CN113269028B - 一种基于深度卷积神经网络的水体变化检测方法和系统 - Google Patents
一种基于深度卷积神经网络的水体变化检测方法和系统 Download PDFInfo
- Publication number
- CN113269028B CN113269028B CN202110370686.3A CN202110370686A CN113269028B CN 113269028 B CN113269028 B CN 113269028B CN 202110370686 A CN202110370686 A CN 202110370686A CN 113269028 B CN113269028 B CN 113269028B
- Authority
- CN
- China
- Prior art keywords
- water body
- image
- data
- image data
- neural 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.)
- Active
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
- G06V20/182—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
- G06F18/21—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
-
- 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
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的水体变化检测方法和系统,方法包括:获取多波段原始水体分布影像数据,并对多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;将预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;将水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。本发明实施例通过上述方法可以实现自动化的水体变化检测,并进行快速、准确的水体信息提取和变化监测。
Description
技术领域
本发明涉及遥感科学与技术的技术领域,尤其涉及的是一种基于深度卷积神经网络的水体变化检测方法和系统。
背景技术
地表水体是人类生存和社会发展不可或缺的资源,如何对其进行有效地、大范围监测,全面掌握其空间分布情况具有十分重要的意义。例如,青藏高原地区更是分布着大量冰川及湖泊水体,被誉为“亚洲水塔”,故对高原水体分布及其变化监测不仅有利于掌握高原区域环境变化的规律信息,还可以对高原区域湖泊溃决及其次生灾害进行预警,进而保障人民群众财产及生命安全。现有的水体变化检测方法依赖专家经验,无法实现自动化,识别准确度低,难以对大面积、多时相的遥感数据进行快速、准确的遥感水体信息提取与变化监测。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于深度卷积神经网络的水体变化检测方法,旨在解决现有技术中水体变化检测方法依赖专家经验,无法实现自动化,识别准确度低,难以对大面积、多时相的遥感数据进行快速、准确的遥感水体信息提取与变化监测的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于深度卷积神经网络的水体变化检测方法,其中,所述方法包括:
获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;
将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。
在一种实现方式中,其中,所述多波段原始水体分布影像数据的生成方式为:
获取水体分布的多波段遥感影像数据;
获取水体分布的高分辨率合成孔径雷达影像数据;
将所述多波段遥感影像数据与所述高分辨率合成孔径雷达影像数据进行信息融合,得到多波段原始水体分布影像数据。
在一种实现方式中,其中,所述深度卷积神经网络的训练方式具体为:
将训练数据输入到原始网络,得到预测水体边界特征图像;其中,所述训练数据包括水体分布影像训练数据、真实水体边界特征图像;
根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络。
在一种实现方式中,其中,所述水体分布影像训练数据的生成方式包括:
根据预设的规则,对所述预处理影像数据进行抽取,得到初始训练数据;
根据预设的矢量范围,对所述初始训练数据进行裁剪,得到裁剪训练数据;
将所述裁剪训练数据进行重叠度分割,得到水体分布影像训练数据;其中,所述重叠度分割用于表征分割后的数据之间具有预设的重叠区域。
在一种实现方式中,其中,所述根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络包括:
根据所述预测水体边界特征图像和所述真实水体边界特征图像,得到损失函数;
根据所述损失函数调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络。
在一种实现方式中,其中,所述将所述水体边界特征图像进行数据后处理,得到水体变化检测结果还包括:
根据水体变化检测结果,确定预警信息。
在一种实现方式中,其中,所述根据水体变化检测结果,确定预警信息包括:
根据水体变化检测结果,确定预警级别;
根据所述预警级别,确定与所述预警级别对应的预警信息。
第二方面,本发明实施例还提供一种基于深度卷积神经网络的水体变化检测系统,其中,所述系统包括:预处理影像数据获取模块,用于获取原始水体分布影像数据,并对所述原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
水体分布特征图像获取模块,用于将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体分布特征图像;
水体变化检测模块,用于将所述水体分布特征图像进行数据后处理,得到水体变化检测结果。
第三方面,本发明实施例还提供一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于深度卷积神经网络的水体变化检测方法。
第四方面,本发明实施例还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述中任意一项所述的基于深度卷积神经网络的水体变化检测方法。
本发明的有益效果:本发明实施例首先获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;然后将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;最后将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换;可见,本发明实施例中通过上述方法可以实现自动化的水体变化检测,并进行快速、准确的水体信息提取和变化监测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度卷积神经网络的水体变化检测方法流程示意图。
图2为本发明实施例提供的高原水体变化监测系统示意图。
图3为本发明实施例提供的整体方案设计图。
图4为本发明实施例提供的数据预处理模块流程图。
图5为本发明实施例提供的训练数据选取区域示意图。
图6为本发明实施例提供的深度卷积神经网络模型结构图。
图7为本发明实施例提供的数据后处理流程示意图。
图8为本发明实施例提供的水域范围及岸线时空变化可视化分析示意图。
图9为本发明实施例提供的高原水域变化监测系统应用案例示意图。
图10为本发明实施例提供的基于深度卷积神经网络的水体变化检测系统的原理框图。
图11为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了基于深度卷积神经网络的水体变化检测方法、系统、智能终端、存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例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用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
由于现有技术中,水体变化检测方法依赖专家经验,无法实现自动化,识别准确度低,难以对大面积、多时相的遥感数据进行快速、准确的遥感水体信息提取与变化监测。
为了解决现有技术的问题,本实施例提供了一种基于深度卷积神经网络的水体变化检测方法和系统,本发明实施例中通过上述方法可以实现自动化的水体变化检测,并进行快速、准确的水体信息提取和变化监测。具体实施时,首先获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;然后将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;最后将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。
示例性方法
本实施例提供一种基于深度卷积神经网络的水体变化检测方法,该方法可以应用于遥感科学与技术的智能终端。具体如图1所示,所述方法包括:
步骤S100、获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
具体地,本发明实施例的整套方法可置于深度学习高原水体变化检测及灾害预警装置当中,装置包括内部存储器、外部存储器、内部处理器及显示器。其中外部存储器储存有待监测目标区域的多波段高/中分辨率影像数据,内部存储器储存有高原水体变化监测方法程序,然后通过内部处理器包括显卡等硬件设备,执行该程序并计算时序序列中的目标区域高原水体变化情况,最终由显示器进行时序变化分析及湖泊监测,整体系统执行流程如图2所示。设计思路主要分为三个部分:多波段原始水体分布影像数据获取及数据预处理、模型设计及处理、数据后处理(精度评定及分析),如图3所示。随着空间遥感技术的不断发展及国内外各种高分辨率卫星的相继升空,运用遥感技术开展水体识别及其动态监测已成为一种高效快捷的途径。目前遥感水体提取已有较多成熟的方法,如目视解译法、水体指数法(NDWI、MNDWI)、监督分类法、谱间关系法、决策树分类法等,上述方法对高原水体进行提取时准确度有待提高,并且无法自动调整分类阈值,故本发明实施例获取多波段原始水体分布影像数据,相应的,所述多波段原始水体分布影像数据的生成方式为获取水体分布的多波段遥感影像数据;获取水体分布的高分辨率合成孔径雷达影像数据;将所述多波段遥感影像数据与所述高分辨率合成孔径雷达影像数据进行信息融合,得到多波段原始水体分布影像数据。
在本发明的一个实施例中,先获取水体分布的多波段遥感影像数据,例如:R、G、B、NIR及SWIR等波段,然后获取水体分布的高分辨率合成孔径雷达影像数据,如从多波段遥感影像及合成孔径雷达影像的站点来获取光学及雷达影像(LandSat系列、Sentinel-1及Sentinel-2系列等)。最后,将所述多波段遥感影像数据与所述高分辨率合成孔径雷达影像数据进行信息融合,得到多源传感器多波段原始水体分布影像数据,由于,雷达影像数据的传感器和光学影像数据的传感器是不同来源的传感器,故多波段原始水体分布影像数据来自两个不同源的传感器,称为多源传感器多波段原始水体分布影像数据。
得到多波段原始水体分布影像数据后,对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;其中,大气校正为:选取Flaash大气校正模型,并设置气溶胶厚度系数taer55,即550纳米处的气溶胶光学厚度,可对所述多波段原始水体分布影像数据进行快速大气校正分析,能有效消除大气和光照等因素对地物反射的影响,获得地物较为准确的反射率和辐射率、地表温度等真实物理模型参数。位深度转换为将不同卫星传感器的原始影像数据中图像的不同位深度转换成统一的位深度格式,在本实施例中,位深度统一为8Bit,如:将16Bit的LandSat-8系列及Sentinel系列影像数据的灰度值位深度转换至8Bit,便于后续对初始网络的训练与预测工作。UTM投影转换为将地理经纬度坐标系WGS-84,转换为横轴墨卡托投影坐标系WGS-UTM-45N,以确保各独立分割影像可镶嵌为大范围影像,便于后续对水体边界特征图像进行栅格镶嵌工作。噪点滤波是针对雷达影像在程序过程中,会存在同一分辨率单元当中的地物在发生后向散射时可能会发生干涉现象,造成微波信号叠加或者相减而在最终成像中形成噪声斑点的问题,对所述水体分布的高分辨率合成孔径雷达影像数据进行降噪处理,可以选用Lee滤波、中值滤波或者BM3D滤波。影像重采样为对水体分布的高分辨率合成孔径雷达影像数据中的Sentinel系列中的高分辨率遥感影像中提取出低分辨率影像的过程,使得Sentinel系列影像的分辨率与LandSat-8系列的分辨率一致,确保各系列遥感影像数据集的一致。常用的重采样方法有最邻近内插法、双线性内插法和三次卷积法内插。影像分割为对重采样后的影像数据进行预设的第一重叠度的分割,例如,所述预设的第一重叠区域可以为20个像素。在分割过程中,首先获取重采样后的影像数据的投影坐标信息,得到待分割影像数据左上角坐标位置以及像素单元分辨率大小。并根据分割的像素重叠范围,计算下一张分割影像数据距上一张分割影像数据的像元间隔(如,第一次的分割尺寸为0-30像素,第二次的分割尺寸为10-40像素,下一张分割影像距上一张分割影像数据的像元间隔为20像素),以此计算下一时刻分割的起点位置,将该起点位置作为下一张分割影像数据的左上角坐标,并根据分割长度与宽度,最终可得到预处理影像数据。
得到预处理影像数据后,就可以执行如图1所示的如下步骤:S200、将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;
具体地,近年来,深度学习在语音识别、图像目标识别和检测、自然语言处理等方面取得了诸多进展。而遥感领域的影像解译及地物识别本质上为数字影像处理,因此,亦可将DCNN(深度卷积神经网络)预测应用于遥感领域中冰冻圈高原水体识别及其变化分析的工作当中。故针对目前遥感领域水体信息和水体变化的识别,本发明实施例引入深度神经网络,生成一套智能且准确地提取高分辨率遥感影像中高原水体及陆地光谱辐射深层语义信息,并对其进行识别、分割与变化分析的方法及系统。相应的,所述深度卷积神经网络的训练方式具体为:将训练数据输入到原始网络,得到预测水体边界特征图像;其中,所述训练数据包括水体分布影像训练数据、真实水体边界特征图像;根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络。
具体地,将训练数据输入到原始网络,得到预测水体边界特征图像;其中,所述训练数据包括水体分布影像训练数据、真实水体边界特征图像;相应的,所述水体分布影像训练数据的生成方式包括:根据预设的规则,对所述预处理影像数据进行抽取,得到初始训练数据;根据预设的矢量范围,对所述初始训练数据进行裁剪,得到裁剪训练数据;将所述裁剪训练数据进行重叠度分割,得到水体分布影像训练数据;其中,所述重叠度分割用于表征分割后的数据之间具有预设的重叠区域。
在本发明实施例的一种实现方式中,根据预设的规则,对所述预处理影像数据进行抽取,得到初始训练数据,其中,预设的规则为抽取时遵循影像数据均匀分布,样例周全。在本实施例中,抽取部分高原水体作为初始训练数据,如图4所示。得到初始训练数据后,根据预设的矢量范围,如图5中标号1-11的矢量范围分别为(标号1:左上角的经度为78.3,左上角的纬度为34.0;右下角的经度为80.1,右下角的纬度为33.3。标号2:左上角的经度为85.2,左上角的纬度为31.4;右下角的经度86.9,右下角的纬度为30.5。标号3:左上角的经度为90.3,左上角的纬度为29.2;右下角的经度为91.2,右下角的纬度为28.7。标号4:左上角的经度为90.0,左上角的纬度为31.1;右下角的经度为91.2,右下角的纬度为30.4。标号5:左上角的经度为88.5,左上角的纬度为32.2;右下角的经度为89.6,右下角的纬度为31.3。标号6:左上角的经度为89.4,左上角的纬度为33.7,右下角的经度为90.6,右下角的纬度为33.1。标号7:左上角的经度为89.8,左上角的纬度为35.3;右下角的经度为91.0,右下角的纬度为34.5。标号8:左上角的经度为87.9,左上角的纬度为37.6;右下角的经度为90.0,右下角的纬度为36.8。标号9:左上角的经度为96.9,左上角的纬度为35.2;右下角的经度为98.0,右下角的纬度为34.6。标号10:左上角的经度为99.3,左上角的纬度为37.6;右下角的经度为101.4,右下角的纬度为36.3。标号11:左上角的经度为97.05,左上角的纬度为38.6;右下角的经度为98.6,右下角的纬度为37.876。对所述初始训练数据进行裁剪,得到裁剪训练数据;如:将各多波段原始水体分布影像数据进行影像重采样后的影像进行矢量框选,使用预设的矢量范围在该影像中对目标区域进行裁剪,也即,被该矢量Shapefile数据覆盖的栅格区域将会被单独裁剪,形成与该矢量Shapefile区域范围一致的栅格影像数据。最后,将所述裁剪训练数据进行重叠度分割,得到水体分布影像训练数据;其中,所述重叠度分割用于表征分割后的数据之间具有预设的重叠区域。例如,所述预设的第二重叠区域可以为150个像素。在本实施例中,对所述裁剪训练数据进行具有一定重叠度的分割,该重叠度分割的步骤可有效保证训练集数据量的充足,同时也可充分利用影像边缘信息。在分割过程中,首先获取被分割影像的投影坐标信息,得到待分割影像左上角坐标位置以及像素单元分辨率大小。并根据分割的像素重叠范围,计算下一张分割影像距上一张分割影像的像元间隔(如,第一次的分割尺寸为0-200像素,第二次的分割尺寸为50-250像素,下一张分割影像距上一张分割影像的像元间隔为150像素),以此计算下一时刻分割的起点位置,将该起点位置作为下一张分割影像的左上角坐标,并根据分割长度与宽度,最终可得到各独立的分割影像。
得到预测水体边界特征图像后,根据所述预测水体边界特征图像和所述真实水体边界特征图像,得到损失函数;其中,所示损失函数可以为交叉熵损失函数。根据所述损失函数调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,直至损失函数收敛,或者训练次数达到预设训练次数则停止迭代训练,以得到深度卷积神经网络。
在本发明实施例的一种实现方式中,所述深度卷积神经网络包括卷积模块、双注意力机制模块、第一Sigmoid分类模块、边界提取模块,其中,所述卷积模块包括若干卷积层;所述双注意力机制模块包括通道注意力机制模块和空间注意力机制模块。实际中,卷积模块借助卷积神经网络在处理图像方面的优势,利用一系列卷积滑动计算方式,根据卷积核大小与滑动步长,在输入所述预处理影像数据上做卷积运算,从而得到所述预处理影像数据的深层次语义信息。在该卷积模块的设计中,如图6所示,设置了若干卷积层以提取所述预处理影像数据中的深层信息,同时也可将前一卷积特征层提取出的影像信息与当前卷积特征层进行信息融合运算,可以同时融合浅层与深层的语义信息,从而提高运算效率。双注意力机制模块在对图像进行卷积运算的过程中,本发明实施例在反卷积之前加入空间注意力机制模块Spatial Attention与通道注意力机制模块Channel Attention机制。在该模块中,两类注意力机制呈并联设置,在执行Channel Attention时,可在通道中ChannelAttention模块来学习出每个通道的权重,从而产生通道域的注意力(计算过程如下式所示)。
Mc(F)=δ(MLP(AvgPool(F))+MLP(MaxPool(F)))
其中,MLP为权值共享的多层感知机;AvgPool为平均池化,即计算池化卷积核范围内的平均值;MaxPool为最大池化,即选择池化卷积核范围内的最大值;δ为Sigmoid非线性激活函数,避免数组矩阵间的连续线性计算,同时引入非线性元素,使得神经网络模型可以无限逼近非线性函数。与Channel Attention不同,Spatial Attention主要关注于位置信息,首先在通道的维度上使用MaxPooling和AveragePooling得到两个不同的特征层,然后将两个特征层合并,并使用卷积操作生成Spatial Attention Map(计算过程如下式所示)。
Mc(F)=δ(fn*n([AvgPool(f)];MaxPool(F)])
其中,fn*n为n*n的卷积运算,AvgPool为平均池化,MaxPool为最大池化,δ为Sigmoid非线性激活函数。
第一Sigmoid分类模块是对经过一系列卷积提取的语义信息进行自动识别分类。该函数公式如下所示:
第一Sigmoid分类函数在趋于正无穷或负无穷时,函数趋近平滑状态,并且因为第一Sigmoid分类函数输出范围(0,1),所以在该模块中选用此函数来进行二分类的概率统计,其中,二分类指的是水体和非水体。边界提取模块是对上述分类结果进行最大池化(MaxPooling)计算,减去第一Sigmoid分类函数的输出,可同时获取水体边界信息。公式如下:
Edge(X)=MaxPooing(f(x))-f(x)
其中,wconv为卷积权重参数;bconv为偏置,可增强模型分类的鲁棒性,避免函数过原点;f(x)为深度卷积神经网络的输出数据,MaxPooing(f(x))为对深度卷积神经网络的输出数据进行最大池化,Edge(X)为水体边界信息。
所述边界提取模块包括第二Sigmoid分类模块和最大池化模块。在一种实现方式中,使用其他数字图像处理方法,例如Canny算子、拉普拉斯算子等图像处理中的边缘提取算法代替边界提取模块。另外,在模型设计过程中,可通过更新网络结构达到相近的处理程度。
得到水体边界特征图像后,就可以执行如图1所示的如下步骤:S300、将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。
具体地,如图7所示,将所述水体边界特征图像进行数据后处理的步骤可以细分为如下步骤:数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。数据读取为将深度神经网络模型的结果按顺序读取至后处理程序中,并使用GDAL Python API将数据读取为数组形式之后进行后续处理。投影坐标赋值为在得到水体变化检测结果时,该水体变化检测结果是已被分割的且不带有地理坐标,需要对其加入投影坐标信息,以便后续进行栅格镶嵌工作。故首先获取未经过深度卷积神经网络处理的原分割数据的投影坐标信息,再将其赋予与原分割数据各自对应的分类后的结果,并生成新的带有投影坐标信息的水体变化检测结果影像数据。在一种实现方式中,在执行该程序时,需要将上一次赋值完成的水体边界特征图像对应的影像进行释放,避免占用内部处理器内存空间。栅格镶嵌为利用ArcGIS Pro的API接口,并根据已加入投影坐标信息的分割结果,我们可将其镶嵌为大范围栅格数据集。实现过程包括各分割栅格影像读取,并为其镶嵌结果指定位深度(如8bit)、输出坐标系及根据拼接算法进行拼接。自适应分类为设置自适应分类阈值,进一步将识别结果也即水体边界特征图像进行水陆分离。经过模型分类模块处理后,识别结果(水体边界特征图像)为0-255的灰度值范围,通过统计各灰度范围的分布,根据灰度值出现的峰值进一步确定自适应分类阈值。基于矢量缓冲区域像素统计的面积计算为利用矢量水域缓冲区范围,对范围内的目标像素数量进行统计,并根据原始影像的分辨率大小进行水域面积计算,并将最终结果进行换算,转换至平方公里单位。例如:将目标像素数量乘以一个像素对应的地面面积(30*30平方米),就可以得到水域面积。在另一种实现方式中,基于矢量边界闭合区域的面积计算:除了可利用像素统计进行面积计算外,还可以将提取出的边界栅格数据转换为封闭矢量面数据,之后对矢量面数据进行冗余多边形剔除后计算矢量范围面积(具体的,如将栅格图像格式的分类结果图像转换成矢量图像,由于矢量图像是很平滑的,故可以剔除图像中错误的细枝末节,来得到矢量图像),以此得到最终水域面积。时间格式转换:将代表时间的文件名称字符串转为后续可视化功能中可识别的时间格式。如将“20201215”转换至“2020.95”,此时,时间变量将作为图表的横轴。所以将代表文件名的数字字符串“20201215”,转换成浮点型数字2020.95,便于在横轴上画出,便于后续可视化分析。此外,还需要将水体变化检测结果进行输出,如将每幅分类结果(水体边界特征图像)的栅格数据集对应的时间和缓冲区内水域面积输出至文本文件中。数据可视化:读入得到的输出结果文本文件,将其进行数据可视化,便于对水体面积年际及季节变化进行直观分析。将边界栅格数据进行矢量格式转换,并将其按照时间顺序进行叠置分析,可得到时间序列中水域范围及边界的直观变化(如图8所示),从图中可以看出,从内线到外线表示的是从2010年到2018年间高原湖泊水体边界扩张的情况,其扩张方向显示扩张面积越来越大。
在得到水域范围及岸线时空变化可视化分析结果后,所述将所述水体边界特征图像进行数据后处理,得到水体变化检测结果还包括如下步骤:根据水体变化检测结果,确定预警信息,也即根据水体变化检测结果,确定预警级别;根据所述预警级别,确定与所述预警级别对应的预警信息。
具体地,根据水体变化检测结果进行湖泊漫溢及溃决灾害对周边道路交通线、交通设施及居民区可能造成的财产损失的相关预警工作,如预警等级为四级:Ⅳ级(一般,漫延岸线距交通线<200m),Ⅲ级(较重,漫延岸线距交通线<100m),Ⅱ级(严重,漫延岸线距交通线<30m),Ⅰ级(特别严重,漫延岸线距交通线<10m),依次用蓝色、黄色、橙色和红色表示,并配以中英文标识。同时使用具体某一时间的岸线到交通线之间的准确距离,作为详细预警信息。以便及时采取相应措施。具体应用案例如图9所示,图中曲线为本发明中的变化检测系统智能提取出的高原水体岸线,即某高原湖泊在2019年6月和2020年8月的水域范围及岸线分布状况。可以由图9中很明显地看出,近年来湖泊不断扩张,距国道交通线的距离也随之缩短,若该高原湖泊呈持续扩张趋势,那么该交通线则会面临由湖泊漫延所造成的危害,建议相关路政部门及交通部门及时采取措施,从而减少相关危险情况的发生。在本发明实施例的另一种实现方式中,可进行多地物类别的识别,增加识别种类,完善该方法中的功能。
示例性设备
如图10中所示,本发明实施例提供一种基于深度卷积神经网络的水体变化检测系统,该系统包括预处理影像数据获取模块401、水体分布特征图像获取模块402、水体变化检测模块403,其中:
预处理影像数据获取模块401,用于获取原始水体分布影像数据,并对所述原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
水体分布特征图像获取模块402,用于将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体分布特征图像;
水体变化检测模块403,用于将所述水体分布特征图像进行数据后处理,得到水体变化检测结果。
具体地,本发明实施例提供一种基于深度卷积神经网络的水体变化检测系统,通过预处理影像数据获取模块401获取原始水体分布影像数据,并对所述原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;然后通过水体分布特征图像获取模块402将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体分布特征图像;最后通过水体变化检测模块403将所述水体分布特征图像进行数据后处理,得到水体变化检测结果。本发明实施例通过上述系统可以实现自动化的水体变化检测,并进行快速、准确的水体信息提取和变化监测。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图11所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度卷积神经网络的水体变化检测方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图11中的原理图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;
将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种基于深度卷积神经网络的水体变化检测方法、系统、智能终端、存储介质,所述方法包括:本发明实施例首先获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;然后将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;最后将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换;可见,本发明实施例中通过上述方法可以实现自动化的水体变化检测,并进行快速、准确的水体信息提取和变化监测。
基于上述实施例,本发明公开了一种基于深度卷积神经网络的水体变化检测方法,应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于深度卷积神经网络的水体变化检测方法,其特征在于,所述方法包括:
获取多波段原始水体分布影像数据,并对所述多波段原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;
其中,所述多波段原始水体分布影像数据的生成方式为:
获取水体分布的多波段遥感影像数据;
获取水体分布的高分辨率合成孔径雷达影像数据;
将所述多波段遥感影像数据与所述高分辨率合成孔径雷达影像数据进行信息融合,得到多波段原始水体分布影像数据;
将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体边界特征图像;
其中,所述深度卷积神经网络包括第一Sigmoid分类模块、边界提取模块和双注意力机制模块,所述双注意力机制模块包括通道注意力机制模块和空间注意力机制模块;所述边界提取模块包括第二非线性激活函数分类模块和最大池化模块,所述边界提取模块用于获取水体边界信息;所述第一Sigmoid分类模块采用第一Sigmoid分类函数进行二分类的概率统计,二分类指的是水体和非水体;
所述深度卷积神经网络的训练方式具体为:
将训练数据输入到原始网络,得到预测水体边界特征图像;其中,所述训练数据包括水体分布影像训练数据、真实水体边界特征图像;
根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络;
将所述水体边界特征图像进行数据后处理,得到水体变化检测结果;其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换;
其中,所述栅格镶嵌的实现过程为读取各分割栅格影像,并为所述栅格镶嵌结果指定位深度、输出坐标系及根据拼接算法进行拼接;
所述基于矢量缓冲区域像素统计的面积计算为利用矢量水域缓冲区范围,对范围内的目标像素数量进行统计,并根据原始影像的分辨率大小进行水域面积计算。
2.根据权利要求1所述的基于深度卷积神经网络的水体变化检测方法,其特征在于,所述水体分布影像训练数据的生成方式包括:
根据预设的规则,对所述预处理影像数据进行抽取,得到初始训练数据;
根据预设的矢量范围,对所述初始训练数据进行裁剪,得到裁剪训练数据;
将所述裁剪训练数据进行重叠度分割,得到水体分布影像训练数据;其中,所述重叠度分割用于表征分割后的数据之间具有预设的重叠区域。
3.根据权利要求2所述的基于深度卷积神经网络的水体变化检测方法,其特征在于,所述根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络包括:
根据所述预测水体边界特征图像和所述真实水体边界特征图像,得到损失函数;
根据所述损失函数调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络。
4.根据权利要求1所述的基于深度卷积神经网络的水体变化检测方法,其特征在于,所述将所述水体边界特征图像进行数据后处理,得到水体变化检测结果还包括:
根据水体变化检测结果,确定预警信息。
5.根据权利要求4所述的基于深度卷积神经网络的水体变化检测方法,其特征在于,所述根据水体变化检测结果,确定预警信息包括:
根据水体变化检测结果,确定预警级别;
根据所述预警级别,确定与所述预警级别对应的预警信息。
6.一种基于深度卷积神经网络的水体变化检测系统,其特征在于,所述系统包括:
预处理影像数据获取模块,用于获取原始水体分布影像数据,并对所述原始水体分布影像数据进行数据预处理,得到预处理影像数据;其中,所述数据预处理包括大气校正、位深度转换、UTM投影转换、噪点滤波、影像重采样和影像分割;其中,所述原始水体分布影像数据的生成方式为:
获取水体分布的多波段遥感影像数据;
获取水体分布的高分辨率合成孔径雷达影像数据;
将所述多波段遥感影像数据与所述高分辨率合成孔径雷达影像数据进行信息融合,得到原始水体分布影像数据;
水体分布特征图像获取模块,用于将所述预处理影像数据输入至训练好的深度卷积神经网络,得到水体分布特征图像;
其中,所述深度卷积神经网络包括第一Sigmoid分类模块、边界提取模块和双注意力机制模块,所述双注意力机制模块包括通道注意力机制模块和空间注意力机制模块;所述边界提取模块包括第二非线性激活函数分类模块和最大池化模块,所述边界提取模块用于获取水体边界信息;所述第一Sigmoid分类模块采用第一Sigmoid分类函数进行二分类的概率统计,二分类指的是水体和非水体;
所述深度卷积神经网络的训练方式具体为:
将训练数据输入到原始网络,得到预测水体边界特征图像;其中,所述训练数据包括水体分布影像训练数据、真实水体边界特征图像;
根据所述预测水体边界特征图像和所述真实水体边界特征图像调整所述原始网络的参数,并继续执行将训练数据输入到所述原始网络,得到预测水体边界特征图像的步骤,反复迭代训练直至满足预设的训练条件,以得到深度卷积神经网络;
水体变化检测模块,用于将所述水体分布特征图像进行数据后处理,得到水体变化检测结果;
其中,所述数据后处理包括数据读取、投影坐标赋值、栅格镶嵌、自适应分类、基于矢量缓冲区域像素统计的面积计算、时间格式转换;所述栅格镶嵌的实现过程为读取各分割栅格影像,并为所述栅格镶嵌结果指定位深度、输出坐标系及根据拼接算法进行拼接;
所述基于矢量缓冲区域像素统计的面积计算为利用矢量水域缓冲区范围,对范围内的目标像素数量进行统计,并根据原始影像的分辨率大小进行水域面积计算。
7.一种智能终端,其特征在于,包括有存储器,以及一个或者一个以上的程序,所述程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-5中任意一项所述的方法。
8.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370686.3A CN113269028B (zh) | 2021-04-07 | 2021-04-07 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370686.3A CN113269028B (zh) | 2021-04-07 | 2021-04-07 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269028A CN113269028A (zh) | 2021-08-17 |
CN113269028B true CN113269028B (zh) | 2022-02-11 |
Family
ID=77228765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370686.3A Active CN113269028B (zh) | 2021-04-07 | 2021-04-07 | 一种基于深度卷积神经网络的水体变化检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269028B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628103B (zh) * | 2021-08-26 | 2023-09-29 | 深圳万兴软件有限公司 | 基于多级损失的高细粒度卡通人脸生成方法及其相关组件 |
CN116258869B (zh) * | 2023-01-10 | 2023-08-18 | 滁州学院 | 一种基于Sentinel-2遥感数据的毛竹林大小年边界线提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126811A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种从sar图像上探测湖岸线及提取湖泊轮廓的方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN110487449A (zh) * | 2019-07-03 | 2019-11-22 | 南方科技大学 | 一种滑坡实时监测系统及方法 |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
CN112418049A (zh) * | 2020-11-17 | 2021-02-26 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感影像的水体变化检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264484B (zh) * | 2019-06-27 | 2022-10-18 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 |
CN111553245A (zh) * | 2020-04-24 | 2020-08-18 | 中国电建集团成都勘测设计研究院有限公司 | 基于机器学习算法和多源遥感数据融合的植被分类方法 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
CN112132867B (zh) * | 2020-09-23 | 2023-07-11 | 武汉汉达瑞科技有限公司 | 一种遥感影像变化检测方法及装置 |
-
2021
- 2021-04-07 CN CN202110370686.3A patent/CN113269028B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126811A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种从sar图像上探测湖岸线及提取湖泊轮廓的方法 |
CN109977801A (zh) * | 2019-03-08 | 2019-07-05 | 中国水利水电科学研究院 | 一种联合光学和雷达的区域水体快速动态提取方法及系统 |
CN110487449A (zh) * | 2019-07-03 | 2019-11-22 | 南方科技大学 | 一种滑坡实时监测系统及方法 |
CN110929592A (zh) * | 2019-11-06 | 2020-03-27 | 北京恒达时讯科技股份有限公司 | 一种用于海上养殖区外边界的提取方法及系统 |
CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学(武汉) | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
CN112418049A (zh) * | 2020-11-17 | 2021-02-26 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感影像的水体变化检测方法 |
Non-Patent Citations (2)
Title |
---|
LaeNet: A Novel Lightweight Multitask CNN for Automatically;WeiLiu等;《Remote sensing》;20201225;第1-21页 * |
基于卫星遥感的水体信息提取研究进展与展望;李丹等;《清华大学学报(自然科学版)》;20190919(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269028A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
CN111767801A (zh) | 一种基于深度学习的遥感影像水域自动提取方法及系统 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
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 | |
CN107563411B (zh) | 基于深度学习的在线sar目标检测方法 | |
CN113269028B (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 | |
CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
Ding et al. | Alexnet feature extraction and multi-kernel learning for objectoriented classification | |
US11017507B2 (en) | Image processing device for detection and correction of cloud cover, image processing method and storage medium | |
CN112083422A (zh) | 基于多级深度学习网络的单航过InSAR系统端对端分类方法 | |
CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
CN114444791A (zh) | 一种基于机器学习的洪涝灾害遥感监测评估方法 | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN114937206A (zh) | 基于迁移学习和语义分割的高光谱图像目标检测方法 | |
Khatriker et al. | Building footprint extraction from high resolution satellite imagery using segmentation | |
CN114724045A (zh) | 一种濒陆浅海水下地形反演方法 | |
Teodoro et al. | Identification of beach hydromorphological patterns/forms through image classification techniques applied to remotely sensed data | |
CN112329791B (zh) | 一种高光谱影像水域自动提取方法 | |
CN112033937A (zh) | 一种水体提取精度的评价方法 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 |
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 |