[發明專利]一種基于神經網絡模型的遙感圖像水體區域提取方法

有效

• 申請號: 202110651847.6
• 申請日: 2021-06-11
• 公開（公告）號: CN113343861B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 張微;馬夢婷
• 申請（專利權）人: 浙江大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/44;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

本發明公開了一種基于神經網絡模型的遙感圖像水體區域提取方法，屬于遙感圖像處理領域。本發明的核心在于設計了一個基于ResNet的多孔卷積金字塔模型的語義分割網絡(ResASPN)，用于作為水體提取模型。該網絡模型具備一定的優勢，基本框架可以概括為：第一，在特征提取部分使用ResNet網絡,增強了網絡的特征提取能力；第二，網絡中使用了多孔卷積金字塔模型，其中的多孔卷積金字塔池化結構能夠對圖像中任意尺度的區域進行準確的分類，最終使模型具有提取多尺度信息的能力。本發明能夠實現遙感圖像水體區域的自動提取，且其準確率相對于現有技術而言得到了明顯提升。

技術領域

本發明屬于遙感圖像處理領域，具體涉及一種基于神經網絡模型的遙感圖像水體區域提取方法。

背景技術

水資源是生物體生存所需的物質，并且其也與人類社會密不可分。但是近幾十年來，隨著城鎮化進程的不斷推進，以及人類活動范圍與強度的不斷增加，在促進了社會進步和經濟發展同時，也造成了自然水土流失、水資源污染、生態空間割裂、環境惡化和生物多樣性銳減等一系列問題。因此，對水資源的精準檢測以及有效管理是刻不容緩的，其將會對人類及其日常生活產生重要的影響，這其中對水體區域的提取是對水資源監測的重要環節之一。

水體提取是指從指定的圖像中提取水體目標，其應用很廣泛，諸如土地使用分析、地貌變化檢測、生態環境監測等。早期的水體提取方法很簡單，主要采取人為地面測量，但是傳統的水體提取方法有著明顯的弊端即會消耗大量的人力、物力和財力，并且通過此種方法得到的水體數據量也很有限。由于自動化程度很低，基于人為地面測量獲取水體數據的方法難以獲得大范圍的應用。而隨著高分衛星遙感技術的快速發展，因其具有檢測時間短、檢測范圍廣和檢測精度高的優點，從而能夠快速、客觀、準確地獲取水體信息并且能夠及時地監測地表水資源，所以近些年遙感技術在水體信息提取任務中得到了廣泛的應用。

根據水體的遙感機理及光譜特征分析，提出了很多方法：1.光譜分類法，依據影響上地物光譜特征差異，將水體從背景地物中分類出來。2.單波段閾值法，選擇使水體與非水體的反射率方差最大值作為閾值，將影像的直方圖分割為水體信息和背景信息。3.譜間關系法，利用水體在各個波段中不同的光譜響應特征，針對診斷波譜，通過建立組合模型，提取水體信息。4.水體指數法，通過計算綠光和近紅外波段的歸一化差異值，加強水體信息，抑制非水體信息，實現水體的提取。5.植被指數法，計算紅光波段和近紅外波段的植被指數，濾除植被的干擾，接著通過閾值調整，將水體與其他地物提取出來。6.微分光譜法，根據某段波長范圍內土壤、植被和建筑物的反射率逐漸升高，而水體反射率逐漸下降的特征差異，計算該段波長范圍內的光譜微分值，實現水體提取。對于這些早期的檢測方法來說，只能提取圖像的淺層特征信息，并且此類方法都不需要經過訓練，所以提取結果的精度不高。

根據機器學習方法，提出了基于傳統機器學習方法、以及深度語義分割方法的水體提取策略。基于傳統機器學習的語義分割方法出現在深度卷積神經網絡還未普及之前，一般采用聚類、搜索匹配的方法來實現。近些年，因為深度神經網絡的興起，基于深度語義分割網絡對遙感圖像中的水體進行提取成為了熱門的研究點，目前，大多數都是依賴U-net網絡框架來構建模型，而U-net本身為簡單的編碼-解碼網絡，編碼部分為VGG網絡，提取特征能力不強。

現有技術中存在的問題主要可以分為以下兩方面：

第一：基于水體遙感本身機理的提取方法，大多需要人為全程參與，耗費大量人力，其中選取閾值本身就是一個反復實驗的過程，而閾值的選取將會對分割結果產生很大的影響。

第二：隨著遙感圖像的分辨率越來越高，使得地物類內差異越來越大，簡單的網絡模型如U-net網絡等難以從海量數據中充分挖掘數據之間的關聯，泛化能力較弱，過程耗時耗力，且難以得到好的提取結果。

因此，亟需提供一種性能優越的遙感圖像水體區域自動提取算法。

發明內容

本發明的目的在于解決現有技術中存在的問題，并提供一種基于神經網絡模型的遙感圖像水體區域提取方法。