CN111104889A - 一种基于U-net的水体遥感识别方法 - Google Patents

一种基于U-net的水体遥感识别方法 Download PDF

Info

Publication number
CN111104889A
CN111104889A CN201911279571.2A CN201911279571A CN111104889A CN 111104889 A CN111104889 A CN 111104889A CN 201911279571 A CN201911279571 A CN 201911279571A CN 111104889 A CN111104889 A CN 111104889A
Authority
CN
China
Prior art keywords
water body
extraction
training
net
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911279571.2A
Other languages
English (en)
Other versions
CN111104889B (zh
Inventor
王春香
王萍
明艳芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201911279571.2A priority Critical patent/CN111104889B/zh
Publication of CN111104889A publication Critical patent/CN111104889A/zh
Application granted granted Critical
Publication of CN111104889B publication Critical patent/CN111104889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于U‑net的水体遥感识别方法，包括如下步骤：A、数据收集和预处理；B、水体的初步提取；C、水体提取结果的处理；D、训练和验证样本的制作；E、U‑net神经网络模型的训练；F、水体的提取。通过对不同地物在影像各波段的光谱分析，设定两种水体初步提取算法，可提取出全部水体及部分其他地物，保留公共真值区域，即为初步水体结果。后针对提取结果进行分类后处理，格式转换、修改，制作训练和验证样本，通过U‑net神经网络模型的训练，获得模型，预测水体。该方法适用于地表结构复杂的地区，操作简单，普适性强，可更好的剔除阴影、建筑物及泡田期农田干扰，同时对小湖泊、小水塘提取效果较好，实现了水体的精确提取。

Description

一种基于U-net的水体遥感识别方法
技术领域
本发明涉及使用卫星遥感影像提取水体的方法，尤其涉及一种使用U-net进行水体遥感识别的方法。
背景技术
地球表面大约有70％的面积被水覆盖，水不仅是一种资源，更是一种环境因子。水体主要包括河流、湖泊、坑塘、水库、渠道等。随着经济不断发展，人类对生存环境的需求日益增加，受到人们生产活动和气候变化的共同作用，水环境发生了巨大的变化，人们愈加关注水资源的监测、管理与分析问题。卫星遥感技术以宏观、实时、准确和动态等诸多优点在资源调查、环境监测、防灾减灾等众多领域中起着重要的作用。因此，利用遥感数据进行水资源的监测、调查和分析已成为一种必然的趋势。
在遥感影像上，水体在近红外波段上吸收强烈，而土壤和植被在这个波段吸收较少，具有较高的反射特性，所以水体在这个波段上与土壤、植被区别明显，水体在影像上显示为暗色调，土壤和植被则呈现出相对较亮的色调，水体的识别是利用水体与其他地物的光谱特征差异，使用卫星遥感数据通过适当的阈值设置实现水体提取。常用水体提取的方法有阈值法、多波段谱间关系法、水体指数法、主成分分析法、决策树法等，通过阈值法来提取水体，效果并不理想，水体、阴影及泡田期的耕地混淆现象较为严重。阴影是图像退化的一种特殊表现，对水体的识别，尤其是细小水体的提取造成严重的噪声干扰。
水体指数及谱间关系法，可以在一定程度上去除部分阴影，但阈值的取舍是个关键，阈值高了会丢失或漏提那些细小水体信息，阈值低了会误提不少其他的地物信息。面向对象方法有效地消除了阴影的影响，减少了误提现象，但无法彻底抑制与水体无关的背景信息。
另外目前针对水体的提取，主要选择清空影像，而对于南方区域，云的影响比较严重，所以考虑云阴影对水体提取的影响。
因此对于存在山体、建筑物、云的阴影、泡田期的耕地影响的区域以及存在小湖泊、坑塘地区的水体提取，上述方法都存在严重的误提、漏提等现象。
因此，现有技术有待于更进一步的改进和发展。
发明内容
鉴于上述现有技术的不足，本发明提供的一种基于U-net的水体遥感识别方法，该方法可有效剔除水体识别时易混淆地物，如建筑物阴影、云阴影及泡田期耕地，准确提取面积大的河流、湖泊的基础上，同时提高了对小湖泊、坑塘识别的精度。
为解决上述技术问题，本发明方案包括：
一种基于U-net的水体遥感识别方法，其包括以下步骤：
A、数据收集和预处理：选取待研究区域的可用影像，云量小于20％的清晰影像，作为基础数据，并对基础数据进行预处理，同时针对U-net训练需要样本选择样本区域；
B、水体的初步提取：根据地物在各影像波段上的光谱差异对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果。
C、水体提取结果的处理：对步骤B中的水体提取结果，先进行分类后处理，然后进行栅矢转换，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行修改，得到样本范围内准确的水体矢量图斑。
D、训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，保证样本多样性，增强网络的泛化能力，通过分块获得足够的训练样本。
E、U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
F、水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
G、检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读错误率高的难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地区，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
所述的遥感识别方法，其中，所述步骤A具体的包括：基础数据为美国地质勘探局(USGS)下载哨兵2号卫星图像(Level-1C级)，经正射校正和亚像元级几何精校正后的大气表观反射率产品，需要经过辐射定标和大气校正获取大气底层反射率数据。
所述的水体遥感识别方法，其中，所述步骤A具体的还包括：
其中，采用欧洲航天局(ESA)下载sen2cor插件V2.80(Muller-Wilm et al.，2013)，对数据进行辐射定标和大气校正，获得大气底层反射率数据。sen2cor插件处理，首先将下载的图像解压为SAFE格式，输入数据文件的绝对路径和分辨率，得到校正后的影像。最后根据实际研究区域进行裁剪，完成对基础数据的预处理。
所述的水体遥感识别方法，其中，所述步骤B具体的包括：根据地物在各影像波段上的光谱差异对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。
所述的遥感识别方法，其中，所述步骤B具体的还包括：根据近红外波段反射率小于红光、绿光、蓝光三波段反射率之和的规则，利用ENVI的波段运算进行运算，符合条件的为建筑物(含道路及裸土)、水体、云和泡田期农田的混合像元，不满足者判断为其它地物并进行去除，初步提取水体，生成二值图像。
所述的水体遥感识别方法，其中，所述步骤B具体的还包括：根据蓝光波段反射率、绿光波段发射率和红光波段反射率的平均值小于预定阀值的规则，利用ENVI的波段运算进行运算，符合条件的为山体阴影、云阴影、建筑物阴影、水体、云和极少数泡田期农田的混合像元，不满足者判断为其它地物并进行去除，初步提取水体，生成二值图像。
所述的水体遥感识别方法，其中，所述步骤B具体的还包括：将生成的两幅二值图像，进行逻辑交集运算，去掉云建筑物(含道路及裸土)、建筑物阴影、云及云阴影和多数泡田期农田的影响，获得水体提取的初步结果。
所述的遥感识别方法，其中，所述步骤C具体的包括：对步骤B中的水体提取结果，采用Majority/Minority分析、聚类处理和过滤处理，对分类后结果剔除小图斑，然后使用栅矢转换工具，将分类后处理结果转换为矢量格式，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行目视交互修改，得到样本范围内准确的水体矢量图斑。
所述的遥感识别方法，其中，所述步骤D具体的包括：对样本范围内的水体矢量图斑，使用矢量栅格转换工具，转换为栅格，得到水体值为1，其他为0的二值图像。针对样本区的遥感影像和相应的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，保证样本的多样性，增强网络的泛化能力。通过分块获得足够的训练样本。
所述的遥感识别方法，其中，所述步骤E具体的包括：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式，即设置25％的数据用于验证，75％数据用于训练，网络的学习率为0.0001，优化器为Adam优化器。为了防止网络过拟合，在U-net网络的训练过程中使用了正则化和零填充策略。网络训练结束，保存训练模型。
所述的遥感识别方法，其中，所述步骤F具体的包括：将待研究区影像进行格式转换，作为预测的输入数据，执行预测模型，获得待研究区的水体预测结果，格式转换，得到具有投影信息的水体预测结果。
本发明具有如下优点：
本发明提供的一种基于U-net的水体遥感识别方法，通过分析多种地物在原始波段及波段差影像上的光谱特征，选出水体与其他地物光谱差异最大的影像波段作为水体提取的基础影像，通过对不同地物在影像各波段的光谱分析，设定两种水体初步提取算法，可提取出全部水体及部分其他地物，保留公共真值区域，即为初步水体结果，可有效剔除阴影(包括山体阴影、建筑阴影、云阴影)、泡田期农田，提高对水体识别的精度。而后针对提取结果进行分类后处理，格式转换、修改，制作训练和验证样本，通过U-net神经网络模型的训练，获得模型，预测水体。该方法适用于地表结构复杂的地区，操作简单，普适性强，可更好的剔除阴影、建筑物及泡田期农田干扰，同时对小湖泊、小水塘提取效果较好，实现了水体的精确提取。
附图说明
图1是本发明中遥感识别方法的流程示意图。
图2是需要水体提取的哨兵2号卫星图像；
图3是典型地物类别样本点示例。
图4是大气校正前后地表反射率波谱曲线。
图5是水体提取结果。
具体实施方式
本发明提供了一种基于U-net的水体遥感识别方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于U-net的水体遥感识别方法，如图1所示的，其包括以下步骤：
第一步，数据收集和预处理：选取待研究区域的可用影像，云量小于20％的清晰影像，作为基础数据，并对基础数据进行预处理，同时针对U-net训练需要样本选择样本区域；
第二步，水体的初步提取：分析原始各波段，水体指数影像(归一化水体指数NDWI、归一化植被指数NDVI、增强型水体指数EWI)、波段差影像在各地物上的光谱差异，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果。
第三步，水体提取结果的处理：对步骤B中的水体提取结果，先进行分类后处理，然后进行栅矢转换，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行修改，得到样本范围内准确的水体矢量图斑。
第四步，训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，从而保证样本的多样性，增强网络的泛化能力。通过分割获得足够的训练样本。
第五步，U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
第六步，水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
第七步，检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读出错率高的一个难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地方，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
为了更进一步描述本发明方案，下面结合附图以及具体实施方式对本发明作进一步详细说明。
第一步，数据的准备及预处理。原始数据为哨兵2(Sentinel-2)的Level-1C级数据是经过几何精校正的正射影像，可满足高程较高区域的定位精度要求，且由于Sentinel-2数据有A/B两颗卫星，其中使用该数据共包含13个光谱波段，分辨率有10米、20米、60米三种，幅宽达290千米，其中B02(蓝光波段)、B03(绿光波段)、B04(红光波段)、B08(近红外波段)四个波段空间分辨率为10米，重访周期10天，具有获取范围大、重访周期高、数据免费的特点，适合于开展长期的水体变化研究工作。由于夏季水资源较为丰富，径流量增大，在遥感影像上判读轮廓更为清晰，比如以七、八月份为主要研究时段，由于卫星数据云层的影响，为扩大数据区间，收集七月份、八月份作为数据源。
其中，采用欧洲航天局(ESA)下载sen2cor插件V2.80(Muller-Wilm et al.，2013)，对数据进行辐射定标和大气校正。sen2cor插件处理，首先将下载的图像解压缩为SAFE格式，输入数据文件的绝对路径和分辨率，得到校正后的影像。最后根据实际研究区域进行裁剪，完成对基础数据的预处理。最后根据实际研究区进行裁剪，即完成数据的预处理工作。
第二步，水体的初步提取：分析原始各波段，水体指数影像(归一化水体指数NDWI、归一化植被指数NDVI、增强型水体指数EWI)、波段差影像在各地物上的光谱差异，对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果，其包括：
NIR＜Blue+Green+Red (1)
(Blue+Green+Red)/3＜T (2)
其中，Blue代表蓝光波段反射率，Green代表绿光波段反射率，Red代表红光波段反射率，NIR代表近红外波段反射率。
利用(1)式在ENVI中波段运算，符合(1)式的为建筑物(含道路及裸土等)、水体、云、泡田期农田的混合，不满足条件者为其他地物，并进行去除，初步得到一幅二值图像。再根据(2)式在ENVI中波段运算，符合(2)式的为：云阴影、建筑阴影、水体及极少数泡田期耕地的混合，不满足条件者为其他地物，并进行去除。
式(1)与式(2)结果，取逻辑交集运算，得到水体的初步提取结果。
第三步，水体提取结果的处理：对步骤B中的水体提取结果，采用Majority/Minority分析、聚类处理和过滤处理，对分类后结果剔除小图斑，处理原则是：遍历所有识别为水体的像元，当该像元的八邻域内，水体像元的个数小于等于2时，则将该像元判定为零碎像元并去除。
然后使用栅矢转换工具，将分类后处理结果转换为矢量格式，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行目视交互修改，得到样本范围内准确的水体矢量图斑。
第四步，训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，从而保证样本的多样性，增强网络的泛化能力。通过分割获得足够的训练样本。
第五步，U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其分为上采样和下采样两部分。下采样部分包含五个卷积块。每个块由两个卷积层组成，卷积核大小为3×3，步幅为1，卷积层的激活函数为Relu函数。使用步长为2的2×2最大池化操作用于在除最后一个块之外的每个块的末尾处进行下采样。实质为编码-解码器，在网络训练过程中采用交叉验证的方式，选择3000样本作为训练数据，1000张样本作为验证数据。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
第六步，水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
第七步，检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读出错率高的一个难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地方，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
图2是需要水体提取的哨兵2号卫星图像；
图3是典型地物类别样本点示例，每种类别标记100个样本点。
图4演示了2017年7月24日，待研究区大气校正前后的蓝光波段、绿光波段、红光波段、近红外波段的反射率值。
图5演示了本方法的水体提取的结果，针对面积小的水体提取效果好，有效的剔除了其他地物的影响。
通过对水体提取实验结果的精度评价，表明本发明方法提取的水体能到达到较高的精度，具有较高的实用性。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (4)

1.一种基于U-net的水体遥感识别方法，其特征在于包括如下步骤：
A、数据收集和预处理：选取待研究区域的可用影像，云量小于20％的清晰影像，作为基础数据，并对基础数据进行预处理，同时针对U-net训练需要样本选择样本区域；
B、水体的初步提取：根据地物在各影像波段上的光谱差异对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果。
C、水体提取结果的处理：对步骤B中的水体提取结果，先进行分类后处理，然后进行栅矢转换，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行修改，得到样本范围内准确的水体矢量图斑。
D、训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，保证样本多样性，增强网络的泛化能力，通过分块获得足够的训练样本。
E、U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
F、水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
G、检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读错误率高的难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地区，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
2.根据权利要求1所属的一种基于U-net的水体遥感识别方法，其特征在于，所述步骤B中，具体的提取方法如下：
根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果，其包括：
NIR＜Blue+Green+Red (1)
(Blue+Green+Red)/3＜T (2)
其中，Blue代表蓝光波段反射率，Green代表绿光波段反射率，Red代表红光波段反射率，NIR代表近红外波段反射率。
利用(1)式在ENVI中波段运算，符合(1)式的为建筑物(含道路及裸土等)、水体、云、泡田期农田的混合，不满足条件者为其他地物，并进行去除，初步得到一幅二值图像。再根据(2)式在ENVI中波段运算，符合(2)式的为：云阴影、建筑阴影、水体及极少数泡田期耕地的混合，不满足条件者为其他地物，并进行去除。
式(1)与式(2)结果，取逻辑交集运算，得到水体的初步提取结果。
3.根据权利要求1所属的一种基于U-net的水体遥感识别方法，其特征在于，所述步骤D中，具体的提取方法如下：
对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，从而保证样本的多样性，增强网络的泛化能力。通过分割获得足够的训练样本。
4.根据权利要求1所属的一种基于U-net的水体遥感识别方法，其特征在于，所述步骤E中，具体的提取方法如下：
采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
CN201911279571.2A 2019-12-04 2019-12-04 一种基于U-net的水体遥感识别方法 Active CN111104889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911279571.2A CN111104889B (zh) 2019-12-04 2019-12-04 一种基于U-net的水体遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911279571.2A CN111104889B (zh) 2019-12-04 2019-12-04 一种基于U-net的水体遥感识别方法

Publications (2)

Publication Number Publication Date
CN111104889A true CN111104889A (zh) 2020-05-05
CN111104889B CN111104889B (zh) 2023-09-05

Family

ID=70422372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911279571.2A Active CN111104889B (zh) 2019-12-04 2019-12-04 一种基于U-net的水体遥感识别方法

Country Status (1)

Country Link
CN (1) CN111104889B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611921A (zh) * 2020-05-21 2020-09-01 佛山市高明曦逻科技有限公司 一种基于遥感大数据的太阳能板识别系统
CN111985368A (zh) * 2020-08-07 2020-11-24 武汉善睐科技有限公司 一种面向容器云的卷积神经网络水体提取方法
CN112232229A (zh) * 2020-10-20 2021-01-15 山东科技大学 基于U-net神经网络的精细水体提取方法
CN112508001A (zh) * 2020-12-03 2021-03-16 安徽理工大学 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法
CN112508986A (zh) * 2020-12-04 2021-03-16 武汉大学 一种基于深度卷积网络与随机场的水位测量方法
CN112613545A (zh) * 2020-12-17 2021-04-06 中国农业科学院农业资源与农业区划研究所 一种基于多光谱遥感数据提取水体的方法
CN113221789A (zh) * 2021-05-21 2021-08-06 广东省科学院广州地理研究所 一种田块灌溉设施识别方法及装置
CN113449710A (zh) * 2021-08-31 2021-09-28 南京信大环境科技有限公司 一种基于卫星遥感监测城市污染水体的方法
CN113610714A (zh) * 2021-05-12 2021-11-05 珠江水利委员会珠江水利科学研究院 一种基于遥感的河口海岸水动力信息增强显示方法
CN114830627A (zh) * 2020-11-09 2022-07-29 谷歌有限责任公司 红外光引导的肖像重照明
CN115620170A (zh) * 2022-12-16 2023-01-17 自然资源部第三航测遥感院 一种基于SegFormer的多源光学遥感影像水体提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914692A (zh) * 2014-04-21 2014-07-09 山东科技大学 一种用于煤矿周围地表水系的遥感识别方法
CN108830896A (zh) * 2018-01-23 2018-11-16 北斗导航位置服务（北京）有限公司 一种基于全卷积网络和建筑阴影几何模型的遥感影像水体斑块提取方法
US20190171862A1 (en) * 2017-12-05 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting image of port wharf through multispectral interpretation
CN109934095A (zh) * 2019-01-22 2019-06-25 中交信息技术国家工程实验室有限公司 一种基于深度学习的遥感图像水体提取方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914692A (zh) * 2014-04-21 2014-07-09 山东科技大学 一种用于煤矿周围地表水系的遥感识别方法
US20190171862A1 (en) * 2017-12-05 2019-06-06 Transport Planning and Research Institute Ministry of Transport Method of extracting image of port wharf through multispectral interpretation
CN108830896A (zh) * 2018-01-23 2018-11-16 北斗导航位置服务（北京）有限公司 一种基于全卷积网络和建筑阴影几何模型的遥感影像水体斑块提取方法
CN109934095A (zh) * 2019-01-22 2019-06-25 中交信息技术国家工程实验室有限公司 一种基于深度学习的遥感图像水体提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵芝玲;王萍;荆林海;孙彦峰;: "用ASTER数据提取植被覆盖区遥感铁矿化蚀变信息" *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611921A (zh) * 2020-05-21 2020-09-01 佛山市高明曦逻科技有限公司 一种基于遥感大数据的太阳能板识别系统
CN111611921B (zh) * 2020-05-21 2021-05-14 苏州科知律信息科技有限公司 一种基于遥感大数据的太阳能板识别系统
CN111985368A (zh) * 2020-08-07 2020-11-24 武汉善睐科技有限公司 一种面向容器云的卷积神经网络水体提取方法
CN111985368B (zh) * 2020-08-07 2022-08-30 武汉善睐科技有限公司 一种面向容器云的卷积神经网络水体提取方法
CN112232229B (zh) * 2020-10-20 2022-04-01 山东科技大学 基于U-net神经网络的精细水体提取方法
CN112232229A (zh) * 2020-10-20 2021-01-15 山东科技大学 基于U-net神经网络的精细水体提取方法
WO2022083202A1 (zh) * 2020-10-20 2022-04-28 山东科技大学 基于U-net神经网络的精细水体提取方法
CN114830627A (zh) * 2020-11-09 2022-07-29 谷歌有限责任公司 红外光引导的肖像重照明
CN112508001A (zh) * 2020-12-03 2021-03-16 安徽理工大学 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法
CN112508986A (zh) * 2020-12-04 2021-03-16 武汉大学 一种基于深度卷积网络与随机场的水位测量方法
CN112613545B (zh) * 2020-12-17 2021-08-31 中国农业科学院农业资源与农业区划研究所 一种基于多光谱遥感数据提取水体的方法
CN112613545A (zh) * 2020-12-17 2021-04-06 中国农业科学院农业资源与农业区划研究所 一种基于多光谱遥感数据提取水体的方法
CN113610714A (zh) * 2021-05-12 2021-11-05 珠江水利委员会珠江水利科学研究院 一种基于遥感的河口海岸水动力信息增强显示方法
CN113610714B (zh) * 2021-05-12 2022-02-22 珠江水利委员会珠江水利科学研究院 一种基于遥感的河口海岸水动力信息增强显示方法
CN113221789A (zh) * 2021-05-21 2021-08-06 广东省科学院广州地理研究所 一种田块灌溉设施识别方法及装置
CN113449710A (zh) * 2021-08-31 2021-09-28 南京信大环境科技有限公司 一种基于卫星遥感监测城市污染水体的方法
CN115620170A (zh) * 2022-12-16 2023-01-17 自然资源部第三航测遥感院 一种基于SegFormer的多源光学遥感影像水体提取方法

Also Published As

Publication number Publication date
CN111104889B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111104889A (zh) 一种基于U-net的水体遥感识别方法
Zhang et al. Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification
Sinha et al. Urban built-up area extraction and change detection of Adama municipal area using time-series Landsat images
Benza et al. A pattern-based definition of urban context using remote sensing and GIS
Pesaresi et al. Improved textural built-up presence index for automatic recognition of human settlements in arid regions with scattered vegetation
CN102012528B (zh) 一种稀疏植被地区的高光谱遥感油气勘探方法
CN102800074B (zh) 基于轮廓波变换的sar图像变化检测差异图生成方法
CN103226832B (zh) 基于光谱反射率变化分析的多光谱遥感影像变化检测方法
Van de Voorde et al. Improving pixel-based VHR land-cover classifications of urban areas with post-classification techniques
Hester et al. Per-pixel classification of high spatial resolution satellite imagery for urban land-cover mapping
S Bhagat Use of remote sensing techniques for robust digital change detection of land: A review
Lamar et al. Multitemporal censusing of a population of eastern hemlock (Tsuga canadensis L.) from remotely sensed imagery using an automated segmentation and reconciliation procedure
CN106251310A (zh) 一种多光谱遥感异常信息提取方法
He et al. Deep hierarchical pyramid network with high-frequency-aware differential architecture for super-resolution mapping
CN113780307A (zh) 一种区域年度最大蓝绿空间信息提取方法
CN116051983A (zh) 一种面向多业务系统融合的多光谱遥感影像水体提取方法
CN117315489B (zh) 一种基于局部背景特征信息的水体提取方法及装置
CN113096114A (zh) 结合形态与指数的高分辨率城市水体图斑遥感提取方法
Fayad et al. Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights
CN110929739A (zh) 一种自动化的不透水面范围遥感迭代提取方法
Hao et al. A subpixel mapping method for urban land use by reducing shadow effects
Lewiński et al. Testing texture of VHR panchromatic data as a feature of land cover classification
CN114550005A (zh) 一种自然保护区内建筑物识别方法及系统
Gaber et al. Mapping the surface changes in the area of East Port-Said, Egypt using multi-temporal and multi-sensors remote sensing data
CN109471106B (zh) 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant