CN111914686A - 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 - Google Patents

基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 Download PDF

Info

Publication number
CN111914686A
CN111914686A CN202010677442.5A CN202010677442A CN111914686A CN 111914686 A CN111914686 A CN 111914686A CN 202010677442 A CN202010677442 A CN 202010677442A CN 111914686 A CN111914686 A CN 111914686A
Authority
CN
China
Prior art keywords
image
water area
training
sar
segmentation
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
CN202010677442.5A
Other languages
English (en)
Other versions
CN111914686B (zh
Inventor
者梅林
沈志
黄俊波
孙斌
杨亮
蔡澍雨
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.)
Transmission Branch Of Yunnan Power Grid Co ltd
Original Assignee
Live Operation Branch of Yunnan Power Grid Co Ltd
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 Live Operation Branch of Yunnan Power Grid Co Ltd filed Critical Live Operation Branch of Yunnan Power Grid Co Ltd
Priority to CN202010677442.5A priority Critical patent/CN111914686B/zh
Publication of CN111914686A publication Critical patent/CN111914686A/zh
Application granted granted Critical
Publication of CN111914686B publication Critical patent/CN111914686B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Abstract

本发明涉及图像检测技术领域，尤其涉及一种基于周域关联和模式识别的SAR遥感图像水域提取方法，该方法包括：构建数据集，并进行抽样和分块处理，然后对训练数据进行标注与增强；对原始SAR图像进行灰度分割与梯度分割，得到灰度二值图与梯度二值图，它们合并后形成SAR水域候选区域，然后结合该图像对原始图像进行分块处理；搭建深度感知网络，并采用二值图合并后的图像对该深度感知网络进行训练和测试，最终输出水域提取结果，且该方法适用于相关装置及系统。本发明通过构建灰度积分图、梯度积分图以及深度感知网络模块，提高了水域检测准确率，所搭建的算法模型泛化性强、鲁棒性高、性能优异，可有效解决目前水域提取技术上存在的弊端。

Description

基于周域关联和模式识别的SAR遥感图像水域提取方法、装置 及系统
技术领域
本发明涉及图像检测技术领域，尤其涉及一种基于周域关联和模式识别的SAR遥感图像水域提取方法、装置及系统。
背景技术
水域作为区域陆地水循环中的一个重要载体，与河流、湖泊、海洋等紧密相关，对区域生态系统的发展有着重要的影响。实现快速、准确的水域检测对洪涝灾害的预报、预警、监测，以及环境与水资源的全面调查、合理规划等具有十分重要的意义。
合成孔径雷达(SAR)是一种主动式的微波成像传感器，获得的图像能够反映目标散射特性。与传统光学遥感和高光谱遥感相比，SAR具备全天候、全天时的成像能力，并具有一定的穿透性，已成为遥感对地观测的重要技术手段。近年来，由于水域在SAR遥感图像中表现出较为显著的鉴别特征，易于从复杂场景中快速分离，基于SAR图像的水域检测技术得到了广泛的应用和发展。
目前，较为常用的SAR图像水域检测技术主要有：基于分割的检测技术、结合特征提取与分类器的检测技术与基于深度学习的检测技术。基于分割的检测技术通过自适应迭代策略获得水域与背景区域的分割阈值，以该阈值作为二值化阈值对全图进行处理，获取检测结果。如Wang W等人在2019提出一种超像素阈值分割方法，并将其应用在星载SAR图像水域分割上，取得了较好的分割效果。结合特征提取与分类器的检测技术利用SAR水域的区域低灰度特性，对原始图像进行初步提取，然后利用特征提取策略提取有效鉴别特征，结合分类器技术对图像区域进行属性确认，以分离出水域。如夏天等人于2020年使用GLCM-GMRF纹理特征和深度置信网络实现SAR遥感水域提取，并基于RADARSAT-2数据进行实验验证。基于深度学习的检测技术通过神经网络自动扫描全图提取鉴别性特征，然后通过空洞卷积、反卷积等操作获得逐像素热点分割图，实现SAR水域有效提取。如Qu等人于2019年，以TerraSAR-X获取的多景SAR图像作为实验数据，提出一种全卷积神经网络SAR地物分割方法，通过深度学习网络自编码、解码技术实现SRA地物的有效提取。
以上方法对于地物类型简单、水体区域较大、海况较低等情况下遥感SAR水域均有较好的提取效果，但遥感应用中待处理场景往往复杂多变，且在机载/星载平台部署对处理算法的时效性和资源占用均有较大限制，以上算法均难以有效保障水域检测准确率和处理效率的双重优化，无法在终端处理平台进行有效装备和部署。
发明内容
针对上述存在的问题，本发明的目的是解决目前SAR图像水域检测方法简单、条件严苛，只能在水体区域较大、海况较低等情况下有较好的提取效果的问题，以提供在复杂多变条件下实现快速、准确的SAR图像水域检测的方法，为此，本发明提供一种基于周域关联和模式识别的SAR遥感图像水域提取方法，包括以下步骤：
步骤S1：构建数据集：搜集并下载SAR影像数据；
步骤S2：数据集分块处理：对步骤S1构建的数据抽样读入SAR遥感图像训练集中，构建训练集；并且对其进行分块处理，记作Tile块，以供深度感知网络训练和测试使用；
步骤S3：训练数据标注与增强：首先按照是否存在水域，对步骤S2中所划分的Tile块进行分类，存在水域则标注为1，否则标注为0，得到标签集；然后对数据进行增强的操作增广数据集；
步骤S4：对原始SAR图像进行灰度分割：按照一定的比例对原始SAR图像进行均值下采样；然后对采样后图像进行局部灰度积分图重构，得到局部灰度积分图，并利用双峰迭代算法对所构建图像进行二值分割，得到灰度二值图；
步骤S5：对原始SAR图像进行梯度分割：按照一定的比例对原始SAR图像进行均值下采样；然后求取采样后图像对应的梯度图，构建梯度积分图，并利用双峰迭代算法对所构建图像进行二值分割，得到梯度二值图；
步骤S6：合并所获得灰度二值图和梯度二值图，形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理；
步骤S7：搭建一个深度感知网络：主要包括以下步骤：
步骤S71：构建ELU激活函数，以缓解线性梯度消失问题；
步骤S72：利用步骤S71所构建的激活函数进一步构建深度可分离卷积模块：该模块由一个3×3卷积和一个1×1卷积组成，其卷积核数分别为64和128；
步骤S73：利用步骤S72中可分离卷积构建残差模块：所述残差模块结构的组合方式如下：由两个支路组成，上行支路由一个均值池化层构成，下行支路由3×3卷积层→ELU激活层→深度可分离卷积层→ELU激活层→1×1卷积层→ELU激活层构成，其中3×3卷积层和1×1卷积层卷积核维度分别为64和128，最后通过Contact层对上下两个支路进行通道连接；
步骤S74：利用步骤S71至步骤S73构建的网络结构搭建深度感知网络；
步骤S8：训练深度感知网络模型：将训练集和标签集输入到搭建好的深度感知网络模型中，训练该分类网络，得到训练M代的网络模型架构，并保存训练最优的模型参数；
步骤S9：测试深度感知网络模型：加载最优模型参数，将该网络接在步骤S6后，将步骤S6输出的图像块输入加载至参数后的网络模型中，利用深度感知网络对每一小块进行分类预测，保存对应的预测标签，并输出对每一小块的判别结果；
步骤S10：根据步骤S9的判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
优选的，步骤S2中所述分块采用有重叠的分块方式，即采用L×L的正方形在SAR遥感图像中进行水平和竖直方向的步进，步进量为L/2，获得多个分块。
优选的，步骤S3中所述训练数据标注与增强包括以下步骤：
步骤S31：训练数据的标注：根据是否为水域图像块进行标注，在此处设置一个判别阈值A，当Tile块中水域面积占比超过A，则认为该Tile块为水域块，标签设置为1，否则标签设置为0，并将Tile块号与对应的标签信息写入txt文件；
步骤S32：训练数据的增强：对数据进行增强的操作增广数据集，所述数据增强包括旋转、镜像、灰度变换的方式：旋转即按照一定的角度步长对Tile块进行旋转操作，一张Tile块可增广生成多张图片；镜像即对Tile块进行水平和垂直翻转，获得镜像操作后图片；灰度变换即对Tile块进行灰度压缩和灰度拉伸，变换比例系数为δ，获得多组变换后的图片。
优选的，步骤S4和步骤S5中所述利用双峰迭代算法进行二值分割包括以下步骤：
步骤S41：对图像作直方图统计，通过给定初始迭代阈值将直方图分割为两个区间；
步骤S42：分别计算每个区间像素的灰度或梯度均值；
步骤S43：再以每个区间灰度或梯度均值的平均值为下一次迭代阈值进行反复迭代；
步骤S44：直至前后两次迭代阈值小于固定阈值，停止迭代，并以当前阈值为分割阈值对图像进行二值化处理。
优选的，所述步骤S6包括以下步骤：
步骤S61：合并所获得灰度和梯度二值图，对步骤4和步骤5获得的二值图进行求与处理，即两幅图像中均为1的像素点置1，否则均置0；
步骤S62：结合步骤S61获得二值图像，并对原始图像进行分块处理，即按照步骤S2操作对原始图像进行分块处理，保留包含值为1像素的图像块，其余Tile块舍弃不再进行后续操作。
优选的，步骤S71中所述ELU激活函数为
Figure BDA0002584570370000051
其中x为输入，α为调节因子。
优选的，步骤S74中所构建的深度感知网络的网络结构为：数据输入层→卷积层1→卷积层2→残差模块→残差模块→残差模块→卷积层3→全局均值池化→softmax层，其中卷积层1、卷积层2、卷积层3均为3×3卷积核，核维度分别为16，32和128，softmax层输出最终图像块概率属性，即高概率值对应的类别为该图像块所属类别，计算公式为
Figure BDA0002584570370000052
其中，z是上一层的输出，softmax的输入维度为C，yi为预测对象属于第c类的概率。
优选的，所述步骤S8包括以下步骤：
步骤S81：设置batch_size、最大迭代次数、学习率等训练超参数；
步骤S82：将带有训练数据集图像路径和对应标签信息的列表文件读入网络模型，对网络进行训练，每隔T代利用划分的验证数据集中数据对网络性能进行测试，每隔S代保存当前训练得到的模型参数，直到训练代数达到设置的最大迭代次数M，其中，T、S、M均为提前预设的正整数参数，T和S设置值应不超过M；
步骤S83：采用循环比对的策略挑选最优化训练模型参数，并对参数进行保存。
为达上述目的，本发明还提供一种基于周域关联和模式识别的SAR遥感图像水域提取装置，包括：
数据集构建模块：用于搜集并下载SAR影像数据；
数据集分块处理模块：用于对数据进行抽样及分块处理，以供深度感知网络训练和测试使用；
训练数据标注与增强模块：用于对数据进行标注，以及增广数据集；
原始SAR图像的灰度分割模块：用于对所构建的图像进行二值分割，得到灰度二值图；
原始SAR图像的梯度分割模块：用于对所构建的图像进行二值分割，得到梯度二值图；
灰度和梯度二值图的合并模块：用于形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理；
深度感知网络模型的构建模块：用于构建一个深度感知网络；
深度感知网络模型的训练模块：用于得到训练M代的网络模型架构，并保存训练最优的模型参数；
深度感知网络模型的测试模块：用于利用深度感知网络输出层输出对每一小块的判决结果；
结果输出模块：用于根据判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
为达上述目的，本发明还提供一种基于周域关联和模式识别的SAR遥感图像水域提取系统，包括存储器，处理器以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果：
(1)本发明结合不同尺度的灰度积分图和梯度纹理积分图提取SAR水域图像的周域信息，并结合该特征对图像中水域区域进行有效分割，提取出候选水域，从而提升SAR水域的提取准确率，同时，该方法在采用图像上进行处理，可最大限度提升算法运行效率；
(2)本发明搭建了具有强大感知能力和特征分析学习能力的深度感知网络模型，通过引入深度可分离卷积和ELU激活函数，极大提升了轻量化网络的法分类能力，所搭建模型构造简单、分类精度高、层级间冗余低，在分类性能和效率之间获得了优秀的平衡。
附图说明
图1为本发明具体实施例1基于周域关联和模式识别的SAR遥感图像水域提取方法的整体流程图。
图2为本发明具体实施例2基于周域关联和模式识别的SAR遥感图像水域提取装置的结构框图。
图3为本发明利用双峰迭代算法进行二值分割的步骤流程图。
图4为本发明构建深度感知网络的步骤流程图。
具体实施方式
下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为本发明基于周域关联和模式识别的SAR遥感图像水域提取方法提供具体实施例1整体流程图。如图1所示，一种基于周域关联和模式识别的SAR遥感图像水域提取的方法，包括以下步骤：
步骤S1：构建数据集：搜集并下载Terra SAR和GF3 SAR影像数据共N景，单景尺寸不低于5k*5k像素，分辨率优于20米。
步骤S2：数据集分块处理：对步骤S1构建的数据进行抽样及分块处理，将构建的数据抽样读入SAR遥感图像训练集中，构建训练集；并且对其进行分块处理，以供深度感知网络训练和测试使用。在本步骤中，所述分块采用有重叠的分块方式，即采用L×L的正方形在SAR遥感图像中进行水平和竖直方向的步进，步进量为L/2，获得多个分块，记为Tile块。
步骤S3：训练数据标注与增强：按照是否存在水域，对步骤S2中所划分的Tile块进行分类，存在水域则标注为1，否则标注为0，得到标签集；然后对数据进行增强的操作增广数据集。在该步骤中主要包括以下步骤：
首先，根据是否为水域图像块对步骤2中Tile小块进行标注，本实施例中设置判别阈值为0.5(专家判别)，即Tile块中水域面积占比超过0.5则认为该Tile为水域块，标签设置为1，否则标签设置为0，并将Tile号与对应的标签信息写入txt文件；
然后，对标注后的Tile块进行数据增强，主要包括旋转、镜像和灰度变换的方式：旋转：按照60度的角度步长对Tile进行旋转操作，一张Tile可增广生成6张图片；镜像：对Tile进行水平和垂直翻转，获得镜像操作后图片；灰度变换：对Tile块进行灰度压缩和灰度拉伸，变换比例系数为δ，取值范围为[0.7-1.2]，步长为0.05，获得多组变换后的图片。
步骤S4：对原始SAR图像进行灰度分割：首先按照4:1的比例对原始SAR图像进行均值下采样，即输入图像中相邻4个像素点的灰度值求取平均值，记为m1，4个像素点合并为新图像中的1个像素点，该像素点灰度值为m1，获得采样后图像的长宽尺寸均为原始图像的1/4；然后对采样后图像进行局部灰度积分图重构，以w1×w1的窗口在图像中非重叠滑动，窗口覆盖区域中点的像素值以该区域像素点均值替代，形成局部灰度积分图；最后利用双峰迭代算法对所构建图像进行二值分割，得到灰度二值图。
步骤S5：对原始SAR图像进行梯度分割：按照8:1的比例对原始SAR图像进行均值下采样，即输入图像中相邻8个像素点的灰度值求取平均值，记为m2，4个像素点合并为新图像中的1个像素点，该像素点灰度值为m2，获得采样后图像的长宽尺寸均为原始图像的1/8；然后求取采样后图像对应的梯度图，以像素差分的方式求取采样后图像所对应的梯度图像，以w2×w2的窗口在梯度图像中非重叠滑动，窗口覆盖区域中点的像素值以该区域像素点均值替代，形成梯度积分图；最后利用双峰迭代算法对所构建图像进行二值分割，得到梯度二值图。
步骤S6：合并所获得灰度二值图和梯度二值图，形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理。
在本步骤中，首先合并所获得灰度和梯度二值图，对步骤4和步骤5获得的二值图进行求与处理，即两幅图像中均为1的像素点置1，否则均置0；然后结合将获得的二值图像对原始图像进行分块处理，即按照步骤2操作对图像进行分块处理，分块尺寸为K×K，保留包含值为1像素的图像块(候选水域块)，其余块舍掉不进行后续操作。
步骤S7：搭建一个15层的深度感知网络：在本步骤中主要包括以下步骤：
首先，构建ELU激活函数，以缓解线性梯度消失问题，所构建ELU激活函数如下式所示，其中x为输入，α为调节因子，
Figure BDA0002584570370000091
然后，利用上一步骤所构建的激活函数进一步构建深度可分离卷积模块：该模块由一个3×3卷积和一个1×1卷积组成，其卷积核数分别为64和128；
接下来，利用上一步骤中可分离卷积构建残差模块：所述残差模块结构的组合方式如下：所构建残差模块由两个支路组成，上行支路由一个均值池化层构成，下行支路由3×3卷积层→ELU激活层→深度可分离卷积层→ELU激活层→1×1卷积层→ELU激活层构成，其中3×3卷积层和1×1卷积层卷积核维度分别为64和128，最后通过Contact层对上下两个支路进行通道连接；
最后，利用所构建的网络结构搭建15层深度感知网络：网络结构为：数据输入层→卷积层1→卷积层2→残差模块→残差模块→残差模块→卷积层3→全局均值池化→softmax层，其中卷积层1、卷积层2、卷积层3均为3×3卷积核，核维度分别为16，32和128，softmax层输出最终图像块概率属性，即高概率值对应的类别为该图像块所属类别，计算公式如下，
Figure BDA0002584570370000092
其中，z是上一层的输出，softmax的输入维度为C，yi为预测对象属于第c类的概率。
步骤S8：训练深度感知网络模型：将训练集和标签集输入到搭建好的深度感知网络模型中，训练该分类网络，得到训练M代的网络模型架构，并保存训练最优的模型参数。
在本步骤中，首先设置batch_size、最大迭代次数、学习率等训练超参数；然后，将带有训练数据集图像路径和对应标签信息的列表文件读入网络模型，对网络进行训练，每隔T代利用划分的验证数据集中数据对网络性能进行测试，每隔S代保存当前训练得到的模型参数，直到训练代数达到设置的最大迭代次数M，其中，T、S、M均为提前预设的正整数参数，T和S设置值应不超过M；
步骤S9：测试深度感知网络模型：加载最优模型参数，将该网络接在步骤S6后，将步骤S6输出的图像块输入加载至参数后的网络模型中，利用深度感知网络对每一小块进行分类预测，保存对应的预测标签，并输出对每一小块的判别结果。
步骤S10：根据步骤S9的判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
具体的，在步骤S4和步骤S5中利用双峰迭代算法进行二值分割包括以下步骤：首先，对图像作直方图统计，通过给定初始迭代阈值将直方图分割为两个区间；然后，分别计算每个区间像素的灰度或梯度均值；接下来，再以每个区间灰度或梯度均值的平均值为下一次迭代阈值进行反复迭代；最后直至前后两次迭代阈值小于固定阈值，停止迭代，并以当前阈值为分割阈值对图像进行二值化处理。
实施例2
图2为本发明基于周域关联和模式识别的SAR遥感图像水域提取装置提供具体实施例2的结构框图。如图2所示，本实施例提供一种基于周域关联和模式识别的SAR遥感图像水域提取装置，包括
数据集构建模块：用于搜集并下载SAR影像数据；
数据集分块处理模块：用于对数据进行抽样及分块处理，以供深度感知网络训练和测试使用；
训练数据标注与增强模块：用于对数据进行标注，以及增广数据集；
原始SAR图像的灰度分割模块：用于对所构建的图像进行二值分割，得到灰度二值图；
原始SAR图像的梯度分割模块：用于对所构建的图像进行二值分割，得到梯度二值图；
灰度和梯度二值图的合并模块：用于形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理；
深度感知网络模型的构建模块：用于构建一个深度感知网络；
深度感知网络模型的训练模块：用于得到训练M代的网络模型架构，并保存训练最优的模型参数；
深度感知网络模型的测试模块：用于利用深度感知网络输出层输出对每一小块的判决结果；
结果输出模块：用于根据判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
实施例3
本实施例提供一种基于周域关联和模式识别的SAR遥感图像水域提取系统，包括存储器，处理器以及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
综上，本发明构建不同感受能力的灰度积分图和梯度积分图的方法，通过灰度与梯度积分图双分割技术，提高水域检测准确率；通过深度感知网络模块对候选水域块进行精细化鉴别，减少水域提取中存在的虚假目标；通过滑动分块操作提高网络运行效率，充分利用周域像素的关联属性，对原始图像进行候选水域提取，通过搭建深度感知网络对候选水域块进行精细剔除，得到最终水域提取结果。本发明所搭建的算法模型泛化性强、鲁棒性高、性能优异，可有效解决目前水域提取技术上存在的弊端，具有有益的效果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或更替，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权力要求书的保护范围为准。

Claims (10)

1.一种基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：包括以下步骤：
步骤S1：构建数据集：搜集并下载SAR影像数据；
步骤S2：数据集分块处理：对步骤S1构建的数据抽样读入SAR遥感图像训练集中，构建训练集；并且对其进行分块处理，记作Tile块，以供深度感知网络训练和测试使用；
步骤S3：训练数据标注与增强：首先按照是否存在水域，对步骤S2中所划分的Tile块进行分类，存在水域则标注为1，否则标注为0，得到标签集；然后对数据进行增强的操作增广数据集；
步骤S4：对原始SAR图像进行灰度分割：按照一定的比例对原始SAR图像进行均值下采样；然后对采样后图像进行局部灰度积分图重构，得到局部灰度积分图，并利用双峰迭代算法对所构建图像进行二值分割，得到灰度二值图；
步骤S5：对原始SAR图像进行梯度分割：按照一定的比例对原始SAR图像进行均值下采样；然后求取采样后图像对应的梯度图，构建梯度积分图，并利用双峰迭代算法对所构建图像进行二值分割，得到梯度二值图；
步骤S6：合并所获得灰度二值图和梯度二值图，形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理；
步骤S7：搭建一个深度感知网络：主要包括以下步骤：
步骤S71：构建ELU激活函数，以缓解线性梯度消失问题；
步骤S72：利用步骤S71所构建的激活函数进一步构建深度可分离卷积模块：该模块由一个3×3卷积和一个1×1卷积组成，其卷积核数分别为64和128；
步骤S73：利用步骤S72中可分离卷积构建残差模块：所述残差模块结构的组合方式如下：由两个支路组成，上行支路由一个均值池化层构成，下行支路由3×3卷积层→ELU激活层→深度可分离卷积层→ELU激活层→1×1卷积层→ELU激活层构成，其中3×3卷积层和1×1卷积层卷积核维度分别为64和128，最后通过Contact层对上下两个支路进行通道连接；
步骤S74：利用步骤S71至步骤S73构建的网络结构搭建深度感知网络；
步骤S8：训练深度感知网络模型：将训练集和标签集输入到搭建好的深度感知网络模型中，训练该分类网络，得到训练M代的网络模型架构，并保存训练最优的模型参数；
步骤S9：测试深度感知网络模型：加载最优模型参数，将该网络接在步骤S6后，将步骤S6输出的图像块输入加载至参数后的网络模型中，利用深度感知网络对每一小块进行分类预测，保存对应的预测标签，并输出对每一小块的判别结果；
步骤S10：根据步骤S9的判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
2.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：步骤S2中所述分块采用有重叠的分块方式，即采用L×L的正方形在SAR遥感图像中进行水平和竖直方向的步进，步进量为L/2，获得多个分块。
3.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：步骤S3中所述训练数据标注与增强包括以下步骤：
步骤S31：训练数据的标注：根据是否为水域图像块进行标注，在此处设置一个判别阈值A，当Tile块中水域面积占比超过A，则认为该Tile块为水域块，标签设置为1，否则标签设置为0，并将Tile块号与对应的标签信息写入txt文件；
步骤S32：训练数据的增强：对数据进行增强的操作增广数据集，所述数据增强包括旋转、镜像、灰度变换的方式：旋转即按照一定的角度步长对Tile块进行旋转操作，一张Tile块可增广生成多张图片；镜像即对Tile块进行水平和垂直翻转，获得镜像操作后图片；灰度变换即对Tile块进行灰度压缩和灰度拉伸，变换比例系数为δ，获得多组变换后的图片。
4.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：步骤S4和步骤S5中所述利用双峰迭代算法进行二值分割包括以下步骤：
步骤S41：对图像作直方图统计，通过给定初始迭代阈值将直方图分割为两个区间；
步骤S42：分别计算每个区间像素的灰度或梯度均值；
步骤S43：再以每个区间灰度或梯度均值的平均值为下一次迭代阈值进行反复迭代；
步骤S44：直至前后两次迭代阈值小于固定阈值，停止迭代，并以当前阈值为分割阈值对图像进行二值化处理。
5.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：所述步骤S6包括以下步骤：
步骤S61：合并所获得灰度和梯度二值图，对步骤4和步骤5获得的二值图进行求与处理，即两幅图像中均为1的像素点置1，否则均置0；
步骤S62：结合步骤S61获得二值图像，并对原始图像进行分块处理，即按照步骤S2操作对原始图像进行分块处理，保留包含值为1像素的图像块，其余Tile块舍弃不再进行后续操作。
6.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：步骤S71中所述ELU激活函数为
Figure FDA0002584570360000031
其中x为输入，α为调节因子。
7.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：步骤S74中所构建的深度感知网络的网络结构为：数据输入层→卷积层1→卷积层2→残差模块→残差模块→残差模块→卷积层3→全局均值池化→softmax层，其中卷积层1、卷积层2、卷积层3均为3×3卷积核，核维度分别为16，32和128，softmax层输出最终图像块概率属性，即高概率值对应的类别为该图像块所属类别，计算公式为
Figure FDA0002584570360000041
其中，z是上一层的输出，softmax的输入维度为C，yi为预测对象属于第c类的概率。
8.根据权利要求1所述的基于周域关联和模式识别的SAR遥感图像水域提取方法，其特征在于：所述步骤S8包括以下步骤：
步骤S81：设置batch_size、最大迭代次数、学习率等训练超参数；
步骤S82：将带有训练数据集图像路径和对应标签信息的列表文件读入网络模型，对网络进行训练，每隔T代利用划分的验证数据集中数据对网络性能进行测试，每隔S代保存当前训练得到的模型参数，直到训练代数达到设置的最大迭代次数M，其中，T、S、M均为提前预设的正整数参数，T和S设置值应不超过M；
步骤S83：采用循环比对的策略挑选最优化训练模型参数，并对参数进行保存。
9.一种基于周域关联和模式识别的SAR遥感图像水域提取装置，其特征在于：包括：
数据集构建模块：用于搜集并下载SAR影像数据；
数据集分块处理模块：用于对数据进行抽样及分块处理，以供深度感知网络训练和测试使用；
训练数据标注与增强模块：用于对数据进行标注，以及增广数据集；
原始SAR图像的灰度分割模块：用于对所构建的图像进行二值分割，得到灰度二值图；
原始SAR图像的梯度分割模块：用于对所构建的图像进行二值分割，得到梯度二值图；
灰度和梯度二值图的合并模块：用于形成SAR水域候选区域，并结合水域候选区对原始图像进行分块处理；
深度感知网络模型的构建模块：用于构建一个深度感知网络；
深度感知网络模型的训练模块：用于得到训练M代的网络模型架构，并保存训练最优的模型参数；
深度感知网络模型的测试模块：用于利用深度感知网络输出层输出对每一小块的判决结果；
结果输出模块：用于根据判别结果在原始输入图像中进行区域标注和二值化处理，得到分割结果，并根据需求，对分割结果进行保存或输出。
10.一种基于周域关联和模式识别的SAR遥感图像水域提取系统，包括存储器，处理器以及存储于存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至8中任一所述方法的步骤。
CN202010677442.5A 2020-07-15 2020-07-15 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统 Active CN111914686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010677442.5A CN111914686B (zh) 2020-07-15 2020-07-15 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010677442.5A CN111914686B (zh) 2020-07-15 2020-07-15 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111914686A true CN111914686A (zh) 2020-11-10
CN111914686B CN111914686B (zh) 2022-10-18

Family

ID=73281510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010677442.5A Active CN111914686B (zh) 2020-07-15 2020-07-15 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111914686B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508106A (zh) * 2020-12-08 2021-03-16 大连海事大学 一种基于卷积神经网络的水下图像分类方法
CN112528983A (zh) * 2020-12-16 2021-03-19 国网江苏省电力有限公司检修分公司 一种暗光条件下gis隔离/接地开关视频图像采集系统
CN112562052A (zh) * 2020-12-03 2021-03-26 广东工业大学 一种面向近岸水域的实时定位与建图方法
CN112733920A (zh) * 2020-12-31 2021-04-30 中国地质调查局成都地质调查中心 一种基于深度学习的图像识别方法及系统
CN112734729A (zh) * 2021-01-11 2021-04-30 昆明理工大学 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN112884654A (zh) * 2021-03-03 2021-06-01 鄂尔多斯应用技术学院 一种基于cnn的wdsr图像超分辨率重建优化方法
CN112949550A (zh) * 2021-03-19 2021-06-11 中国科学院空天信息创新研究院 一种基于深度学习的水体识别方法、系统和介质
CN113420619A (zh) * 2021-06-07 2021-09-21 核工业北京地质研究院 一种遥感影像建筑物提取方法
CN116665137A (zh) * 2023-08-01 2023-08-29 聊城市彩烁农业科技有限公司 一种基于机器视觉的畜牧养殖废水处理方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452530A (zh) * 2008-12-25 2009-06-10 西安电子科技大学 基于灰度统计及区域编码的sar图像水域识别方法
CN103942803A (zh) * 2014-05-05 2014-07-23 北京理工大学 基于sar图像的水域自动检测方法
CN104715238A (zh) * 2015-03-11 2015-06-17 南京邮电大学 一种基于多特征融合的行人检测方法
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN105427286A (zh) * 2015-11-06 2016-03-23 中国电子科技集团公司第二十八研究所 一种基于灰度和梯度分割的红外目标检测方法
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN106249234A (zh) * 2016-07-08 2016-12-21 中国科学院电子学研究所 一种InSAR水体区域干涉相位解缠方法
CN108229425A (zh) * 2018-01-29 2018-06-29 浙江大学 一种基于高分辨率遥感图像的水体识别方法
CN108985236A (zh) * 2018-07-20 2018-12-11 南京开为网络科技有限公司 一种基于深度化可分离卷积模型的人脸识别方法
CN109063564A (zh) * 2018-06-29 2018-12-21 北京航天自动控制研究所 一种目标变化检测方法
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
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110059538A (zh) * 2019-02-27 2019-07-26 成都数之联科技有限公司 一种基于深度密集神经网络的水体识别方法
CN110111352A (zh) * 2019-03-18 2019-08-09 北京理工雷科电子信息技术有限公司 一种基于特征级联的sar遥感图像水域检测虚警剔除方法
CN110458201A (zh) * 2019-07-17 2019-11-15 北京科技大学 一种遥感影像面向对象分类方法及分类装置
CN111274936A (zh) * 2020-01-19 2020-06-12 中国科学院上海高等研究院 多光谱图像地物分类方法、系统、介质及终端

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452530A (zh) * 2008-12-25 2009-06-10 西安电子科技大学 基于灰度统计及区域编码的sar图像水域识别方法
CN103942803A (zh) * 2014-05-05 2014-07-23 北京理工大学 基于sar图像的水域自动检测方法
CN104715238A (zh) * 2015-03-11 2015-06-17 南京邮电大学 一种基于多特征融合的行人检测方法
CN105046087A (zh) * 2015-08-04 2015-11-11 中国资源卫星应用中心 一种遥感卫星多光谱影像的水体信息自动提取方法
CN105427286A (zh) * 2015-11-06 2016-03-23 中国电子科技集团公司第二十八研究所 一种基于灰度和梯度分割的红外目标检测方法
CN105809140A (zh) * 2016-03-18 2016-07-27 华南农业大学 一种基于遥感模型的地表水体信息的提取方法及其装置
CN106249234A (zh) * 2016-07-08 2016-12-21 中国科学院电子学研究所 一种InSAR水体区域干涉相位解缠方法
CN108229425A (zh) * 2018-01-29 2018-06-29 浙江大学 一种基于高分辨率遥感图像的水体识别方法
CN109063564A (zh) * 2018-06-29 2018-12-21 北京航天自动控制研究所 一种目标变化检测方法
CN108985236A (zh) * 2018-07-20 2018-12-11 南京开为网络科技有限公司 一种基于深度化可分离卷积模型的人脸识别方法
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
CN110059538A (zh) * 2019-02-27 2019-07-26 成都数之联科技有限公司 一种基于深度密集神经网络的水体识别方法
CN110111352A (zh) * 2019-03-18 2019-08-09 北京理工雷科电子信息技术有限公司 一种基于特征级联的sar遥感图像水域检测虚警剔除方法
CN109977968A (zh) * 2019-03-25 2019-07-05 合肥工业大学 一种深度学习分类后比较的sar变化检测方法
CN110458201A (zh) * 2019-07-17 2019-11-15 北京科技大学 一种遥感影像面向对象分类方法及分类装置
CN111274936A (zh) * 2020-01-19 2020-06-12 中国科学院上海高等研究院 多光谱图像地物分类方法、系统、介质及终端

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
CRAIG MAHONEY 等: "Automated SAR Image Thresholds for Water Mask Production in Alberta’s Boreal Region", 《REMOTE SENSING》 *
LIGUO WENG 等: "Water Areas Segmentation from Remote Sensing Images Using a Separable Residual SegNet Network", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》 *
PEIPEI ZHANG 等: "The Modified Encoder-decoder Network Based on Depthwise Separable Convolution for Water Segmentation of Real Sar Imagery", 《2019 ACES》 *
THOMAS HAHMANN 等: "Extraction of water and flood areas from SAR data", 《7TH EUROPEAN CONFERENCE ON SYNTHETIC APERTURE RADAR》 *
乔梦雨 等: "面向陆战场目标识别的轻量级卷积神经网络", 《计算机科学》 *
卢薇艳 等: "基于遥感技术的海岸线提取及应用研究综述", 《华南地质与矿产》 *
张金松 等: "一种基于密集深度分离卷积的SAR图像水域分割算法", 《雷达学报》 *
马国锐 等: "结合颜色直方图和 LBP 纹理的遥感影像分割", 《国土资源遥感》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562052A (zh) * 2020-12-03 2021-03-26 广东工业大学 一种面向近岸水域的实时定位与建图方法
CN112508106A (zh) * 2020-12-08 2021-03-16 大连海事大学 一种基于卷积神经网络的水下图像分类方法
CN112528983A (zh) * 2020-12-16 2021-03-19 国网江苏省电力有限公司检修分公司 一种暗光条件下gis隔离/接地开关视频图像采集系统
CN112528983B (zh) * 2020-12-16 2023-12-26 国网江苏省电力有限公司检修分公司 一种暗光条件下gis隔离/接地开关视频图像采集系统
CN112733920A (zh) * 2020-12-31 2021-04-30 中国地质调查局成都地质调查中心 一种基于深度学习的图像识别方法及系统
CN112734729A (zh) * 2021-01-11 2021-04-30 昆明理工大学 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN112884654A (zh) * 2021-03-03 2021-06-01 鄂尔多斯应用技术学院 一种基于cnn的wdsr图像超分辨率重建优化方法
CN112884654B (zh) * 2021-03-03 2024-02-20 鄂尔多斯应用技术学院 一种基于cnn的wdsr图像超分辨率重建优化方法
CN112949550A (zh) * 2021-03-19 2021-06-11 中国科学院空天信息创新研究院 一种基于深度学习的水体识别方法、系统和介质
CN113420619A (zh) * 2021-06-07 2021-09-21 核工业北京地质研究院 一种遥感影像建筑物提取方法
CN116665137A (zh) * 2023-08-01 2023-08-29 聊城市彩烁农业科技有限公司 一种基于机器视觉的畜牧养殖废水处理方法
CN116665137B (zh) * 2023-08-01 2023-10-10 聊城市彩烁农业科技有限公司 一种基于机器视觉的畜牧养殖废水处理方法

Also Published As

Publication number Publication date
CN111914686B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN111914686B (zh) 基于周域关联和模式识别的sar遥感图像水域提取方法、装置及系统
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Zhuo et al. Cloud classification of ground-based images using texture–structure features
Cheng et al. SeNet: Structured edge network for sea–land segmentation
CN110119728B (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
CN109934200B (zh) 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统
WO2017071160A1 (zh) 一种大幅面遥感图像海陆分割的方法及系统
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN111797712B (zh) 基于多尺度特征融合网络的遥感影像云与云阴影检测方法
Aytekın et al. Unsupervised building detection in complex urban environments from multispectral satellite imagery
Fabel et al. Applying self-supervised learning for semantic cloud segmentation of all-sky images
CN112597815A (zh) 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN113591617B (zh) 基于深度学习的水面小目标检测与分类方法
CN113239736B (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法
Yuan et al. Efficient cloud detection in remote sensing images using edge-aware segmentation network and easy-to-hard training strategy
Lu et al. Deep learning for effective refugee tent extraction near syria–jordan border
CN110717531A (zh) 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法
Manaf et al. Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images.
Oehmcke et al. Creating cloud-free satellite imagery from image time series with deep learning
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
Zhiyong et al. Automatic landslide inventory mapping approach based on change detection technique with very-high-resolution images
Penteliuc et al. Prediction of cloud movement from satellite images using neural networks
CN113269028A (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN112365508A (zh) 基于视觉注意与残差网络的sar遥感图像水域分割方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.1 yangxianpo, Wuhua District, Kunming, Yunnan 650033

Patentee after: Transmission branch of Yunnan Power Grid Co.,Ltd.

Address before: No. 201, Baita Road, Panlong District, Kunming, Yunnan 650011

Patentee before: YUNNAN POWER GRID Co.,Ltd. CHARGED OPERATION BRANCH