CN113469104A - 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 - Google Patents
基于深度学习的雷达遥感影像地表水体变化检测方法和设备 Download PDFInfo
- Publication number
- CN113469104A CN113469104A CN202110801325.XA CN202110801325A CN113469104A CN 113469104 A CN113469104 A CN 113469104A CN 202110801325 A CN202110801325 A CN 202110801325A CN 113469104 A CN113469104 A CN 113469104A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- water body
- radar remote
- image
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06F18/23—Clustering 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于深度学习的雷达遥感影像地表水体变化检测方法和设备。通过基于雷达遥感影像和无云多光谱遥感影像的处理得到的水体标注样本对深度学习模型进行训练得到水体检测模型,运用模型可获得与雷达遥感影像大小及分辨率相同的二值栅格影像,将前后时序二值栅格影像进行像素级比对,得到水体变化检测结果。本发明克服了传统的基于光学遥感影像的地表水体检测方法对天气条件要求较高,需要采集无云层遮挡的多光谱遥感影像的局限性。
Description
技术领域
本发明涉及一种雷达遥感影像地表水体变化的检测方法和设备,尤其是基于深度学习的雷达遥感影像地表水体变化检测方法、计算机可读存储介质和设备。
背景技术
水体变化检测在生态系统和人类生产生活都具有广泛的应用。对内陆缺水地区,能监测水域面积变化趋势,提前做好防旱措施。对于洪水灾害,能准确分析洪水受灾地点、淹没面积、洪水蔓延趋势以及灾情分析等,辅助应急救援。由于光学遥感易受云层影响,而合成孔径雷达(SAR)以其具有微波波段独有的信号数据特性、全天候成像的重要特性,已经成为一种与众不同的遥感手段和对地观测的一种独特的技术。目前,雷达遥感影像已经广泛应用于航天、航空、制导和应急减灾救灾等诸多领域。
已经有一些现有技术用于水体变化检测中的水体识别。一种方法为单一阈值法。对于每张影像采用固定的阈值分割水体和非水体。利用水体的后向散射值较低,基于专家经验或者直方图,确定一个阈值,判定低于阈值的为水体,高于阈值的为非水体。在申请号为201811306146.3的中国专利文献中,通过获取最佳阈值集提高陆表水体识别的准确度。该方法容易实现,通过阈值简单分割水体和非水体。但是,阈值确定困难,且难以确保能适应不同影像数据、不同时间段或不同地区的水体识别。另一种方法为水体指数法。通过光学雷达的多个通道计算指数区分水体,例如NDWI(normalized difference water index)和mNDWI(modified normalized difference water index)。在申请号为201910175432.9的中国专利文献中,利用光谱指数进行区域分割,通过机器学习训练手段识别水体。该方法只能解译光学雷达影像。但是,光学雷达影像受云雨天气影响很大,云层厚时,效果不理想。
发明内容
有鉴于此,本发明的一个目的在于提供一种基于深度学习的雷达遥感影像地表水体变化的检测方法,能够利用雷达遥感影像进行云雨天气下的地表水体变化检测。
本发明的另一个目的在于提供计算机可读存储介质。
本发明的再一个目的在于提供一种基于深度学习的雷达遥感影像地表水体变化的检测设备,其能够实现上述水体变化检测方法,优化处理流程和方式,并较为准确地检测雷达遥感影像中的水体对象。
本发明利用雷达遥感影像的成像特点和深度学习的端到端的自主学习能力,实现快速准确的水体识别和水体变化检测。
一方面,本发明提供一种基于深度学习的雷达遥感影像地表水体变化检测方法,包括:
步骤1):提供相同区域的雷达遥感影像和无云多光谱遥感影像;将雷达遥感影像预处理得到预处理后的雷达遥感影像,将无云多光谱遥感影像预处理得到预处理后的无云多光谱遥感影像;将预处理后的无云多光谱遥感影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本;将所述水体标注样本输入深度学习框架进行模型训练,获得水体检测模型;
步骤2):采集第一雷达遥感影像;
步骤3):将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像,将预处理后的第一雷达遥感影像输入所述水体检测模型,提取预处理后的第一雷达遥感影像中的水体对象,获得与预处理后的第一雷达遥感影像的大小和分辨率相同的二值栅格影像A;
步骤4):采集与第一雷达遥感影像处于相同区域的前时序的第二雷达遥感影像;
步骤5):将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像,将预处理后的第二雷达遥感影像输入所述水体检测模型,提取预处理后的第二雷达遥感影像中的水体对象,获得与预处理后的第二雷达遥感影像的大小和分辨率相同的二值栅格影像B;
步骤6):将二值栅格影像A和二值栅格影像B进行像素级比对,得到地表水体变化检测结果。
根据本发明的方法,优选地,步骤1)中,将无云多光谱遥感影像预处理得到预处理后的无云多光谱遥感影像的过程包括:采用AWEI方法提取无云多光谱遥感影像中的水体对象,得到预处理后的无云多光谱遥感影像,其中,AWEI方法计算公式为:
AWEI=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2
其中,BLUE、GREEN、NIR、SWIR1和SWIR2分别表示蓝光波段、绿光波段、近红外波段、短波红外波段1和短波红外波段2的地表反射率;
根据本发明的方法,优选地,步骤1)具体包括如下步骤:
A.从山区、丘陵、湖泊或城市中选择多种地形场景作为标注区域,获取总时间跨度覆盖四个季节的不同时间的所述标注区域的雷达遥感影像和无云多光谱遥感影像,雷达遥感影像和无云多光谱遥感影像的拍摄时间间隔小于30天;
B.采用AWEI方法提取所述无云多光谱遥感影像中的水体对象,得到预处理后的无云多光谱遥感影像,AWEI方法计算公式为:
AWEI=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2
其中,BLUE、GREEN、NIR、SWIR1和SWIR2分别表示蓝光波段、绿光波段、近红外波段、短波红外波段1和短波红外波段2的地表反射率;
C.提取相同区域的预处理后的无云多光谱遥感影像和预处理后的雷达遥感影像的图像值矩阵,通过双线性插值使得两个图像值矩阵对齐;将提取的水体对象通过GDAL库中提供的Warp仿射变换方法映射至相邻时间的预处理后的雷达遥感影像的相同区域得到映射后的雷达遥感影像;参照预处理后的无云多光谱遥感影像,对映射后的雷达遥感影像进行人工复验,通过目视方法筛选其中水体对象边界识别清晰的图片,将筛选后的图片大小裁剪为499×499像素的标注样本,形成标注样本集作为水体标注样本,所述标注样本集中同时包含水体和非水体,且对两者分别标注准确;
D.深度学习框架采用深度学习开源平台PaddlePaddle;深度学习模型采用PaddlePaddle平台的PaddleSeg语义分割库中的DeepLab v3+模型;将所述水体标注样本输入深度学习框架进行模型训练时,采用交叉熵损失函数作为训练过程的损失函数,应用误差反向传播算法,经多轮训练直至损失函数收敛,得到网络参数,完成深度学习模型的训练。
根据本发明的方法,优选地,所述交叉熵损失函数如下:
其中,L表示损失值;N表示参与训练的样本数;yi表示样本i的标识,所述标识为正类时,yi为1,所述标识为为负类时,yi为0;pi表示样本i预测为正的概率。
根据本发明的方法,优选地,步骤1)中,将雷达遥感影像预处理得到预处理后的雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换;步骤3)中,将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换;步骤5)中,将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换。
根据本发明的方法,优选地,步骤1)、3)和5)的斑点滤波均采用Lee滤波算法,其计算公式为:
其中,σ表示噪声的标准差,var表示方差。
根据本发明的方法,优选地,步骤1)、3)和5)的伪彩色图合成过程包括:
将雷达遥感影像按照不同极化方式合成RGB伪彩色图,合成方式为VV极化波段雷达遥感影像对应R通道和B通道,VH极化波段雷达遥感影像对应G通道,所述R通道为红色通道,所述B通道为蓝色通道,所述G通道为绿色通道。
根据本发明的方法,优选地,步骤1)、3)和5)的对数变换过程均包括:
采用如下对数转换公式对雷达遥感影像进行对数处理,将线性图转化为对数图:
y=10log10(x)
其中,x表示对数处理前的雷达遥感影像像素值,y表示经过对数处理后的雷达遥感影像像素值。
另一方面,本发明提供一种计算机可读存储介质,其上存储有计算机指令,计算机的处理器执行所述计算机指令时实现如上所述的方法中的步骤。
再一方面,本发明提供一种基于深度学习的雷达遥感影像地表水体变化检测设备,包括:
处理器和存储器,所述处理器与所述存储器通信连接,
其中,所述存储器存储有计算机指令,所述处理器运行所述计算机指令时执行如上所述的方法中的步骤。
本发明克服了传统的基于光学遥感影像的地表水体检测方法对天气条件要求较高,需要采集无云层遮挡的多光谱遥感影像的局限性。尤其对于由强降雨所致的大多数洪涝灾害,由于通常被观测地上空具有较密集的云层,难以获取清晰、无云层遮挡的多光谱遥感影像,因此难以采用传统基于光学遥感影像的方法。本发明在此类洪涝灾害地表水体检测中能够发挥积极作用。本发明创造性地采用深度学习的技术手段,水体提取效果的平均交并比mIoU高达0.83,因而在多种地形和天气状态下均能达到较好的提取精度,可实现全流程端到端自动处理,无需任何人工操作,极大提高了检测精度和效能。此外,本发明采用的水体标注样本制作方法和流程,能够大幅度提高雷达遥感影像样本的标注效率,可将训练深度学习模型所需样本的标注时间由2个月缩短至1周。
附图说明
图1为本发明的基于深度学习的雷达遥感影像水体变化检测方法的流程图。
图2为本发明的深度学习模型训练一组标注样本示例。其中,图2a为预处理后的雷达遥感影像裁剪图片示例;图2b为水体二值栅格影像裁剪图片示例。
图3为预处理前的雷达遥感影像示例。
图4为预处理后的雷达遥感影像示例。
图5为本发明的基于深度学习的雷达遥感影像水体提取结果示例。其中,图5a为预处理后的雷达遥感影像;图5b为相应的二值栅格影像A。
具体实施方式
下面结合具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
为了便于理解,对以下术语进行简要说明。
合成孔径雷达:合成孔径雷达(SAR)是一种高分辨率成像雷达,可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成较大的等效天线孔径的雷达,也称综合孔径雷达。合成孔径雷达的特点是分辨率高,能全天候工作,能有效地识别伪装和穿透掩盖物。
变化检测:通过同一被观测区域不同时期雷达遥感影像数据的对比,定量分析被观测区域地表变化的特征与过程。例如,被观测区域1个月前的遥感影像识别为陆地,现在的遥感影像识别为地表水体,对比分析得到新增水体的面积和大小,这一系列识别过程为变化检测。
下述实施例中所使用的无云多光谱遥感影像数据来自于多光谱遥感卫星;雷达遥感影像数据来自于Sentinel-1卫星,关于Sentinel-1卫星的应用属于本领域已知技术,则不再赘述。
以下将Sentinel-1卫星遥感影像作为雷达遥感影像(SAR影像)水体识别的实验数据源。本发明的基于深度学习的雷达遥感影像地表水体变化的检测方法包括:步骤1)形成水体检测模型;步骤2)采集第一雷达遥感影像;步骤3)形成二值栅格影像A;步骤4)采集第二雷达遥感影像;步骤5)形成二值栅格影像B;步骤6)得到地表水体变化检测结果。下面进行详细描述。
形成水体检测模型
形成水体检测模型的步骤包括:提供相同区域的雷达遥感影像和无云多光谱遥感影像。将雷达遥感影像预处理得到预处理后的雷达遥感影像,将无云多光谱遥感影像预处理得到预处理后的无云多光谱遥感影像。将预处理后的无云多光谱遥感影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本。将所述水体标注样本输入深度学习框架进行模型训练,获得水体检测模型。在某些实施方案中,提供相同区域的雷达遥感影像和无云多光谱遥感影像。将雷达遥感影像预处理得到预处理后的雷达遥感影像,采用AWEI方法提取无云多光谱遥感影像中的水体对象得到水体二值栅格影像。将水体二值栅格影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本。将所述水体标注样本输入深度学习框架进行模型训练,获得水体检测模型。
雷达遥感影像可以通过Sentinel-1卫星提供。无云多光谱遥感影像可以通过多光谱遥感卫星获得。从山区、丘陵、湖泊或城市中选择多种地形场景作为标注区域,获取总时间跨度覆盖四个季节的不同时间的所述标注区域的雷达遥感影像和无云多光谱遥感影像,雷达遥感影像和无云多光谱遥感影像的拍摄时间间隔小于30天。
将雷达遥感影像预处理得到预处理后的雷达遥感影像。具体过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换。
轨道校正、热噪声去除和辐射定标可以采用常规方法实现,这里不再赘述。斑点滤波采用Lee滤波算法,其计算公式为:
其中,σ表示噪声的标准差,var表示方差。
地形校正以采用常规方法实现,这里不再赘述。在伪彩色图合成过程中,将雷达遥感影像按照不同极化方式合成RGB伪彩色图,合成方式为VV极化波段雷达遥感影像对应R通道和B通道,VH极化波段雷达遥感影像对应G通道,所述R通道为红色通道,所述B通道为蓝色通道,所述G通道为绿色通道。
在对数变换过程中,采用如下对数转换公式对雷达遥感影像进行对数处理,将线性图转化为对数图:
y=10log10(x)
其中,x表示对数处理前的雷达遥感影像像素值,y表示经过对数处理后的雷达遥感影像像素值。
采用AWEI方法(自动提取水体指数法)提取无云多光谱遥感影像中的水体对象,得到水体二值栅格影像。AWEI方法计算公式为:
AWEI=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2
其中,BLUE、GREEN、NIR、SWIR1和SWIR2分别表示蓝光波段、绿光波段、近红外波段、短波红外波段1和短波红外波段2的地表反射率。
将预处理后的无云多光谱遥感影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本。具体地,提取相同区域的预处理后的无云多光谱遥感影像和预处理后的雷达遥感影像的图像值矩阵,通过双线性插值使得两个图像值矩阵对齐;将提取的水体对象通过GDAL库中提供的Warp仿射变换方法映射至相邻时间的预处理后的雷达遥感影像的相同区域得到映射后的雷达遥感影像。雷达遥感影像和无云多光谱遥感影像的分辨率可能不同,可以通过双线性插值使得两个矩阵对齐。GDAL(Geospatial Data AbstractionLibrary)是一个在X/MIT许可协议下的开源栅格空间数据转换库。
参照预处理后的无云多光谱遥感影像,对映射后的雷达遥感影像进行人工复验,通过目视方法筛选其中水体对象边界识别清晰的图片,将筛选后的图片大小裁剪为499×499像素的标注样本,形成标注样本集作为水体标注样本,所述标注样本集中同时包含水体和非水体,且对两者分别标注准确。映射的操作手段包括复检、对齐、投影等。标注样本集可以为500组。
在某些实施方案中,将水体二值栅格影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本。具体地,参照无云多光谱遥感影像,对水体二值栅格影像进行人工复验,通过目视方法筛选其中水体对象边界识别清晰的水体二值栅格影像;提取与筛选出的水体二值栅格影像相同区域的预处理后的雷达遥感影像的图像值矩阵,通过GDAL库中提供的Warp仿射变换方法使得筛选出的水体二值栅格影像与预处理后的雷达遥感影像的图像值矩阵对齐;将对齐后的水体二值栅格影像与预处理后的雷达遥感影像分别裁剪为499×499像素的图片,相同位置的一张预处理后的雷达遥感影像裁剪图片(如图2a)与一张水体二值栅格影像裁剪图片(如图2b)构成一组标注样本,所述一组标注样本中同时包含水体和非水体,且对两者分别标注准确;多组标注样本形成标注样本集,标注样本集可以包含500组标注样本。由无云多光谱遥感影像生成的水体二值栅格影像与雷达遥感影像的分辨率可能不同,可以通过Warp仿射变换方法使得两个图像矩阵对齐。GDAL(Geospatial DataAbstraction Library)是一个在X/MIT许可协议下的开源栅格空间数据转换库。
将所述水体标注样本输入深度学习框架进行模型训练,获得水体检测模型。深度学习框架可以采用深度学习开源平台PaddlePaddle;深度学习模型采用PaddlePaddle平台的PaddleSeg语义分割库中的DeepLab v3+模型。将所述水体标注样本输入深度学习框架进行模型训练时,采用交叉熵损失函数作为训练过程的损失函数,应用误差反向传播算法,经多轮训练直至损失函数收敛,得到网络参数,完成深度学习模型的训练。所述交叉熵损失函数如下:
其中,L表示损失值,N表示参与训练的样本数,yi表示样本i的标识,所述标识为正类时为1,为负类时为0,pi表示样本i预测为正的概率。
使用平均交并比(mIoU)对模型训练效果进行评估,计算公式如下:
mIoU=avg(TP/(FP+FN+TP))
其中,avg表示平均值函数;TP表示正样例分类成正样例;FP表示负样例分类成正样例,即误报;FN表示正样例分类成负样例,即漏报。分别对雷达遥感影像中的水体和非水体计算两类的交并比,取平均值后得到mIoU,取值范围为(0,1)。mIoU数值越大,代表训练效果越。一般而言,mIoU达到0.7以上,可视为优秀。对于水体类型,TP表示识别为水体,且标注也为水体;FP表示识别为水体,但标注为非水体;FN表示识别为非水体,但标注为水体。对于非水体类型,TP表示识别为非水体,且标注也为非水体;FP表示识别为非水体,但标注为水体;FN表示识别为水体,但标注为非水体。
可随机抽取标注样本集中的70%作为深度学习模型的训练样本;其余作为测试样本。具体地,每批次的数据量(Batch Size)设置为4幅,学习率为0.001,直至训练的模型收敛。作为一个优选实施方式,可连续训练10000轮。训练完成后,获得水体检测模型的模型参数。将测试样本输入到经训练后获得的水体检测模型,所述水体深度学习模型的mIoU为0.83。
采集第一雷达遥感影像及形成二值栅格影像A
通过Sentinel-1卫星或者其他卫星采集第一雷达遥感影像(图3)。将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像(图4)。将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像的过程包括如下步骤:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换。详细描述与雷达遥感影像的预处理相同,这里不再赘述。
将预处理后的第一雷达遥感影像输入所述水体检测模型,提取预处理后的第一雷达遥感影像中的水体对象,获得与预处理后的第一雷达遥感影像的大小和分辨率相同的二值栅格影像A。水体对象的提取结果示例如图5所示。图5a为预处理后的雷达遥感影像,图5b为相应的二值栅格影像A。在二值栅格影像A中,白色为识别的水体。
采集第二雷达遥感影像及形成二值栅格影像B
通过Sentinel-1卫星或者其他卫星采集与第一雷达遥感影像处于相同区域的前时序的第二雷达遥感影像。将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像。将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像,包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换。详细描述与雷达遥感影像的预处理相同,这里不再赘述。
将预处理后的第二雷达遥感影像输入所述水体检测模型,提取预处理后的第二雷达遥感影像中的水体对象,获得与预处理后的第二雷达遥感影像的大小和分辨率相同的二值栅格影像B。
得到地表水体变化检测结果。
将二值栅格影像A和二值栅格影像B进行像素级比对,得到地表水体变化检测结果。
对于某一区域的水体变化检测识别时,在获取包含该区域的雷达遥感影像后,还需要采集相同区域的前时序拍摄的雷达遥感影像。当前后时序两张雷达遥感影像由不同卫星拍摄时,需要进行多星对齐。
针对前后时序两张雷达遥感影像由不同卫星拍摄的情况,影像的地理分辨率和拍摄范围并不完全一致,以后时序影像为对比标的,将前时序影像进行重投影,使两张图像对齐。
对前后时序两张雷达遥感影像分别进行如前所述的预处理,并输入训练后的深度学习模型进行水体识别,将两张水体识别图像进行变化检测。对二值栅格影像A和二值栅格影像B检测出的变化部分进行聚类分析,解译变化区域及水体类型。聚类分析采用图像处理的连通域分析,方法为Two-Pass法,通过调用基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库opencv中的connectedComponents来实现,提取出水体类型相同且位置相邻的水体区域。水体类型包括新增水体、消减水体和不变水体。
利用图像边缘检测算法提取栅格影像数据中每种类型的水体对象边界,用地理坐标序列进行记录,并以SHP、GeoJSON等矢量文件格式进行存储和展示。
在另一些实施方案中,本发明提供一种计算机可读存储介质,其上存储有计算机指令,计算机的处理器执行所述计算机指令时实现如上所述任一项方法中的步骤。对它们的功能和工作原理在此不再进行赘述。
在再一些实施方案中,本发明提供一种基于深度学习的雷达遥感影像地表水体变化检测设备,其包括处理器和存储器,所述处理器与所述存储器通信连接;其中,所述存储器存储有计算机指令,所述处理器运行所述计算机指令时执行如上所述实施例中的步骤。对它们的功能和工作原理在此不再进行赘述。
本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员可以想到的任何变形、改进、替换均落入本发明的范围。
Claims (10)
1.一种基于深度学习的雷达遥感影像地表水体变化检测方法,其特征在于,包括:
步骤1):提供相同区域的雷达遥感影像和无云多光谱遥感影像;将雷达遥感影像预处理得到预处理后的雷达遥感影像,将无云多光谱遥感影像预处理得到预处理后的无云多光谱遥感影像;将预处理后的无云多光谱遥感影像映射至预处理后的雷达遥感影像的相同区域,生成水体标注样本;将所述水体标注样本输入深度学习框架进行模型训练,获得水体检测模型;
步骤2):采集第一雷达遥感影像;
步骤3):将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像,将预处理后的第一雷达遥感影像输入所述水体检测模型,提取预处理后的第一雷达遥感影像中的水体对象,获得与预处理后的第一雷达遥感影像的大小和分辨率相同的二值栅格影像A;
步骤4):采集与第一雷达遥感影像处于相同区域的前时序的第二雷达遥感影像;
步骤5):将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像,将预处理后的第二雷达遥感影像输入所述水体检测模型,提取预处理后的第二雷达遥感影像中的水体对象,获得与预处理后的第二雷达遥感影像的大小和分辨率相同的二值栅格影像B;
步骤6):将二值栅格影像A和二值栅格影像B进行像素级比对,得到地表水体变化检测结果。
2.根据权利要求1所述的方法,其特征在于:
步骤1)中,将无云多光谱遥感影像预处理得到预处理后的无云多光谱遥感影像的过程包括:采用AWEI方法提取无云多光谱遥感影像中的水体对象,得到预处理后的无云多光谱遥感影像,其中,AWEI方法计算公式为:
AWEI=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2
其中,BLUE、GREEN、NIR、SWIR1和SWIR2分别表示蓝光波段、绿光波段、近红外波段、短波红外波段1和短波红外波段2的地表反射率。
3.根据权利要求1所述的方法,其特征在于,步骤1)具体包括如下步骤:
A.从山区、丘陵、湖泊或城市中选择多种地形场景作为标注区域,获取总时间跨度覆盖四个季节的不同时间的所述标注区域的雷达遥感影像和无云多光谱遥感影像,雷达遥感影像和无云多光谱遥感影像的拍摄时间间隔小于30天;
B.采用AWEI方法提取所述无云多光谱遥感影像中的水体对象,得到预处理后的无云多光谱遥感影像,AWEI方法计算公式为:
AWEI=BLUE+2.5GREEN-1.5(NIR+SWIR1)-0.25SWIR2
其中,BLUE、GREEN、NIR、SWIR1和SWIR2分别表示蓝光波段、绿光波段、近红外波段、短波红外波段1和短波红外波段2的地表反射率;
C.提取相同区域的预处理后的无云多光谱遥感影像和预处理后的雷达遥感影像的图像值矩阵,通过双线性插值使得两个图像值矩阵对齐;将提取的水体对象通过GDAL库中提供的Warp仿射变换方法映射至相邻时间的预处理后的雷达遥感影像的相同区域,得到映射后的雷达遥感影像;参照预处理后的无云多光谱遥感影像,对映射后的雷达遥感影像进行人工复验,通过目视方法筛选其中水体对象边界识别清晰的图片,将筛选后的图片大小裁剪为499×499像素的标注样本,形成标注样本集作为水体标注样本,所述标注样本集中同时包含水体和非水体,且对两者分别标注准确;
D.深度学习框架采用深度学习开源平台PaddlePaddle;深度学习模型采用PaddlePaddle平台的PaddleSeg语义分割库中的DeepLab v3+模型;将所述水体标注样本输入深度学习框架进行模型训练时,采用交叉熵损失函数作为训练过程的损失函数,应用误差反向传播算法,经多轮训练直至损失函数收敛,得到网络参数,完成深度学习模型的训练。
5.根据权利要求1所述的方法,其特征在于:
步骤1)中,将雷达遥感影像预处理得到预处理后的雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换;
步骤3)中,将第一雷达遥感影像预处理得到预处理后的第一雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换;
步骤5)中,将第二雷达遥感影像预处理得到预处理后的第二雷达遥感影像的过程包括:轨道校正、热噪声去除、辐射定标、斑点滤波、地形校正、伪彩色图合成和对数变换。
7.根据权利要求5所述的方法,其特征在于,步骤1)、3)和5)的伪彩色图合成过程均包括:
将雷达遥感影像按照不同极化方式合成RGB伪彩色图,合成方式为VV极化波段雷达遥感影像对应R通道和B通道,VH极化波段雷达遥感影像对应G通道,所述R通道为红色通道,所述B通道为蓝色通道,所述G通道为绿色通道。
8.根据权利要求5所述的方法,其特征在于,步骤1)、3)和5)的对数变换过程均包括:
采用如下对数转换公式对雷达遥感影像进行对数处理,将线性图转化为对数图:
y=10log10(x)
其中,x表示对数处理前的雷达遥感影像像素值,y表示经过对数处理后的雷达遥感影像像素值。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,计算机的处理器执行所述计算机指令时实现如权利要求1~8中任一项所述的方法中的步骤。
10.一种基于深度学习的雷达遥感影像地表水体变化检测设备,其特征在于,包括:
处理器和存储器,所述处理器与所述存储器通信连接,
其中,所述存储器存储有计算机指令,所述处理器运行所述计算机指令时执行如权利要求1~8中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801325.XA CN113469104A (zh) | 2021-07-15 | 2021-07-15 | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801325.XA CN113469104A (zh) | 2021-07-15 | 2021-07-15 | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469104A true CN113469104A (zh) | 2021-10-01 |
Family
ID=77880540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801325.XA Pending CN113469104A (zh) | 2021-07-15 | 2021-07-15 | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500604A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
-
2021
- 2021-07-15 CN CN202110801325.XA patent/CN113469104A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500604A (zh) * | 2023-06-27 | 2023-07-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
CN116500604B (zh) * | 2023-06-27 | 2023-08-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种水深定量反演方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mucher et al. | Land cover characterization and change detection for environmental monitoring of pan-Europe | |
KR101697183B1 (ko) | 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 | |
Wang et al. | Automatic extraction of Sargassum features from Sentinel-2 MSI images | |
Wu et al. | Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China | |
CN107145891B (zh) | 一种基于遥感影像的水体提取方法及系统 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
Szantoi et al. | Fast and robust topographic correction method for medium resolution satellite imagery using a stratified approach | |
CN112712535A (zh) | 基于模拟困难样本的Mask-RCNN滑坡分割方法 | |
JP2019537151A (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
CN107688776B (zh) | 一种城市水体提取方法 | |
Yang et al. | Evaluating AISA+ hyperspectral imagery for mapping black mangrove along the South Texas Gulf Coast | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN111611965B (zh) | 一种基于Sentinel-2影像的陆表水体提取方法 | |
Cruz et al. | Precise real-time detection of nonforested areas with UAVs | |
Colefax et al. | Identifying optimal wavelengths to maximise the detection rates of marine fauna from aerial surveys | |
CN113469104A (zh) | 基于深度学习的雷达遥感影像地表水体变化检测方法和设备 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary | |
Viana et al. | Shoreline extraction using unsupervised classification on Sentinel-2 imagery | |
Bochow et al. | Automatic shadow detection in hyperspectral VIS-NIR images | |
Wang et al. | Framework to create cloud-free remote sensing data using passenger aircraft as the platform | |
CN114627148B (zh) | 一种基于微波遥感的海岸带养殖水体对象提取方法及装置 | |
CN111695503B (zh) | 基于双波段辐亮度的珊瑚礁底质分类方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 |
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 |