CN112560716A - 一种基于低层特征融合的高分辨率遥感影像水体提取方法 - Google Patents
一种基于低层特征融合的高分辨率遥感影像水体提取方法 Download PDFInfo
- Publication number
- CN112560716A CN112560716A CN202011515786.2A CN202011515786A CN112560716A CN 112560716 A CN112560716 A CN 112560716A CN 202011515786 A CN202011515786 A CN 202011515786A CN 112560716 A CN112560716 A CN 112560716A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- feature map
- sensing image
- water body
- level feature
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 31
- 238000005096 rolling process Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 210000000746 body region Anatomy 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 239000013589 supplement Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000002352 surface water Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06V20/13—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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于低层特征融合的高分辨率遥感影像水体提取方法，以获取高分辨遥感影像的水体区域为目标，使用DeepLabv3+深度学习模型进行改进，用于高分辨率遥感影像水体的提取工作，通过引入低层特征与高层特征图融合的工作降低卷积神经网络中特征信息的缺失，补充细节特征信息；通过具有真实水体标注的遥感影像数据集进行训练，结合低层特征的信息补充，达到进一步区分植被、建筑物阴影等暗色区域和水体区域的目的。
Description
技术领域
本发明涉及遥感影像智能识别技术领域，尤其是涉及一种基于低层特征融合的高分辨率遥感影像水体提取方法。
背景技术
水是自然界中维持人类社会发展的基本物质。城市地表水由自然和人工水构成，它是城市环境必不可少的自然资源，是城市生态环境重要影响因素之一，对城市公共健康和人们的生活环境产生一定影响。水体的形成、膨胀、收缩和消失是影响区域气候变化和生态环境演变的重要因素。因此，城市地表水体快速精确提取和动态监测已经成为各级政府水资源管理和决策支持的重要任务之一。
由于遥感技术的快速发展，遥感图像的空间分辨率不断提高，遥感影像包含的细节信息也逐渐丰富。遥感影像被广泛应用于测绘制图、城市规划、交通建设、农业服务等领域，同时也为准确、快速提取城市地表水体提供了数据支持。常见的遥感影像水体提取方法主要分为两种，一是分类器方法，二是基于遥感影像光谱特征的提取法。其中分类器方法有向量机法(SVM)、决策树法等，SVM方法对水体尺度和复杂度适应性较好；基于遥感影像光谱特征提取法有阈值法、水体指数法、BP神经网络等法等，归一化差异水指数法NDWI)是基于遥感影像光谱特征提取法中具有代表性的方法，但在区分水体和暗色区域中表现较差；经过改良后的MNDMI在区分水体和暗影中稍有进步，但在城市中存在一定误差，水体信息提取时易受到地物阴影及暗色地物等因素的干扰。
深度学习是机器模仿人脑组织中神经元处理数据过程，通过大量数据训练，建立低层信号到高层语义的映射关系模型并对目标做出分析和判断。由于高分辨率遥感影像数据量庞大，因此深度学习方法成为遥感影像图像处理的有力工具。近年来的一些研究将卷积神经网络的深度学习技术应用在遥感影像水体提取工作中，但是仍存在精度不高、边缘模糊、暗色阴影误识别等问题。
发明内容
本发明所要解决的技术问题是提供一种水体信息提取精度高，边缘清晰，且暗色区域与水体区域之间区分效果良好的基于低层特征融合的高分辨率遥感影像水体提取方法。
本发明所采用的技术方案是，一种基于低层特征融合的高分辨率遥感影像水体提取方法，包括下列步骤：
S1、从数据共享网站上获取城市高分辨率遥感影像，对遥感影像做预处理；
S2、经过预处理后，对遥感影像中的水体信息进行标注，将经过标注的遥感影像作为训练样本；
S3、搭建待训练的卷积神经网络模型；
S4、构建卷积神经网络损失函数，结合神经网络损失函数对步骤S3中的卷积神经网络模型进行训练，得到最优精度的卷积神经网络模型；
S4、将步骤S2中的训练样本输入步骤S4中训练好的卷积神经网络模型，通过卷积神经网络模型输出水体提取分割图。
作为优先，在步骤S1中，获取城市高分辨率遥感影像所要遵循的标准包括：a.遥感影像中没有缺失扫描行以及异常像元；b.遥感影像中地物层次清晰，且色调一致；c.遥感影像中无云雾遮挡。
作为优先，在步骤S1中，对遥感影像做预处理的具体方法为：将原始遥感影像裁剪为若干固定像素值的遥感影像小图。
作为优先，在步骤S2中，对遥感影像中的水体信息进行标注的具体方法为：采用人工手动的方式对若干遥感影像小图中的水体信息进行标注，将水体区域与非水体区域使用不同的像素值进行区分，得到水体标注结果。
作为优先，在步骤S3中，搭建卷积神经网络模型包括下列步骤：
(1)、卷积神经网络模型包括编码器模块以及解码器模块，编码器模块采用Xception网络作为基特征提取网络结构，编码器模块包括五个卷积块以及一个空洞空间金字塔模块ASPP，五个卷积块按顺序依次为：conv1、conv2、conv3、conv4和conv5，解码器模块包括卷积块A、卷积块B、卷积块C、卷积块D、第一融合器以及第二融合器；
(2)、将步骤S1中得到的遥感影像小图输入到编码器中，取卷积块conv1和卷积块conv2输出的特征图作为低层特征图，取依次经过五个卷积块和空洞金字模块ASPP处理，最终由空洞金字模块ASPP输出的特征图作为高层特征图；
(3)、将步骤(2)中得到的高层特征图通过卷积块A处理得到第一高层特征图，第一高层特征图通过四倍上采样后输入到第一融合器中，将步骤(2)中由卷积块conv2输出的低层特征图通过卷积块B处理得到第一低层特征图，将第一低层特征图输入第一融合器中与第一高层特征图进行融合，融合后获得第二高层特征图；
(4)、将第二高层特征图再经过一次两倍上采样，然后输入到第二融合器中，将步骤(2)中由卷积块conv1输出的低层特征图通过卷积块C处理得到第二低层特征图，第二低层特征图输入第二融合器中与第二高层特征图进行融合，融合后获得第三高层特征图；
(5)、将第三高层特征图输入卷积块D中进行卷积处理，处理后再经过一次两倍上采样，最终输出水体分割图。
作为优先，第一融合器和第二融合器均包括三个模块，三个模块分别为block1、block2以及block3，block1和block3的用于细化图像特征，block2模块用于低层特征和高层特征融合。
作为优先，在第一融合器中，第一低层特征图与第一高层特征图融合的具体方法为：第一低层特征图从block1输入，先经过卷积块E来减少特征图的通道数，然后使用第一残差块细化图像特征信息，再输入到block2中，同时将第一高层特征图也输入block2，两者叠加整合，再依次通过全局池化模块、卷积块F以及卷积块G，得到的结果与第一低层特征图相乘，然后再与第一高层特征图相乘，其输出结果输入到block3中，经过卷积块H来减少特征图的通道数，再经过第二残差块细化图像特征信息。
作为优先，步骤S4中的卷积神经网络损失函数的具体公式为：
作为优先，步骤S4中，训练卷积神经网络模型的具体方法为：结合卷积神经网络损失函数，通过调整参数进行迭代训练，来获取高分辨率遥感影像中水体提取最优精度的卷积神经网络。
作为优先，卷积块A、卷积块B、卷积块C、卷积块E、卷积块F、卷积块G以及卷积块H，均为1x1卷积，采用1x1卷积，可以用来减少特征图的通道数，减少参数计算，提高模型的训练速度。
作为优先，卷积块D为3x3卷积，采用3x3卷积，可以用来细化分割结果。
本发明的有益效果是：本发明设计了一种基于卷积神经网络的深度学习方法，从输入一幅遥感图像到输出与图像尺寸一致的水体提取分割图这一过程中不需要人工设计的特征引导，深度学习网络本身可以从水体数据集中学习所需的特征信息，具有良好的泛化能力；本发明设计的卷积神经网络模型应用在待检测的遥感影像集时，水体信息提取的高精度高于原模型，水体区域边缘更为精准；本发明设计通过引入低层特征与高层特征图融合降低卷积神经网络训练中特征信息的缺失，补充细节特征信息。在待检测遥感影像集水体提取实验测试中，植被、建筑物阴影等暗色区域和水体区域的区分效果表现优秀。
附图说明
图1为本发明一种基于低层特征融合的高分辨率遥感影像水体提取流程图；
图2为本发明中提供的卷积神经网络模型的结构图；
图3为本发明中低层特征和高层特征融合的过程示意图；
图4为本发明中Xception网络结构的示意图；
图5为本发明实施例中提供的水体提取效果示意图；
图5中(a)为本发明的输入图像示意图；
图5中(b)为原模型的提取结果示意图；
图5中(c)为本发明的提取结果示意图；
如图所示：1、卷积块A；2、第一融合器；3、卷积块B；4、卷积块C；5、第二融合器；6、卷积块D；7、卷积块E；8、第一残差块；9、全局池化模块；10、卷积块F；11、卷积块G；12、卷积块H；13、第二残差块。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
本领域技术人员应理解的是，在本发明的公开中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
本发明涉及一种基于低层特征融合的高分辨率遥感影像水体提取方法，如图1所示，包括下列步骤：
S1、从数据共享网站上获取城市高分辨率遥感影像，对遥感影像做预处理；
S2、经过预处理后，对遥感影像中的水体信息进行标注，将经过标注的遥感影像作为训练样本；
S3、搭建待训练的卷积神经网络模型；
S4、构建卷积神经网络损失函数，结合神经网络损失函数对步骤S3中的卷积神经网络模型进行训练，得到最优精度的卷积神经网络模型；
S4、将步骤S2中的训练样本输入步骤S4中训练好的卷积神经网络模型，通过卷积神经网络模型输出水体提取分割图。
在步骤S1中，获取城市高分辨率遥感影像所要遵循的标准包括：a.遥感影像中没有缺失扫描行以及异常像元；b.遥感影像中地物层次清晰，且色调一致；c.遥感影像中无云雾遮挡。
在步骤S1中，对遥感影像做预处理的具体方法为：将原始遥感影像裁剪为若干固定像素值的遥感影像小图，所述的固定像素值取值为512×512。
在步骤S2中，对遥感影像中的水体信息进行标注的具体方法为：将步骤S1中切割出来的小图采用人工手动的方式为水体区域标注，将水体区域与非水体区域使用不同的像素值区分；
在步骤S3中，卷积神经网络模型为结合DeepLabv3+深度学习网络模型的结构特征，其为卷积神经网络Water-DeepLab的深度学习模型，搭建卷积神经网络模型包括下列步骤：
(1)、卷积神经网络模型包括编码器模块以及解码器模块，编码器用于将输入序列转化成一个固定长度的向量，解码器用于将生成的固定向量再转化成输出序列；编码器模块采用Xception网络作为基特征提取网络结构，编码器模块包括五个卷积块以及一个空洞空间金字塔模块ASPP，五个卷积块按顺序依次为：conv1、conv2、conv3、conv4和conv5，解码器模块包括卷积块A如图所示：1、卷积块B3、卷积块C4、卷积块D6、第一融合器2以及第二融合器5，从卷积块conv1输出的特征图尺寸为256×256，从卷积块conv2输出的特征图尺寸为128×128，从卷积块conv3输出的特征图尺寸为64×64，从卷积块conv4输出的特征图尺寸为32×32，从卷积块conv5输出的特征图尺寸为32×32；
(2)、将步骤S1中得到的遥感影像小图输入到编码器中，取卷积块conv1和卷积块conv2输出的特征图作为低层特征图，取依次经过五个卷积块和空洞金字模块ASPP处理，最终由空洞金字模块ASPP输出的特征图作为高层特征图；
(3)、将步骤(2)中得到的高层特征图通过卷积块A如图所示：1处理得到第一高层特征图，第一高层特征图通过四倍上采样后输入到第一融合器2中，将步骤(2)中由卷积块conv2输出的低层特征图通过卷积块B3处理得到第一低层特征图，将第一低层特征图输入第一融合器2中与第一高层特征图进行融合，融合后获得第二高层特征图；
(4)、将第二高层特征图再经过一次两倍上采样，然后输入到第二融合器5中，将步骤(2)中由卷积块conv1输出的低层特征图通过卷积块C4处理得到第二低层特征图，第二低层特征图输入第二融合器5中与第二高层特征图进行融合，融合后获得第三高层特征图；
(5)、将第三高层特征图输入卷积块D6中进行卷积处理，处理后再经过一次两倍上采样，最终输出水体分割图。
第一融合器2和第二融合器5均包括三个模块，三个模块分别为block1、block2以及block3，block1和block3的用于细化图像特征，block2模块用于低层特征和高层特征融合。
如图3所示，在第一融合器2中，第一低层特征图与第一高层特征图融合的具体方法为：第一低层特征图从block1输入，先经过卷积块E7来减少特征图的通道数，然后使用第一残差块8细化图像特征信息，再输入到block2中，同时将第一高层特征图也输入block2，两者叠加整合，再依次通过全局池化模块9、卷积块F10以及卷积块G11，得到的结果与第一低层特征图相乘，然后再与第一高层特征图相乘，其输出结果输入到block3中，经过卷积块H12来减少特征图的通道数，再经过第二残差块细化图像特征信息。
步骤S4中的卷积神经网络损失函数的具体公式为：
，其中为函数损失，为像素的真实标签，表示为水体区域像素，表示为非水体像素，是水体像素的预测概率；为一张图像中的总像素值。
步骤S4中，训练卷积神经网络模型的具体方法为：结合卷积神经网络损失函数，通过调整参数进行迭代训练，来获取高分辨率遥感影像中水体提取最优精度的卷积神经网络。
其中，卷积块A如图所示：1、卷积块B3、卷积块C4、卷积块E7、卷积块F10以及卷积块G11，均为1x1卷积，采用1x1卷积，可以用来减少特征图的通道数，减少参数计算，提高模型的训练速度。
卷积块D6为3x3卷积，采用3x3卷积，可以用来细化分割结果。
本发明对遥感图像进行水体提取实验得到的分割图示例如图4所示，可以看出，本发明能精确地对遥感影像中的水体区域进行提取，进一步区分暗色区域和水体区域。
本发明以获取高分辨遥感影像的水体区域为目标，使用DeepLabv3+深度学习模型进行改进，用于高分辨率遥感影像水体的提取工作，通过引入低层特征与高层特征图融合的工作降低卷积神经网络中特征信息的缺失，补充细节特征信息；通过具有真实水体标注的遥感影像数据集进行训练，结合低层特征的信息补充，达到进一步区分植被、建筑物阴影等暗色区域和水体区域的目的。
尽管以上结合说明说附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。应当指出，在不脱离本发明原理的前提下，对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：包括下列步骤：
S1、从数据共享网站上获取城市高分辨率遥感影像，对遥感影像做预处理；
S2、经过预处理后，对遥感影像中的水体信息进行标注，将经过标注的遥感影像作为训练样本；
S3、搭建待训练的卷积神经网络模型；
S4、构建卷积神经网络损失函数，结合神经网络损失函数对步骤S3中的卷积神经网络模型进行训练，得到最优精度的卷积神经网络模型；
S4、将步骤S2中的训练样本输入步骤S4中训练好的卷积神经网络模型，通过卷积神经网络模型输出水体提取分割图。
2.根据权利要求1所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：在步骤S1中，获取城市高分辨率遥感影像所要遵循的标准包括：a.遥感影像中没有缺失扫描行以及异常像元；b.遥感影像中地物层次清晰，且色调一致；c.遥感影像中无云雾遮挡。
3.根据权利要求2所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：在步骤S1中，对遥感影像做预处理的具体方法为：将原始遥感影像裁剪为若干固定像素值的遥感影像小图。
4.根据权利要求3所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：在步骤S2中，对遥感影像中的水体信息进行标注的具体方法为：采用人工手动的方式对若干遥感影像小图中的水体信息进行标注，将水体区域与非水体区域使用不同的像素值进行区分，得到水体标注结果。
5.根据权利要求4所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：在步骤S3中，搭建卷积神经网络模型包括下列步骤：
(1)、卷积神经网络模型包括编码器模块以及解码器模块，编码器模块采用Xception网络作为基特征提取网络结构，编码器模块包括五个卷积块以及一个空洞空间金字塔模块ASPP，五个卷积块按顺序依次为：conv1、conv2、conv3、conv4和conv5，解码器模块包括卷积块A(如图所示：1)、卷积块B(3)、卷积块C(4)、卷积块D(6)、第一融合器(2)以及第二融合器(5)；
(2)、将步骤S1中得到的遥感影像小图输入到编码器中，取卷积块conv1和卷积块conv2输出的特征图作为低层特征图，取依次经过五个卷积块和空洞金字模块ASPP处理，最终由空洞金字模块ASPP输出的特征图作为高层特征图；
(3)、将步骤(2)中得到的高层特征图通过卷积块A(如图所示：1)处理得到第一高层特征图，第一高层特征图通过四倍上采样后输入到第一融合器(2)中，将步骤(2)中由卷积块conv2输出的低层特征图通过卷积块B(3)处理得到第一低层特征图，将第一低层特征图输入第一融合器(2)中与第一高层特征图进行融合，融合后获得第二高层特征图；
(4)、将第二高层特征图再经过一次两倍上采样，然后输入到第二融合器(5)中，将步骤(2)中由卷积块conv1输出的低层特征图通过卷积块C(4)处理得到第二低层特征图，第二低层特征图输入第二融合器(5)中与第二高层特征图进行融合，融合后获得第三高层特征图；
(5)、将第三高层特征图输入卷积块D(6)中进行卷积处理，处理后再经过一次两倍上采样，最终输出水体分割图。
6.根据权利要求5所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：第一融合器(2)和第二融合器(5)均包括三个模块，三个模块分别为block1、block2以及block3，block1和block3的用于细化图像特征，block2模块用于低层特征和高层特征融合。
7.根据权利要求6所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：在第一融合器(2)中，第一低层特征图与第一高层特征图融合的具体方法为：第一低层特征图从block1输入，先经过卷积块E(7)来减少特征图的通道数，然后使用第一残差块(8)细化图像特征信息，再输入到block2中，同时将第一高层特征图也输入block2，两者叠加整合，再依次通过全局池化模块(9)、卷积块F(10)以及卷积块G(11)，得到的结果与第一低层特征图相乘，然后再与第一高层特征图相乘，其输出结果输入到block3中，经过卷积块H(12)来减少特征图的通道数，再经过第二残差块细化图像特征信息。
8.根据权利要求1所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：步骤S4中的卷积神经网络损失函数的具体公式为：
其中Loss为函数损失，Gj为像素j的真实标签，Gj＝1表示为水体区域像素，Gj＝0表示为非水体像素，Pj是水体像素的预测概率；N为一张图像中的总像素值。
9.根据权利要求4所述的一种基于低层特征融合的高分辨率遥感影像水体提取方法，其特征在于：步骤S4中，训练卷积神经网络模型的具体方法为：结合卷积神经网络损失函数，通过调整参数进行迭代训练，来获取高分辨率遥感影像中水体提取最优精度的卷积神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011515786.2A CN112560716B (zh) | 2020-12-21 | 2020-12-21 | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011515786.2A CN112560716B (zh) | 2020-12-21 | 2020-12-21 | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560716A true CN112560716A (zh) | 2021-03-26 |
| CN112560716B CN112560716B (zh) | 2024-05-28 |
Family
ID=75031019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011515786.2A Active CN112560716B (zh) | 2020-12-21 | 2020-12-21 | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560716B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
| CN113256649A (zh) * | 2021-05-11 | 2021-08-13 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
| CN113269789A (zh) * | 2021-05-26 | 2021-08-17 | 华东师范大学 | 一种遥感图像无监督域自适应的水陆分割方法 |
| CN115376009A (zh) * | 2022-06-09 | 2022-11-22 | 中国矿业大学(北京) | 一种基于偏振影像的阴影植被提取方法及系统 |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
| CN110427836A (zh) * | 2019-07-11 | 2019-11-08 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种基于多尺度优化的高分辨率遥感影像水体提取方法 |
| CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
| WO2020101448A1 (en) * | 2018-08-28 | 2020-05-22 | Samsung Electronics Co., Ltd. | Method and apparatus for image segmentation |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
| CN111476199A (zh) * | 2020-04-26 | 2020-07-31 | 国网湖南省电力有限公司 | 基于高清航测影像的输变电工程坟地识别方法 |
| CN111797703A (zh) * | 2020-06-11 | 2020-10-20 | 武汉大学 | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 |
| CN111797920A (zh) * | 2020-06-30 | 2020-10-20 | 武汉大学 | 门控特征融合的深度网络不透水面遥感提取方法及系统 |
| CN111814771A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 图像处理的方法及装置 |
-
2020
- 2020-12-21 CN CN202011515786.2A patent/CN112560716B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
| WO2020101448A1 (en) * | 2018-08-28 | 2020-05-22 | Samsung Electronics Co., Ltd. | Method and apparatus for image segmentation |
| 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 |
| CN110032928A (zh) * | 2019-02-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种适用于颜色敏感的卫星遥感影像水体识别方法 |
| CN110427836A (zh) * | 2019-07-11 | 2019-11-08 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种基于多尺度优化的高分辨率遥感影像水体提取方法 |
| CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
| CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
| CN111476199A (zh) * | 2020-04-26 | 2020-07-31 | 国网湖南省电力有限公司 | 基于高清航测影像的输变电工程坟地识别方法 |
| CN111797703A (zh) * | 2020-06-11 | 2020-10-20 | 武汉大学 | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 |
| CN111797920A (zh) * | 2020-06-30 | 2020-10-20 | 武汉大学 | 门控特征融合的深度网络不透水面遥感提取方法及系统 |
| CN111814771A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 图像处理的方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129294A (zh) * | 2021-04-28 | 2021-07-16 | 桂林电子科技大学 | 多尺度连接深度学习一步相位展开方法 |
| CN113256649A (zh) * | 2021-05-11 | 2021-08-13 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
| CN113256649B (zh) * | 2021-05-11 | 2022-07-01 | 国网安徽省电力有限公司经济技术研究院 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
| CN113269789A (zh) * | 2021-05-26 | 2021-08-17 | 华东师范大学 | 一种遥感图像无监督域自适应的水陆分割方法 |
| CN115376009A (zh) * | 2022-06-09 | 2022-11-22 | 中国矿业大学(北京) | 一种基于偏振影像的阴影植被提取方法及系统 |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
| CN116343053B (zh) * | 2022-12-27 | 2024-02-09 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560716B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560716B (zh) | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 | |
| CN111209810B (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
| CN111931684B (zh) | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
| CN110532961B (zh) | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 | |
| CN112183203A (zh) | 一种基于多尺度像素特征融合的实时交通标志检测方法 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN112287838B (zh) | 基于静止气象卫星影像序列的云雾自动判识方法及系统 | |
| CN106910188A (zh) | 基于深度学习的遥感影像中机场跑道的检测方法 | |
| CN111797920B (zh) | 门控特征融合的深度网络不透水面遥感提取方法及系统 | |
| CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
| CN111666909A (zh) | 基于面向对象和深度学习的疑似污染场地空间识别方法 | |
| CN113361528B (zh) | 一种多尺度目标检测方法及系统 | |
| CN113298781B (zh) | 一种基于图像和点云融合的火星表面三维地形检测方法 | |
| CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
| CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| Tejeswari et al. | Building footprint extraction from space-borne imagery using deep neural networks | |
| CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及系统 | |
| CN116385716A (zh) | 一种基于遥感图的三维地图地物数据自动化生产方法 | |
| CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
| CN115205704A (zh) | 高分辨率遥感影像小样本高精度建筑分割提取方法及装置 | |
| CN115100681A (zh) | 一种衣着识别方法、系统、介质及设备 | |
| CN114742955A (zh) | 洪灾预警方法、装置、电子设备及存储介质 |
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 |