CN112084843A - 一种基于半监督学习的多光谱河道遥感监测方法 - Google Patents
一种基于半监督学习的多光谱河道遥感监测方法 Download PDFInfo
- Publication number
- CN112084843A CN112084843A CN202010735133.9A CN202010735133A CN112084843A CN 112084843 A CN112084843 A CN 112084843A CN 202010735133 A CN202010735133 A CN 202010735133A CN 112084843 A CN112084843 A CN 112084843A
- Authority
- CN
- China
- Prior art keywords
- point
- layer
- river
- training
- remote sensing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 65
- 238000013145 classification model Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 5
- 210000000746 body region Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000007500 overflow downdraw method Methods 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 abstract 1
- 238000002372 labelling Methods 0.000 description 10
- 238000003909 pattern recognition Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于半监督学习的多光谱河道遥感监测方法，实现对于多光谱河道遥感图像中的河流区域的识别与河道宽度监测的任务。基于多光谱遥感图像的光谱信息，发明一种基于半监督学习的目标区域分类方法，以及基于集成学习的目标区域分类结果融合方法。该方法通过对于多光谱遥感图像进行基于对称卷积神经网络的特征提取，并基于半监督学习和集成学习实现多光谱遥感图像的区域分类识别任务。最后基于计算机视觉设计理念，实现了河道宽度的自动测量监测。
Description
技术领域
本发明涉及深度学习技术领域，尤其是涉及一种基于半监督学习的多光谱河道遥感监测方法。
背景技术
多光谱遥感数据是自然环境保护领域重要的参考数据源。其通过空间遥感卫星拍摄的自然环境影像，对多光谱遥感图像中的河道与陆地等区域进行分类标注，进而对河道宽度变化等自然评价指标进行识别，进而对于具有洪水预兆性的河道宽度突增等状况进行预警。这其中，对于河流宽度的监测一直是该领域的工作重点和研究难点之一。
河道宽度的监测主要分为河道区域识别和河道宽度计算两个主要步骤。
在第一步中，传统的多光谱遥感图像中的不同区域类别的分类标注工作主要以人工方式进行，前期需要对从事该项工作的人员进行大量培训。同时，随着工作时间的增加，标注人员的工作专注度会急剧下降，标注准确率出现不稳定。由此，多光谱图像的区域变化监测工作存在标注样本量满足大规模学习网络样本真值训练的问题。
近年来，随着计算机技术的不断发展，以机器学习、人工神经网络为代表的智能系统技术不断发展，分类器与模式识别网络由此。分类器和模式识别网络普遍采用样本-真值的学习模式。以多光谱遥感图像为例，在训练模式识别网络过程中，需要选择海量多光谱遥感图像，以及各自对应的人工标注真值样本。然而，受到前述的多光谱遥感图像人工标注成本高的制约，人工标注真值样本极为有限，因此存在大量未标注的多光谱遥感图像样本。如果能将这部分未标注的多光谱遥感图像引入到模式识别网络中进行辅助训练，将可以有效减少人工标注效率低导致的模式识别网络训练样本少、分类效果差的问题。因此引入了半监督学习的概念，不同于目前主流的只利用已标注样本进行网络训练的过程，半监督学习的过程将未标注的样本也引入到网络训练过程中，指导网络的模型收敛，提高了网络模型的知识容量，从而实现高于现有同类方法的河道区域高准确率识别。
在第二步中，河道宽度的计算目前主要以基于第一步识别结果的人工统计丈量为主，即人为选择河道起止点，人工划定河道宽度。该过程存在高强度的人为重复性，即针对于不同时间段的河道识别结果，需要人为重复度量，人为宽度监测的时效性较为低下。因此，本发明深入提炼该人为过程的核心步骤与经验，提出了一种自动化的河道宽度监测方法。
结合上述叙述，本发明针对于现有多光谱遥感图像区域变化监测的人工标注方法存在的人工、时间成本高的问题，以及模式识别网络分类方法在训练过程中训练样本与真值存在的不平衡问题，创新性地提出了一种基于半监督学习的多光谱河道遥感监测方法，在保证多光谱遥感分类准确率较高的同时，有效减少模式识别网络训练过程的样本真值缺乏问题，提高了河道变化监测过程的自动化水平，提高多光谱河道遥感监测的时效性。
发明内容
本发明所要解决的技术问题是现有多光谱遥感图像区域变化监测的人工标注方法存在的人工、时间成本高的问题，以及模式识别网络在有限训练样本情况下的低识别准确率问题。因此提出了一种基于半监督学习的多光谱河道遥感监测方法，将半监督学习引入到了遥感图像的识别分类问题中，具体是从未标注的海量样本中提取语义特征，形成语义聚类群，随后按照聚类分布特点，对少量带标注的训练样本进行模型训练辅助，进而实现对于较难标注的多光谱图像的模型训练与识别过程的优化。整体上，在保证多光谱遥感分类准确率较高的同时，有效减少模式识别网络训练过程的样本真值缺乏问题对于模型准确率的影响，提高了河道宽度测量过程的自动化水平，提高多光谱河道遥感监测的时效性。
本发明解决上述技术问题所采用的技术方案为：一种基于半监督学习的多光谱河道遥感监测方法，实现对于多光谱河道遥感图像中的河流区域的识别与河道宽度监测的任务。本发明的方法包含如下步骤：
1)多光谱遥感图像读入：
定义多光谱遥感数据的训练集W，其中包括已人工标注的样本集W_1，和未标注的样本集W_2，以及待分类识别的多光谱遥感数据的测试集V。
2)对称卷积神经网络特征提取：
定义对称卷积神经网络结构M，该网络依次由输入层、卷积层、卷积层、中间层、卷积层、卷积层、输出层组成。其中，卷积层、中间层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、1、36、24、9。首先采用训练集W进行网络M训练，训练中损失函数的参数为：二元交叉熵；
基于已训练好的对称卷积神经网络M，分别对训练集W和测试集V进行特征提取。以训练集W中的任意样本矩阵W_1为例。具体操作是将W_1作为网络K输入层的输入，并从K的中间层获取输出L。由此，得到已人工标注的样本集的特征集WW_1，和未标注的样本集的特征集WW_2，和V的特征集合VV。
随后，采用对WW_1、WW_2和VV进行聚类，按照聚类结果将已人工标注的样本集W_1和未标注的样本集W_2分为m个不同子集W_1_1至W_1_m，以及W_2_1至W_2_m，其中m为自然数。同时定义各个子集的中心分别为W_1_m_C和W_2_m_C。
3)基于半监督学习的目标区域分类：
本过程中，半监督学习的目的是为了更好训练多光谱图像目标区域分类模型。首先，定义对称结构自编码器网络结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成。其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、9。随后，定义多光谱图像目标区域分类模型结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成。其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、1。利用训练集W中的未标注样本子集W_2_m，训练多个对称结构自编码器网络结构，随后将对称结构自编码器网络结构的编码器参数复制迁移到按照多光谱图像目标区域分类模型结构定义的多个模型的自编码器结构部分，实现网络训练的半监督初始化过程，最后利用已标注的样本子集W_2_m进行多光谱图像目标区域分类模型结构所示的网络模型训练。具体过程如下：
Step1：定义n个多光谱图像目标区域分类模型K_3_n，其中n为自然数。将未标注的样本集W_2_m赋值给K_3_n的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
Step2：定义z个多光谱图像目标区域分类模型结构K_4_z，其中z为自然数。将已训练的模型K_3_n的自编码器结构的网络参数赋值给对应的K_4_z的自编码器结构部分并冻结该部分的参数，随后将已标注的样本集W_1_m赋值给K_4_z的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
4)基于集成学习的目标区域分类结果融合：
本步骤将多个网络模型的结果进行融合，采用集成学习模式实现对于多光谱图像的区域分类识别结果的增强。具体过程为：
Step1：对于任意测试集V的测试图像V_1，得到K_2模型输出的特征VV_1。
Step2：将VV_1进行矩阵转换，得到VV_1’，VV_1’与W_1_m_C的矩阵尺度保持一致，随后计算VV_1’与各个聚类组中心W_1_m_C的欧式空间距离O_s，s为自然数。随后对O_s进行排序，选取其中数值最小的3个值对应的聚类组,定义为当前测试图像的三个临近语义聚类组。
Step3：将测试图像V_1作为输入，从已训练好的z个K_4_z模型中，采用前一步中三个临近语义聚类组训练得到的模型，分别进行目标区域分类识别，得到三个分类识别结果。
Step4：将三个分类识别结果进行相加求平均的操作，得到最终的基于集成学习的目标区域分类结果融合。
5)基于计算机视觉的河道宽度监测：
本步骤基于上一步得到的目标河流区域的分类结果，结合计算机视觉理念，在充分总结遥感识别结果的河流宽度人工测量方法的关键步骤基础上，提出了对目标河流区域的河道宽度进行自动化检测的方法。该过程的主要思路是从分类结果的河流区域的某个任意起始点A出发，寻找距离河流两岸的最短内接直线，即最大内接圆的直径。该最短内接直线即为经过A点且与河流中线垂直的河道宽度。该过程的具体步骤如下：
首先定义作为输入的已完成河流区域识别的分类结果图，其中每个网格的端点表示一个像素点，填充有灰色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为水体像素点，对应河流遥感图像的水体区域；填充为白色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为陆地像素点，对应河流遥感图像的陆地区域。
Step1：随机选取一个水体像素点作为起始点A。以A点为中心，构建一个半径为R的圆形边界T_i，令i＝1，随后使i＝i+1,便于更新下一个更大圆环的名称。R为距离A点最近的网格像素点集中的任意点B的距离。定义当前关注点的概念，并将当前关注点设为B。定义任意两点X，Y的距离的描述变量DXY，表示X、Y在网格中的最近直线距离。
Step2：定义相对于当前关注点B的次近点C，使对于任意点X，不存在同时满足DAX>DAB且DAX<DAC的点，由此确保C点为仅次于B点的，距离A点较近的点。
Step3：绘制半径DAC圆环T_i，i＝i+1，并将当前关注点更新为当前关注点的次近点，如将当前关注点B更新为B点的次近点C。随后，判定网格中位于圆环T_i上的像素点，是否存在陆地像素点：
若判定不存在陆地像素点，则继续构建半径更大的圆形边界T_i，i＝i+1，该圆环的半径为DAD。其中D点为相对于当前关注点C的次近点。
若判定存在陆地像素点E，则标记该陆地像素点E，同时从E点出发，沿着直线EA的延长线，寻找第一个不是水体像素点的陆地像素点G，由此确定EA延长线上最后一个水体像素点F，确保在延长线上F点与G点相邻。此时DCF即为河道中关于A点的最大内切圆的直径，也就是以A点为测量点的河道宽度KA。
Step4：重复Step1至3步骤Q次，其中Q为正整数，且Q>10，基于不同的随机初始点S，得到多个河道宽度的测量集合KS，计算KS的统计平均值，即为该幅河道遥感图像的河道平均宽度。
上述过程中，最后一步重复测量过程，主要是针对单幅河流遥感图像中存在的各个局部河流区域的宽度不同，因此求取平均宽度从而提高河道宽度的描述合理性。
实验结果证明，在2700幅遥感图像数据集中，利用已标注的100幅遥感图像和未标注的2000幅遥感图像进行半监督学习模型训练，并对余下600幅测试图像进行河流区域识别，将河流区域识别结果与人工标注的真值进行比较，本发明方法的河流区域识别准确率为91.3％。经典的深度学习模型方法仅为81.5％。其原因主要是在有限带标注的训练样本下，经典深度学习模型在设计时未考虑到遥感图像标注样本难度大，数量有限的客观条件，无法对模型进行充分训练，而本发明方法在设计时已针对遥感图像识别进行了考量，将海量未标注的图像样本辅助进行模型训练，进而提高了河流区域的识别准确率。
整体上，与传统多光谱河道遥感监测的人工标注方法，以及现有经典的模式识别网络分类方法相比，本发明的优点在于：
1、针对于遥感图像标注工作量远大于传统彩色图像的客观现状，本发明提出了基于半监督学习的深度学习模型构建方法，对于遥感图像的标注需求量远小于现有需要海量带标注图像的图像分割网络模型，从而简化了遥感图像识别的人工工作量，在保证图像识别准确率的前提下，提高了图像识别过程的整体时效性。
2、针对河流宽度变化识别过程，本发明基于计算机视觉技术，在充分总结遥感识别结果的河流宽度人工测量方法的关键步骤基础上，提出了一种遥感图像中河流宽度的自动化统计模式。该过程利用计算机图形学与计算机视觉方法，将复杂的河流宽度人为统计过程进行了自动化实现，降低了该项工作的人工成本，提高了河流宽度变化识别的自动化水平。
附图说明
图1是本发明方法的流程图；
图2是对称卷积神经网络结构示意图；
图3是对称结构自编码器网络结构示意图；
图4是多光谱图像目标区域分类模型结构示意图；
图5是河流宽度检测过程示意图；
具体实施方式
以下结合附图对本发明作进一步详细阐述。
本发明针对多光谱遥感图像的特征信息，设计了基于半监督学习的多光谱遥感分类方法，实现对于多光谱河道遥感监测任务的时效性。在实际的使用中，计算机将调用基于本发明方法流程的程序完成具体的多光谱河道遥感监测的工作。图1为本发明方法的流程图。本发明的方法步骤如下：
第一步：多光谱遥感图像读入：
定义多光谱遥感数据的训练集W，其中包括已人工标注的样本集W_1，和未标注的样本集W_2，以及待分类识别的多光谱遥感数据的测试集B。
第二步：对称卷积神经网络特征提取：
定义对称卷积神经网络结构M，该网络依次由输入层、卷积层、卷积层、中间层、卷积层、卷积层、输出层组成。其中，卷积层、中间层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、1、36、24、9。首先采用训练集W进行网络M训练，训练中损失函数的参数为：二元交叉熵；
基于已训练好的对称卷积神经网络M，分别对训练集W和测试集B进行特征提取。以训练集W中的任意样本矩阵W_1为例。具体操作是将W_1作为网络K输入层的输入，并从K的中间层获取输出L。由此，得到已人工标注的样本集的特征集WW_1，和未标注的样本集的特征集WW_2，和V的特征集合VV。
随后，采用对WW_1、WW_2和VV进行聚类，按照聚类结果将已人工标注的样本集W_1和未标注的样本集W_2分为m个不同子集W_1_1至W_1_m，以及W_2_1至W_2_m，其中m为自然数。同时定义各个子集的中心分别为W_1_m_C和W_2_m_C。
第三步：基于半监督学习的目标区域分类：
本过程中，半监督学习的目的是为了更好训练多光谱图像目标区域分类模型。首先，定义对称结构自编码器网络结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成。其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、9。随后，定义多光谱图像目标区域分类模型结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成。其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、1。利用训练集W中的未标注样本子集W_2_m，训练多个对称结构自编码器网络结构，随后将对称结构自编码器网络结构的编码器参数复制迁移到按照多光谱图像目标区域分类模型结构定义的多个模型的自编码器结构部分，实现网络训练的半监督初始化过程，最后利用已标注的样本子集W_2_m进行多光谱图像目标区域分类模型结构所示的网络模型训练。具体过程如下：
Step1：定义n个多光谱图像目标区域分类模型K_3_n，其中n为自然数。将未标注的样本集W_2_m赋值给K_3_n的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
Step2：定义z个多光谱图像目标区域分类模型结构K_4_z，其中z为自然数。将已训练的模型K_3_n的自编码器结构的网络参数赋值给对应的K_4_z的自编码器结构部分并冻结该部分的参数，随后将已标注的样本集W_1_m赋值给K_4_z的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
第四步：基于集成学习的目标区域分类结果融合
本步骤将多个网络模型的结果进行融合，采用集成学习模式实现对于多光谱图像的区域分类识别结果的增强。具体过程为：
Step1：对于任意测试集V的测试图像V_1，得到K_2模型输出的特征VV_1。
Step2：将VV_1进行矩阵转换，得到VV_1’，VV_1’与W_1_m_C的矩阵尺度保持一致，随后计算VV_1’与各个聚类组中心W_1_m_C的欧式空间距离O_s，s为自然数。随后对O_s进行排序，选取其中数值最小的3个值对应的聚类组,定义为当前测试图像的三个临近语义聚类组。
Step3：将测试图像V_1作为输入，从已训练好的z个K_4_z模型中，采用前一步中三个临近语义聚类组训练得到的模型，分别进行目标区域分类识别，得到三个分类识别结果。
Step4：将三个分类识别结果进行相加求平均的操作，得到最终的基于集成学习的目标区域分类结果融合。
第五步：基于计算机视觉的河道宽度监测
本步骤基于上一步得到的目标河流区域的分类结果，结合计算机视觉理念，在充分总结遥感识别结果的河流宽度人工测量方法的关键步骤基础上，提出了对目标河流区域的河道宽度进行自动化检测的方法。该过程的主要思路是从分类结果的河流区域的某个任意起始点A出发，寻找距离河流两岸的最短内接直线，即最大内接圆的直径。该最短内接直线即为经过A点且与河流中线垂直的河道宽度。该过程的具体步骤如下：
首先定义作为输入的已完成河流区域识别的分类结果图，其中每个网格的端点表示一个像素点，填充有灰色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为水体像素点，对应河流遥感图像的水体区域；填充为白色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为陆地像素点，对应河流遥感图像的陆地区域。
Step1：随机选取一个水体像素点作为起始点A。以A点为中心，构建一个半径为R的圆形边界T_i，令i＝1，随后使i＝i+1,便于更新下一个更大圆环的名称。R为距离A点最近的网格像素点集中的任意点B的距离。定义当前关注点的概念，并将当前关注点设为B。定义任意两点M，N的距离的描述变量DMN，表示M、N在网格中的最近直线距离。
Step2：定义相对于当前关注点B的次近点C，使对于任意点M，不存在同时满足DAM>DAB且DAM<DAC的点，由此确保C点为仅次于B点的，距离A点较近的点。
Step3：绘制半径DAC圆环T_i，i＝i+1，并将当前关注点更新为当前关注点的次近点，如将当前关注点B更新为B点的次近点C。随后，判定网格中位于圆环T_i上的像素点，是否存在陆地像素点：
若判定不存在陆地像素点，则继续构建半径更大的圆形边界T_i，i＝i+1，该圆环的半径为DAD。其中D点为相对于当前关注点C的次近点。
若判定存在陆地像素点E，则标记该陆地像素点E，同时从E点出发，沿着直线EA的延长线，寻找第一个不是水体像素点的陆地像素点G，由此确定EA延长线上最后一个水体像素点F，确保在延长线上F点与G点相邻。此时DCF即为河道中关于A点的最大内切圆的直径，也就是以A点为测量点的河道宽度KA。
Step4：重复Step1至3步骤Q次，其中Q为正整数，且Q>10，基于不同的随机初始点S，得到多个河道宽度的测量集合KS，计算KS的统计平均值，即为该幅河道遥感图像的河道平均宽度。
表1是对称卷积神经网络结构说明表格；
表2是对称结构自编码器网络结构说明表格；
表3是多光谱图像目标区域分类模型结构说明表格
Claims (2)
1.一种基于半监督学习的多光谱河道遥感监测方法，其特征在于以下步骤：
1)多光谱遥感图像读入：
定义多光谱遥感数据的训练集W，其中包括已人工标注的样本集W_1，和未标注的样本集W_2，以及待分类识别的多光谱遥感数据的测试集V；
2)对称卷积神经网络特征提取：
定义对称卷积神经网络结构M，该网络依次由输入层、卷积层、卷积层、中间层、卷积层、卷积层、输出层组成；其中，卷积层、中间层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、1、36、24、9；首先采用训练集W进行网络M训练，训练中损失函数的参数为：二元交叉熵；
基于已训练好的对称卷积神经网络M，分别对训练集W和测试集V进行特征提取；以训练集W中的任意样本矩阵W_1为例；具体操作是将W_1作为网络K输入层的输入，并从K的中间层获取输出L；由此，得到已人工标注的样本集的特征集WW_1，和未标注的样本集的特征集WW_2，和V的特征集合VV；
随后，采用对WW_1、WW_2和VV进行聚类，按照聚类结果将已人工标注的样本集W_1和未标注的样本集W_2分为m个不同子集W_1_1至W_1_m，以及W_2_1至W_2_m，其中m为自然数；同时定义各个子集的中心分别为W_1_m_C和W_2_m_C；
3)基于半监督学习的目标区域分类：
首先，定义对称结构自编码器网络结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成；其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、9；随后，定义多光谱图像目标区域分类模型结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成；其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、1；利用训练集W中的未标注样本子集W_2_m，训练多个对称结构自编码器网络结构，随后将对称结构自编码器网络结构的编码器参数复制迁移到按照多光谱图像目标区域分类模型结构定义的多个模型的自编码器结构部分，实现网络训练的半监督初始化过程，最后利用已标注的样本子集W_2_m进行多光谱图像目标区域分类模型结构所示的网络模型训练；具体过程如下：
Step1：定义n个多光谱图像目标区域分类模型K_3_n，其中n为自然数；将未标注的样本集W_2_m赋值给K_3_n的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
Step2：定义z个多光谱图像目标区域分类模型结构K_4_z，其中z为自然数；将已训练的模型K_3_n的自编码器结构的网络参数赋值给对应的K_4_z的自编码器结构部分并冻结该部分的参数，随后将已标注的样本集W_1_m赋值给K_4_z的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；
4)基于集成学习的目标区域分类结果融合：
Step1：对于任意测试集V的测试图像V_1，得到K_2模型输出的特征VV_1；
Step2：将VV_1进行矩阵转换，得到VV_1’，VV_1’与W_1_m_C的矩阵尺度保持一致，随后计算VV_1’与各个聚类组中心W_1_m_C的欧式空间距离O_s，s为自然数；随后对O_s进行排序，选取其中数值最小的3个值对应的聚类组,定义为当前测试图像的三个临近语义聚类组；
Step3：将测试图像V_1作为输入，从已训练好的z个K_4_z模型中，采用前一步中三个临近语义聚类组训练得到的模型，分别进行目标区域分类识别，得到三个分类识别结果；
Step4：将三个分类识别结果进行相加求平均的操作，得到最终的基于集成学习的目标区域分类结果融合；
5)基于计算机视觉的河道宽度监测：
从分类结果的河流区域的某个任意起始点A出发，寻找距离河流两岸的最短内接直线，即最大内接圆的直径；该最短内接直线即为经过A点且与河流中线垂直的河道宽度；该过程的具体步骤如下：
首先定义作为输入的已完成河流区域识别的分类结果图，其中每个网格的端点表示一个像素点，填充有灰色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为水体像素点，对应河流遥感图像的水体区域；填充为白色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为陆地像素点，对应河流遥感图像的陆地区域；
Step1：随机选取一个水体像素点作为起始点A；以A点为中心，构建一个半径为R的圆形边界T_i，令i＝1，随后使i＝i+1,便于更新下一个更大圆环的名称；R为距离A点最近的网格像素点集中的任意点B的距离；定义当前关注点的概念，并将当前关注点设为B；定义任意两点X，Y的距离的描述变量DXY，表示X、Y在网格中的最近直线距离；
Step2：定义相对于当前关注点B的次近点C，使对于任意点X，不存在同时满足DAX>DAB且DAX<DAC的点，由此确保C点为仅次于B点的，距离A点较近的点；
Step3：绘制半径DAC圆环T_i，i＝i+1，并将当前关注点更新为当前关注点的次近点，如将当前关注点B更新为B点的次近点C；随后，判定网格中位于圆环T_i上的像素点，是否存在陆地像素点：
若判定不存在陆地像素点，则继续构建半径更大的圆形边界T_i，i＝i+1，该圆环的半径为DAD；其中D点为相对于当前关注点C的次近点；
若判定存在陆地像素点E，则标记该陆地像素点E，同时从E点出发，沿着直线EA的延长线，寻找第一个不是水体像素点的陆地像素点G，由此确定EA延长线上最后一个水体像素点F，确保在延长线上F点与G点相邻；此时DCF即为河道中关于A点的最大内切圆的直径，也就是以A点为测量点的河道宽度KA；
Step4：重复Step1至3步骤Q次，其中Q为正整数，且Q>10，基于不同的随机初始点S，得到多个河道宽度的测量集合KS，计算KS的统计平均值，即为该幅河道遥感图像的河道平均宽度。
2.根据权利要求1所述的方法，其特征在于，所述步骤4中采用了基于聚类排序的集成学习模式进行多模型的目标区域分类结果融合，得到最终的多光谱图像区域分类识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735133.9A CN112084843B (zh) | 2020-07-28 | 2020-07-28 | 一种基于半监督学习的多光谱河道遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735133.9A CN112084843B (zh) | 2020-07-28 | 2020-07-28 | 一种基于半监督学习的多光谱河道遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084843A true CN112084843A (zh) | 2020-12-15 |
| CN112084843B CN112084843B (zh) | 2024-03-12 |
Family
ID=73735986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010735133.9A Active CN112084843B (zh) | 2020-07-28 | 2020-07-28 | 一种基于半监督学习的多光谱河道遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084843B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344043A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 一种基于自组织多通道深度学习网络的河流浊度监测方法 |
| CN113344043B (zh) * | 2021-05-21 | 2024-05-28 | 北京工业大学 | 一种基于自组织多通道深度学习网络的河流浊度监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451616A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 |
| CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
| CN111426637A (zh) * | 2020-04-16 | 2020-07-17 | 江苏省环境监测中心 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
-
2020
- 2020-07-28 CN CN202010735133.9A patent/CN112084843B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451616A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 |
| CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| CN111310674A (zh) * | 2020-02-20 | 2020-06-19 | 生态环境部卫星环境应用中心 | 基于网格划分技术的河流生态缓冲带遥感监测方法和装置 |
| CN111426637A (zh) * | 2020-04-16 | 2020-07-17 | 江苏省环境监测中心 | 一种利用无人机获取城市黑臭河流水质参数的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344043A (zh) * | 2021-05-21 | 2021-09-03 | 北京工业大学 | 一种基于自组织多通道深度学习网络的河流浊度监测方法 |
| CN113344043B (zh) * | 2021-05-21 | 2024-05-28 | 北京工业大学 | 一种基于自组织多通道深度学习网络的河流浊度监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112084843B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102289991B (zh) | 一种基于视觉变量的地图注记自动分类配置方法 | |
| CN110135295A (zh) | 一种基于迁移学习的无监督行人重识别方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN109671102A (zh) | 一种基于深度特征融合卷积神经网络的综合式目标跟踪方法 | |
| CN106228183A (zh) | 一种半监督学习分类方法与装置 | |
| CN111476285B (zh) | 一种图像分类模型的训练方法及图像分类方法、存储介质 | |
| CN110533024A (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
| CN107895028A (zh) | 采用深度学习的草图检索方法 | |
| ARGIALAS et al. | Quantitative description and classification of drainage patterns | |
| CN107516103A (zh) | 一种影像分类方法和系统 | |
| CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
| CN109783887A (zh) | 一种面向三维加工特征的智能识别与检索方法 | |
| CN109871892A (zh) | 一种基于小样本度量学习的机器人视觉认知系统 | |
| CN109271427A (zh) | 一种基于近邻密度和流形距离的聚类方法 | |
| CN115619972A (zh) | 一种基于点云数据的道路标线磨损识别与评估方法 | |
| CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
| CN105631465A (zh) | 一种基于密度峰值的高效层次聚类方法 | |
| CN109284388B (zh) | 字符数字唯一可译深度模型的文本分类方法及存储介质 | |
| CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
| CN109460761A (zh) | 基于维度聚类和多尺度预测的银行卡卡号检测与识别方法 | |
| CN112711985A (zh) | 基于改进solo网络的果实识别方法、装置及果实采摘机器人 | |
| CN112084843A (zh) | 一种基于半监督学习的多光谱河道遥感监测方法 |
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 |