾值，且閾值的設置受人為干預較多。

近年來，隨著深度學習技術在SAR圖像場景分類、目標識別、變化檢測等領域取得顯著成果，存在一些嘗試將深度學習技術應用到SAR數據水體的自動提取中。例如選擇城市洪澇區作為研究區，并使用多時相SAR數據開發主動的自學習方法訓練CNN模型，其與單純訓練的分類器相比，表現出了更好的性能。又例如對FCN網絡進行改進，實現GF-3SAR數據水體的自動和高精度提取。基于U-Net網絡和XNet網絡，利用閾值法提取的水體作為樣本，節約了大量人工標注時間，并且獲得了精確的制圖結果,但是閾值法的設定受人為干預影響較大，且樣本數據的人工清洗比較耗時。再例如由多尺度空間特征(MSF)提取、多級選擇性注意網絡(MLSAN)和改進策略三部分的端到端的SAR圖像水體和陰影區域自動分類框架，實現了山區水體的精確提取。上述成果說明應用深度學習技術進行SAR數據進行洪水范圍提取具有一定應用潛力。但是上述方法并沒有在大區域范圍多時相SAR數據進行算法的泛化性能的測試。

發明內容

本公開提供一種基于深度學習的水體識別方案，以解決上述技術問題。該方案針對水文快速監測需求，采用自動化的多時相水體快速檢測框架。通過引用雙峰閾值分割方法生成多時相水體樣本集；將殘差模塊引入到U-Net模型，對于大范圍SAR圖像水體提取具有良好的效果，從而為洪水監測、抗洪救災提供技術和決策支持。