CN112949414B - 一种宽视域高分六号卫星影像地表水体智能制图方法 - Google Patents

Abstract

本发明公开了一种宽视域高分六号卫星影像地表水体智能制图方法，在选择质量较高的宽视域高分六号遥感影像数据的基础上，基于网格划分的几何精校正和影像融合方法，得到宽视域2m分辨率8个波段高分六号融合影像数据，提出基于主成分分析和面向对象相结合开展影像多尺度快速分割，在分割对象尺度上，构建特征分类向量，基于空间网格选取时空代表性较高的水体/非水体训练样本，构建基于面向对象的深度神经网络地表水体智能制图模型，实现宽视域高分六号遥感影像地表水体自动化制图。本发明主要提升了宽视域影像几何精校正、多尺度分割以及地表水体智能提取的效率和精度，在洪涝监测、河湖监管以及水生态调查方面具有良好的应用潜力。

Description

一种宽视域高分六号卫星影像地表水体智能制图方法

技术领域

本发明属于遥感影像智能识别技术领域，具体涉及一种宽视域高分六号卫星影像地表水体智能制图方法的设计。

背景技术

高分辨率地表水体制图产品是水资源调查、水环境监测、水生态评估以及水灾害应急的基础数据。自我国实施高分辨率对地观测系统重大专项以来，相继发射了高分一号到高分八号等高空间分辨率卫星，极大满足了我国高分辨率遥感数据应用的需求。一般而言，高分影像成像幅宽较窄，导致重返周期较长，以高分二号卫星为例，其空间分辨率为0.8m，幅宽为45千米，理论重返时间为5天。为了提高高分卫星观测频次，我国研制的高分六号卫星属于宽视域低轨光学卫星，其搭载有2米全色/8米多光谱高分辨率相机和16米多光谱中分辨率宽幅相机，其中高分辨率相机的幅宽为90公里，宽幅相机幅宽为800公里，为开展大尺度、高频次、细节丰富的地表水体制图提供了丰富的数据源。

针对光学遥感数据，常用的地表水体制图方法主要包含单波段阈值法、谱间关系法、水体指数法以及遥感监督分类等方法。随着人工智能和机器学习算法的发展，通过构建大量样本训练库，引入人工智能分类模型，能够有效提取地表水体信息。目前已经有针对哨兵2号、Landsat 8、高分一号、高分二号等遥感数据的地表水体制图方法，尚未有针对宽视域高分六号卫星遥感影像的地表水体智能化制图方法。相比其它高分系列卫星，高分六号宽视域影像具有幅宽大、空间分辨率高、重返周期短等特点，因此，需要针对高分六号幅宽特点，开展基于网格化的高精度几何校正和影像融合，提出基于主成分分析和面向对象相结合开展影像多尺度快速分割，在分割对象尺度上，选取特征波段向量，基于空间网格选取代表性训练样本，构建基于面向对象的深度神经网络地表水体智能制图模型，实现宽视域高分六号遥感影像地表水体自动化高精度制图。

发明内容

本发明的目的是为了解决现有技术缺少针对宽视域高分六号卫星遥感影像的地表水体智能化制图方法的问题，提出了一种宽视域高分六号卫星影像地表水体智能制图方法，适用于宽视域高分六号遥感影像地表水体自动化高精度制图。

本发明的技术方案为：一种宽视域高分六号卫星影像地表水体智能制图方法，包括以下步骤：

S1、根据需要监测的时间段选取宽视域高分六号遥感影像数据。

S2、对宽视域高分六号遥感影像数据进行预处理，得到2m分辨率8个波段的高分六号融合影像数据。

S3、采用主成分分析和面向对象相结合的方法对高分六号融合影像数据进行多尺度快速分割，得到影像分割对象。

S4、在影像分割对象尺度上，构建特征分类向量和训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现宽视域高分六号遥感影像地表水体自动化制图。

进一步地，步骤S1中选取的宽视域高分六号遥感影像数据包括2米全色/8米多光谱高分辨率相机数据和16米多光谱中分辨率宽幅相机数据。

进一步地，步骤S1中宽视域高分六号遥感影像数据的选取标准为：

(1)选择晴空无云影像，且地表水体区域无云覆盖；

(2)影像地表层次清晰，无明显气溶胶覆盖；

(3)影像没有缺失扫描行、条带、噪声和异常像元；

(4)影像无冰雪覆盖。

进一步地，步骤S2包括以下分步骤：

S21、采集覆盖宽视域高分六号遥感影像区域的30m数字高程模型数据和哨兵2号数据，并将哨兵2号10m空间分辨率的光学遥感数据作为参考影像采集控制点。

S22、采用基于网格划分的几何精校正方法，将宽视域高分六号遥感影像按照3000×3000个像素划分格网，利用频率相位法和参考影像采集控制点的坐标，从数字高程模型中提取控制点高程，对误差大于2m的影像控制点进行人工剔除，在每个格网中保留20个高精度控制点。

S23、基于采集的高精度控制点对宽视域高分六号遥感影像数据的有理函数系数进行优化，通过有理函数模型对高分辨率相机数据和宽幅相机数据实现几何精校正。

S24、采用Pansharp影像融合方法对几何精校正后的高分辨率相机数据和宽幅相机数据进行融合，得到2m分辨率8个波段的高分六号融合影像数据。

进一步地，步骤S3包括以下步骤：

S31、采用主成分分析方法，将高分六号融合影像数据表示为Ω：

Ω＝[x₁,x₂,...,x_n]

其中x_i表示高分六号融合影像数据第i个波段的二维像素数组，i＝1,2,...,n，n＝8表示高分六号融合影像数据包含了8个影像波段信息。

S32、根据高分六号融合影像数据Ω求取协方差矩阵K：

S33、通过协方差矩阵K对高分六号融合影像数据进行特征值分解，将其降维到5个影像波段，并取前3个特征波段作为待分割影像。

S34、采用随机种子点计算高分六号融合影像数据的空间异质性Φ，并将其作为分割标准：

Φ＝φ₁p+φ₂q

其中φ₁和φ₂均为权重值，p表示光谱异质性，q表示形状异质性。

S35、设置多尺度动态分割参数，动态调整多尺度分割阈值，根据分割标准对分割对象进行多尺度动态分割，得到影像分割对象。

进一步地，步骤S35中多尺度动态分割参数具体设置为：针对分割对象中大面积且形状规则的地表水体，设置分割尺度为150，形状因子为0.5，紧致度因子为0.3；针对分割对象中小面积且破碎地表水体，设置分割尺度为80，形状因子为0.3，紧致度因子为0.2。

进一步地，步骤S4包括以下分步骤：

S41、在影像分割对象尺度上，分别选取水体和非水体样本。

S42、基于水体和非水体对象样本构建11个特征波段。

S43、针对每一个水体或非水体对象样本，分别提取11个特征波段的平均值作为训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现地表水体自动化制图。

进一步地，步骤S42中构建的11个特征波段包括8个影像特征波段和3个指数特征波段，8个影像特征波段对应于高分六号融合影像数据包含的8个影像波段信息，3个指数特征波段包括归一化植被指数NDVI、归一化水体指数NDWI和坡度SLOPE。

归一化植被指数NDVI的计算公式为：

其中ρ_nir表示影像特征波段4的信息，ρ_red表示影像特征波段3的信息。

归一化水体指数NDWI的计算公式为：

其中ρ_green表示影像特征波段2的信息。

坡度SLOPE的计算公式为：

其中dz/dx表示高程z与x方向的比值，dz/dy表示高程z与y方向的比值。

进一步地，步骤S43中深度神经网络的净函数Q(x)为：

其中k为总特征数，ω_ij为随机初始权重值，b_j为偏差，x_i为第i个特征波段，i为分类类别。

地表水体智能制图模型通过构建分类判别函数R(x)判断输入影像的各像素类别为水体或非水体类型：

其中表示R(x)＝1该类别为水体，R(x)＝0表示该类别为非水体。

进一步地，步骤S43中采用SCRO函数和SGD函数对深度神经网络中各神经元的权重进行优化，SCRO函数φ(α,β)的表达式为：

其中x为样本，n为样本总量，α为真实标记样本，取值为[0,1]，β为通过柔性最大激活函数计算得到的概率值，其计算公式为：

其中e为指数函数，x_water表示水体样本矢量矩阵，x_non-water表示非水体样本矢量矩阵。

SGD函数的表达式为：

其中W′表示更新后的权重，W表示更新前的权重，B表示偏置，η表示学习率，

表示代价函数J(·)的梯度，X,Y为训练样本对，Z为分块样本数。

本发明的有益效果是：

(1)本发明需要按照标准选取研究区内宽视域高分六号遥感数据，采用基于网格划分的控制点采集方法提高几何精校正的效率和精度，提出的基于主成分分析和面向对象结合的方法，有助于提高多尺度分割的效率，得到影像分割对象。

(2)本发明基于深度神经网络构建的面向对象的地表水体制图模型，能够有效解决基于像素分类水体边界不完整的难题，实现了地表水体智能化高精度制图。

(3)本发明为开展大尺度高频次地表水体快速制图奠定了基础，在洪旱灾害应急监测、河湖动态监管以及水生态遥感调查方面具有良好的应用潜力。

附图说明

图1所示为本发明实施例提供的一种宽视域高分六号卫星影像地表水体智能制图方法流程图。

图2所示为本发明实施例提供的一种宽视域高分六号卫星影像地表水体智能制图方法流程框图。

图3所示为本发明实施例提供的宽视域高分六号卫星遥感影像地表水体制图效果图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种宽视域高分六号卫星影像地表水体智能制图方法，如图1～图2共同所示，包括以下步骤S1～S4：

S1、根据需要监测的时间段选取宽视域高分六号遥感影像数据。

本发明实施例中，根据需要监测的时间段从中国资源卫星中心网站上选择合适的宽视域高分六号遥感影像数据，其包括2米全色/8米多光谱高分辨率相机数据和16米多光谱中分辨率宽幅相机数据，具体参数如表1所示。

表1

本发明实施例中，宽视域高分六号遥感影像数据的选取标准为：

(1)选择晴空无云影像，且地表水体区域无云覆盖；

(2)影像地表层次清晰，无明显气溶胶覆盖；

(3)影像没有缺失扫描行、条带、噪声和异常像元；

(4)影像无冰雪覆盖。

S2、对宽视域高分六号遥感影像数据进行预处理，得到2m分辨率8个波段的高分六号融合影像数据。

步骤S2包括以下分步骤S21～S24：

S21、采集覆盖宽视域高分六号遥感影像区域的30m数字高程模型(DEM)数据和哨兵2号数据，并将哨兵2号10m空间分辨率的光学遥感数据作为参考影像采集控制点。

S22、考虑到高分六号高分辨率相机和宽幅相机成像幅宽较大，通过全景影像采集控制点，会采集到大量冗余的控制点。因此本发明实施例中采用基于网格划分的几何精校正方法，将宽视域高分六号遥感影像按照3000×3000个像素划分格网，利用频率相位法和参考影像采集控制点的坐标，从数字高程模型中提取控制点高程，对误差大于2m的影像控制点进行人工剔除，在每个格网中保留20个高精度控制点。

S23、有理函数模型是高分影像常用的几何校正模型，本发明实施例中基于采集的高精度控制点对宽视域高分六号遥感影像数据的有理函数系数进行优化，通过有理函数模型对高分辨率相机数据和宽幅相机数据实现几何精校正。

S24、Pansharp影像融合方法在图像信息、细节以及光谱都具有较好的保持效果，因此本发明实施例中采用Pansharp影像融合方法对几何精校正后的高分辨率相机数据和宽幅相机数据进行融合，得到2m分辨率8个波段的高分六号融合影像数据，既保持了空间纹理细节信息，也包含较丰富的光谱信息。

S3、采用主成分分析和面向对象相结合的方法对高分六号融合影像数据进行多尺度快速分割，得到影像分割对象。

步骤S3包括以下步骤S31～S35：

S31、由于高分六号融合影像数据包含了8个影像波段信息，其中多个影像波段光谱信息较为冗余，在多尺度分割中计算较为耗时，因此本发明实施例采用主成分分析方法对其进行降维处理，以提高多尺度分割的效率，将高分六号融合影像数据表示为Ω：

Ω＝[x₁,x₂,...,x_n]

其中x_i表示高分六号融合影像数据第i个波段的二维像素数组，i＝1,2,...,n，n＝8表示高分六号融合影像数据包含了8个影像波段信息。

S32、根据高分六号融合影像数据Ω求取协方差矩阵K：

S33、通过协方差矩阵K对高分六号融合影像数据进行特征值分解，将其降维到5个影像波段，影像像素值为向主成分的方向投影转换的值，为了提高计算效率，本发明实施例中仅取前3个特征波段作为待分割影像。

S34、由于水体的形状和类型差异较大，多尺度分割能够有效平衡影像的光谱和形状特征，实现地物边界精确分割。本发明实施例中采用随机种子点计算高分六号融合影像数据的空间异质性Φ，并将其作为分割标准，即将空间异质性Φ相同的影像分割到一个影像块中。

Φ＝φ₁p+φ₂q

其中φ₁和φ₂均为权重值，p表示光谱异质性，q表示形状异质性。其中光谱异质性p是根据影像的标准差和对应权重计算，而形状异质性q根据分割平滑度和紧致度进行划分。

S35、设置多尺度动态分割参数，动态调整多尺度分割阈值，根据分割标准对分割对象进行多尺度动态分割，得到影像分割对象。

本发明实施例中，多尺度动态分割参数具体设置为：针对分割对象中大面积且形状规则的地表水体，设置分割尺度为150，形状因子为0.5，紧致度因子为0.3；针对分割对象中小面积且破碎地表水体，设置分割尺度为80，形状因子为0.3，紧致度因子为0.2。通过多次调整多尺度分割阈值，使得地表水体要素边界能够较完整分割到一个影像分割对象中。

S4、在影像分割对象尺度上，构建特征分类向量和训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现宽视域高分六号遥感影像地表水体自动化制图。

步骤S4包括以下分步骤S41～S43：

S41、在影像分割对象尺度上，分别选取水体和非水体样本。

由于宽视域高分六号遥感数据空间分辨率较高，因此本发明实施例中采用OpenCycleMap作为参考数据，可以选取到细小水体和非水体样本，保证样本的丰富性。其中水体样本包括湖泊、河流、水池、近岸海水、泥沙水体和水产养殖等类型，非水体样本包括农田、森林、城市、裸地、灌丛、山体阴影、云阴影等地物类型。

S42、基于水体和非水体对象样本构建11个特征波段。

本发明实施例中，11个特征波段包括8个影像特征波段和3个指数特征波段，8个影像特征波段对应于高分六号融合影像数据包含的8个影像波段信息，3个指数特征波段包括归一化植被指数NDVI、归一化水体指数NDWI和坡度SLOPE。

归一化植被指数NDVI的计算公式为：

其中ρ_nir表示影像特征波段4的信息，ρ_red表示影像特征波段3的信息。

归一化水体指数NDWI的计算公式为：

其中ρ_green表示影像特征波段2的信息。

坡度SLOPE的计算公式为：

其中dz/dx表示高程z与x方向的比值，dz/dy表示高程z与y方向的比值。

S43、针对每一个水体或非水体对象样本，分别提取11个特征波段的平均值作为训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现地表水体自动化制图。

深度神经网络属于机器学习方法的一种，通过构建多个隐藏层神经元网络模型，对输入特征的进行深度学习，从而实现地表水体自动提取。本发明实施例构建了11个特征波段，对应会有一个随机初始权重，通过多个隐藏层神经计算，最后计算净函数Q(x)，其表达式为：

其中k为总特征数，ω_ij为随机初始权重值，b_j为偏差，x_i为第i个特征波段，i为分类类别。

地表水体智能制图模型通过构建分类判别函数R(x)判断输入影像的各像素类别为水体或非水体类型：

其中表示R(x)＝1该类别为水体，R(x)＝0表示该类别为非水体。

本发明实施例中，还需要采用SCRO(Softmax Cross-entropy Objective)函数和SGD(Stochastic Gradient Descent)函数对深度神经网络中各神经元的权重进行优化，最后求得最优解。

其中，SCRO函数通过比较输出和真实样本，从而通过反向传递来不断优化深度神经网络权重，其表达式为：

其中x为样本，n为样本总量，α为真实标记样本，取值为[0,1]，β为通过柔性最大激活函数计算得到的概率值，该函数是通过每个神经元计算水体和非水体二值概率图，将每个神经元的输出转换到0-1之间，即得到类别为水体和非水体的概率，其表达式为：

其中e为指数函数，x_water表示水体样本矢量矩阵，x_non-water表示非水体样本矢量矩阵。SGD函数在每次迭代中更新特征的权重，每次针对100个对象进行计算，其表达式为：

其中W′表示更新后的权重，W表示更新前的权重，B表示偏置，η表示学习率，

表示代价函数J(·)的梯度，X,Y为训练样本对，Z为分块样本数。

本发明实施例中，根据人工实验，深度神经网络设置4层隐藏层，然后利用70％的样本用来训练模型，30％的样本用来优化模型，宽视域高分六号卫星影像地表水体智能制图结果如图3所示，其中黑色区域为地表水体，可以看出地表水体被精确提取，且提取的地表水体边界轮廓完整。

根据地表水体提取结果，随机生成水体和非水体各200个样本，通过高分辨率卫星遥感影像进行地表类型人工验证，构建混淆矩阵，进一步根据混淆举证计算全局精度和Kappa系数。

本发明实施例中，针对单景宽视域高分六号卫星遥感影像，全局精度大于或等于92％且Kappa系数大于或等于0.8，可以认为达到较高地表水体制图精度。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种宽视域高分六号卫星影像地表水体智能制图方法，其特征在于，包括以下步骤：

S1、根据需要监测的时间段选取宽视域高分六号遥感影像数据；

S2、对宽视域高分六号遥感影像数据进行预处理，得到2m分辨率8个波段的高分六号融合影像数据；

S3、采用主成分分析和面向对象相结合的方法对高分六号融合影像数据进行多尺度快速分割，得到影像分割对象；

S4、在影像分割对象尺度上，构建特征分类向量和训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现宽视域高分六号遥感影像地表水体自动化制图；

所述步骤S1中选取的宽视域高分六号遥感影像数据包括2米全色/8米多光谱高分辨率相机数据和16米多光谱中分辨率宽幅相机数据；

所述步骤S1中宽视域高分六号遥感影像数据的选取标准为：

(1)选择晴空无云影像，且地表水体区域无云覆盖；

(2)影像地表层次清晰，无明显气溶胶覆盖；

(3)影像没有缺失扫描行、条带、噪声和异常像元；

(4)影像无冰雪覆盖；

所述步骤S2包括以下分步骤：

S21、采集覆盖宽视域高分六号遥感影像区域的30m数字高程模型数据和哨兵2号数据，并将哨兵2号10m空间分辨率的光学遥感数据作为参考影像采集控制点；

S22、采用基于网格划分的几何精校正方法，将宽视域高分六号遥感影像按照3000×3000个像素划分格网，利用频率相位法和参考影像采集控制点的坐标，从数字高程模型中提取控制点高程，对误差大于2m的影像控制点进行人工剔除，在每个格网中保留20个高精度控制点；

S23、基于采集的高精度控制点对宽视域高分六号遥感影像数据的有理函数系数进行优化，通过有理函数模型对高分辨率相机数据和宽幅相机数据实现几何精校正；

S24、采用Pansharp影像融合方法对几何精校正后的高分辨率相机数据和宽幅相机数据进行融合，得到2m分辨率8个波段的高分六号融合影像数据；

所述步骤S3包括以下步骤：

S31、采用主成分分析方法，将高分六号融合影像数据表示为Ω：

Ω＝[x₁,x₂,...,x_n]

其中x_i表示高分六号融合影像数据第i个波段的二维像素数组，i＝1,2,...,n，n＝8表示高分六号融合影像数据包含了8个影像波段信息；

S32、根据高分六号融合影像数据Ω求取协方差矩阵K：

S33、通过协方差矩阵K对高分六号融合影像数据进行特征值分解，将其降维到5个影像波段，并取前3个特征波段作为待分割影像；

S34、采用随机种子点计算高分六号融合影像数据的空间异质性Φ，并将其作为分割标准：

Φ＝φ₁p+φ₂q

其中φ₁和φ₂均为权重值，p表示光谱异质性，q表示形状异质性；

S35、设置多尺度动态分割参数，动态调整多尺度分割阈值，根据分割标准对分割对象进行多尺度动态分割，得到影像分割对象；

所述步骤S4包括以下分步骤：

S41、在影像分割对象尺度上，分别选取水体和非水体样本；

S42、基于水体和非水体对象样本构建11个特征波段；

S43、针对每一个水体或非水体对象样本，分别提取11个特征波段的平均值作为训练样本，对深度神经网络进行训练和优化，得到面向对象的地表水体智能制图模型，实现地表水体自动化制图。

2.根据权利要求1所述的宽视域高分六号卫星影像地表水体智能制图方法，其特征在于，所述步骤S35中多尺度动态分割参数具体设置为：针对分割对象中大面积且形状规则的地表水体，设置分割尺度为150，形状因子为0.5，紧致度因子为0.3；针对分割对象中小面积且破碎地表水体，设置分割尺度为80，形状因子为0.3，紧致度因子为0.2。

3.根据权利要求1所述的宽视域高分六号卫星影像地表水体智能制图方法，其特征在于，所述步骤S42中构建的11个特征波段包括8个影像特征波段和3个指数特征波段，所述8个影像特征波段对应于高分六号融合影像数据包含的8个影像波段信息，所述3个指数特征波段包括归一化植被指数NDVI、归一化水体指数NDWI和坡度SLOPE；

所述归一化植被指数NDVI的计算公式为：

其中ρ_nir表示影像特征波段4的信息，ρ_red表示影像特征波段3的信息；

所述归一化水体指数NDWI的计算公式为：

其中ρ_green表示影像特征波段2的信息；

所述坡度SLOPE的计算公式为：

其中dz/dx表示高程z与x方向的比值，dz/dy表示高程z与y方向的比值。

4.根据权利要求1所述的宽视域高分六号卫星影像地表水体智能制图方法，其特征在于，所述步骤S43中深度神经网络的净函数Q(x)为：

其中k为总特征数，ω_ij为随机初始权重值，b_j为偏差，x_i为第i个特征波段，i为分类类别；

所述地表水体智能制图模型通过构建分类判别函数R(x)判断输入影像的各像素类别为水体或非水体类型：

其中表示R(x)＝1该类别为水体，R(x)＝0表示该类别为非水体。

5.根据权利要求1所述的宽视域高分六号卫星影像地表水体智能制图方法，其特征在于，所述步骤S43中采用SCRO函数和SGD函数对深度神经网络中各神经元的权重进行优化，所述SCRO函数φ(α,β)的表达式为：

其中x为样本，n为样本总量，α为真实标记样本，取值为[0,1]，β为通过柔性最大激活函数计算得到的概率值，其计算公式为：

其中e为指数函数，x_water表示水体样本矢量矩阵，x_non-water表示非水体样本矢量矩阵；

所述SGD函数的表达式为：

其中W′表示更新后的权重，W表示更新前的权重，B表示偏置，η表示学习率，

表示代价函数J(·)的梯度，X,Y为训练样本对，Z为分块样本数。

Images