CN116977311A - 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 - Google Patents
一种洪涝灾害区域检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116977311A CN116977311A CN202310967542.5A CN202310967542A CN116977311A CN 116977311 A CN116977311 A CN 116977311A CN 202310967542 A CN202310967542 A CN 202310967542A CN 116977311 A CN116977311 A CN 116977311A
- Authority
- CN
- China
- Prior art keywords
- training
- flood
- area
- sar
- module
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 90
- 230000007246 mechanism Effects 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种洪涝灾害区域检测方法、系统、电子设备及存储介质,涉及灾害检测领域,该方法首先获取不同时刻待检测区域的SAR图像,然后对待检测区域的SAR图像进行轨道校正、辐射定标、配准和数据增强处理,得到增强后的多时相SAR图像,利用洪涝灾害区域检测模型对增强后的多时相SAR图像中的洪水区域进行检测。其中,洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的。三维轻量化U型卷积网络在U型网络第一次卷积后加入了深度‑通道‑空间注意力机制模块,并且将U型网络中的两次二维卷积替换成轻量化三维卷积模块,在U型网络最后添加对深度维取最大值的操作。本发明提高了洪水区域检测的准确率。
Description
技术领域
本发明涉及灾害检测领域,特别是涉及一种洪涝灾害区域检测方法、系统、电子设备及存储介质。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)能够提供全天时、全天候的对地观测图像,是一种重要的对地观测手段。当洪涝灾害发生时,大气中的云雨因其对可见光的折射会显著影响光学卫星的成像,因此在光学卫星观测过程中会丢失大量的洪水信息。虽然可以利用这些高时空分辨率的光学卫星影像研究洪水情况,但其质量仍然容易受到天气的影响。SAR卫星数据的出现解决了云干扰这一棘手问题,与光学遥感卫星不同,SAR卫星为主动成像,具有强大的穿透能力,可以克服云雾的障碍,而不受天气影响。此外,由于主动微波遥感的特点,它可以在夜间不依赖光照获取地表影像。SAR已广泛应用于洪涝水体检测和开放水域研究等各种应用。
目前关于SAR图像洪涝灾害区域检测算法主要分为三类:基于单幅图像的水体提取算法,基于双时相SAR图像的变化检测算法,基于多时相SAR图像的算法。
基于水体提取的算法主要是通过水体的反射特征显著不同于其他区域进行区分。主要通过SAR图像多种极化方式的总体信息设计水体指数进行水体的提取。该方法的优势是计算量小,运算速度快。但是由于斑点噪声的影响,仅凭借后向散射强度进行SAR图像水体提取的结果往往较为破碎,准确率不高。另外,有一个明显的事实是水体并不完全等价洪涝灾害区域,比如一直存在的湖泊与河流,一般不认为这些区域也发生了洪涝灾害。另外,山体阴影、可吸收电磁波的植被等似水体区域也会造成此类算法的准确率偏低。
基于双时相SAR图像变化检测算法主要是对双时相SAR图像进行变化检测。双时相SAR图像即在不同时间对同一区域用同一卫星进行两次成像,通常一张是无洪水的参考图像,另一张是洪水时的图像。利用变化检测算法可以抑制稳定的河流、湖泊、山体阴影等因素的影响,有效提高准确率。但是其仍在处理随时间变化的地表类型表现得差强人意。如:在SAR频率附近有着低吸收率的低植被的光滑干燥土壤、以及丰水期/枯水期的河流与湖泊。因此,双时相SAR图像变化检测中的参考图像需要仔细的人工选择来减少误判。
发明内容
本发明的目的是提供一种洪涝灾害区域检测方法、系统、电子设备及存储介质,以提高洪水灾害区域检测的准确性。
为实现上述目的,本发明提供了如下方案:
一种洪涝灾害区域检测方法,包括:
获取不同时刻待检测区域的SAR图像;
对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准;
对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像;
根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
可选地,对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像,具体包括:
对不同时刻的所述待检测区域的SAR图像进行轨道校正,得到第一预处理后的待检测区域的SAR图像;
对所述校正后的待检测区域的SAR图像进行辐射定标,得到第二预处理后的待检测区域的SAR图像;
对所述第二预处理后的待检测区域的SAR图像进行配准,得到多时相SAR图像。
可选地,利用训练数据集对三维轻量化U型卷积网络进行训练,具体包括:
获取训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;
对所述训练用地区发生洪涝时的SAR图像中的洪水区域进行标注,得到已标注洪水区域的训练用地区发生洪涝时的SAR图像;
对所述已标注洪水区域的训练用地区发生洪涝时的SAR图像和所述训练用地区未发生洪涝时的SAR图像进行预处理,得到训练用多时相SAR图像;
对所述训练用多时相SAR图像进行数据增强,得到增强后的训练用多时相SAR图像;
利用所述增强后的训练用多时相SAR图像对所述三维轻量化U型卷积网络进行训练,得到洪涝灾害区域检测模型。
可选地,利用所述增强后的训练用多时相SAR图像对所述三维轻量化U型卷积网络进行训练,得到洪涝灾害区域检测模型,具体包括:
将所述增强后的训练用多时相SAR图像输入至当前三维轻量化U型卷积网络,得到输出结果;
利用交叉熵损失函数确定所述输出结果与洪水区域标签的损失值;
判断所述损失值是否小于等于预设损失值;
若否,则利用所述损失值更新当前三维轻量化U型卷积网络的参数;
若是,则停止训练,将所述当前三维轻量化U型卷积网络作为所述洪涝灾害区域检测模型。
一种洪涝灾害区域检测系统,包括:
数据获取模块,用于获取不同时刻待检测区域的SAR图像;
预处理模块,用于对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准;
数据增强模块,用于对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像;
洪水区域检测模块,用于根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的洪涝灾害区域检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的洪涝灾害区域检测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中的洪涝灾害区域检测方法、系统、电子设备及存储介质,首先获取不同时刻待检测区域的SAR图像,然后对待检测区域的SAR图像进行轨道校正、辐射定标、配准和数据增强处理,得到增强后的多时相SAR图像,利用洪涝灾害区域检测模型对增强后的多时相SAR图像中的洪水区域进行检测。其中,洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的。三维轻量化U型卷积网络使对U型网络进行改进得到的,在U型网络第一次卷积后加入了深度-通道-空间注意力机制模块并且将U型网络中的两次二维卷积替换成轻量化三维卷积模块,最后,在U型网络最后添加了对深度维取最大值的操作。本发明提高了洪水区域检测的准确率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的洪涝灾害区域检测方法流程图;
图2为本发明洪涝灾害区域检测方法的总体流程图;
图3为本发明的三维轻量化U型卷积网络结构图;
图4为轻量化三维卷积模块结构图;
图5为深度综合注意力机制的结构图;
图6为通道综合注意力机制的结构图;
图7为空间综合注意力机制的结构图;
图8为本发明的方法与现有技术及标签对比结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种洪涝灾害区域检测方法、系统、电子设备及存储介质,以提高洪水区域检测的准确性。
为了进一步提高准确率,多时相SAR图像洪涝灾害检测算法(洪涝灾害区域检测方法)是更好的选择。相比于双时相数据,多时相数据可以提供更多时间上的信息,也就能够更好的避免似水体区域的变化对洪涝灾害检测的影响。因此基于多时相SAR图像的洪水检测算法准确率更高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1和图2所示,本发明提供的洪涝灾害区域检测方法,包括:
步骤101:获取不同时刻待检测区域的SAR图像。
步骤102:对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准。
作为一种可选的实施方式,步骤102,具体包括:
对不同时刻的所述待检测区域的SAR图像进行轨道校正,得到第一预处理后的待检测区域的SAR图像。
对所述校正后的待检测区域的SAR图像进行辐射定标,得到第二预处理后的待检测区域的SAR图像。
对所述第二预处理后的待检测区域的SAR图像进行配准,得到多时相SAR图像。
步骤103:对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像。
步骤104:根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
在实际应用中,利用训练数据集对三维轻量化U型卷积网络进行训练,具体包括:
步骤S1:获取训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像。
步骤S2:对所述训练用地区发生洪涝时的SAR图像中的洪水区域进行标注,得到已标注洪水区域的训练用地区发生洪涝时的SAR图像。
步骤S3:对所述已标注洪水区域的训练用地区发生洪涝时的SAR图像和所述训练用地区未发生洪涝时的SAR图像进行预处理,得到训练用多时相SAR图像。
在实际应用中,首先需要寻找发生洪水时的SAR卫星源数据,从欧空局官网寻找并下载了多张发生洪水时的SAR图像以及同一地区无洪水的SAR图像。而SAR卫星源数据文件中轨道状态数据精度不是很高,需要额外下载精确轨道文件对图像进行轨道校正。轨道校正后将SAR的强度信号转化为SAR图像,即辐射定标。然后将含有洪水区域的SAR图像分别与其他SAR图像进行像素级的配准,并裁剪至同样的大小,最终获得多时相SAR图像数据,构建SARFD数据集。
步骤S4:对所述训练用多时相SAR图像进行数据增强,得到增强后的训练用多时相SAR图像。
在实际应用中,首先按照7:1:2的比例将多时相SAR图像数据集分为训练集、验证集和测试集,并保证其中均包含洪水区域和无洪水区域。然后进行数据加载,通过设定固定的小批量大小固定每次读取的数据大小,并对数据做数据增强,包括:随机放缩、随机旋转、随机翻转以及深度维的随机打乱。其中的深度维即不同时刻的SAR图像拼接而成的新维度,而无论SAR图像拼接的顺序的如何,洪水的区域都不会改变,因此可以将深度维的随机打乱作为数据增强的方法。最后,将这些数据作为训练样本。
本实施例使用的是构建的SARFD数据集,包含1352组多时相SAR图像洪水检测序列,其中的序列长度从4至11不等,在训练过程中以50%的概率对图像做数据增强,包括随机放缩、随机旋转、随机翻转以及深度维的随机打乱。
步骤S5:利用所述增强后的训练用多时相SAR图像对所述三维轻量化U型卷积网络进行训练,得到洪涝灾害区域检测模型。
本发明使用的三维轻量化U型卷积网络主要由轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接组成,如图3所示。
所述的三维轻量化U型卷积网络模型整体和经典U型网络一致,由四次卷积+下采样构成编码器,四次卷积+上采样+跳跃连接构成解码器。与经典U型网络不同之处在于:(1)在第一次卷积后加入了深度-通道-空间注意力机制模块。(2)将经典U型网络中的两次二维卷积替换成轻量化三维卷积模块。(3)在网络最后添加了对深度维取最大值的操作。
轻量化三维卷积模块是为了解决三维卷积巨大的计算量而设计的,采用了权重共享和卷积分离的思想。对于输入的四维张量,记为深度维×通道维×高度维×宽度维。如图4所示,首先将深度维中的每个子张量输入共享权重的二维卷积中,这主要是考虑到不同深度中的特征图差异不大,因此可以通过共享权重降低运算量。经过批量归一化再通过ReLU激活函数加入非线性。然后利用1×1×1的三维卷积核获得部分特征图,再通过3×3×3的分组卷积获得部分特征图,将两部分特征图拼接起来就能获得最后的特征图。
下采样模块采用2×2的最大值池化,即把输入的特征图划分为若干个2×2大小的区域,对每个区域输出其最大值。因此在编码器部分的高度维和宽度维会随着每次下采样而减半。
所述的上采样模块采用2倍的最邻近插值方式,即把输入的特征图的每个像素扩展为2×2大小的4个像素并保留原始的像素值。因此在解码器部分的高度维和宽度维会随着每次上采样而加倍。
所述的深度-通道-空间注意力机制模块即深度注意力机制模块、通道注意力机制模块和空间注意力机制模块的串联。
如图5所示,所述的深度注意力机制模块首先对通道维、高度维和宽度维做最大值池化和平均值池化,获得两个深度维×1×1的向量,然后输入共享权重的1×1卷积层并将结果相加,通过一个sigmoid激活函数获得深度维的权重,最后将深度维权重与初始张量相乘,获得经过深度注意力机制的张量。
如图6所示,所述的通道注意力机制模块首先对深度维、高度维和宽度维做最大值池化和平均值池化,获得两个通道维×1×1的向量,然后输入共享权重的1×1卷积层并将结果相加,通过一个sigmoid激活函数获得通道维的权重,最后将通道维权重与初始张量相乘,获得经过通道注意力机制的张量。
如图7所示,所述的空间注意力机制模块首先对通道维和深度维做最大值池化和平均值池化,获得两个高度维×宽度维的张量,然后将其拼接在一起,用3×3卷积进行特征融合,获得空间权重,最后将空间权重与初始张量相乘,获得经过空间注意力机制的张量。
如图3所示,整体通道数的变化为1→64→128→256→512→1024→512→256→128→64→2,整体高×宽的变化为:高×宽→高/2×宽/2→高/4×宽/4→高/8×宽/8→高/16×宽/16→高/8×宽/8→高/4×宽/4→高/2×宽/2→高×宽。
作为一种可选的实施方式,步骤S5,具体包括:
将所述增强后的训练用多时相SAR图像输入至当前三维轻量化U型卷积网络,得到输出结果。
利用交叉熵损失函数确定所述输出结果与洪水区域标签的损失值。
判断所述损失值是否小于等于预设损失值。
若否,则利用所述损失值更新当前三维轻量化U型卷积网络的参数。
若是,则停止训练,将所述当前三维轻量化U型卷积网络作为所述洪涝灾害区域检测模型。
加载数据过程中,对输入的张量在深度维进行整体的随机打乱进行数据增强。训练过程中,每个训练周期输入小批量的1×D×256×256数据进入三维轻量化U型卷积网络,输出预测类别。通过损失函数计算标签与输出的损失,利用损失更新三维轻量化U型卷积网络,直到损失不再明显降低。设置小批量的大小为2,学习率为10-4,学习率衰减为每训练100个周期衰减至50%,训练500个周期,损失函数为交叉熵损失函数。如下式所示:
其中,N为标签的数量;yi为第i个标签值;pi为模型预测的第i个值。
用验证集验证步骤S5中训练出的权重的效果,取其中效果最好的权重作为最终的权重并保存。然后将测试集输入进三维轻量化U型卷积网络中,并加载上述权重,输出一张二值图像,其中黑色像素表示未发生洪水的区域,白色像素表示发生洪水区域,完成了洪涝灾害区域的检测。
在实际应用中,将本发明的洪涝灾害区域检测方法与现有技术进行了对比,通过表1和表2可知,与Conv-LSTM网络模型相比,本发明在F1分数的指标上提升了1.5个百分点。而与3D-UNet+DCSAM相比,本发明在保证F1分数与其接近的同时降低其参数量至36%,大大节省了计算消耗和推理时间。
表1不同模型准确率对比结果表
表2不同模型计算消耗对比结果表
Method | Parameters | FLOPs |
3D-UNet+DCSAM | 87.51M | 3.22T |
本发明 | 29.74M | 1.16T |
如图8所示,图8中的(a)为标签示意图,图8中的(b)为Conv-LSTM模型检测结果示意图,图8中的(c)为3D-UNet模型检测结果示意图,图8中的(d)为本发明的洪涝灾害区域检测方法的检测结果示意图,可以看出,本发明提出的算法相较于Conv-LSTM和3D-UNet与标签更相似,尤其是一些微小区域,本发明能够更准确的检测出来。
本发明提供了一种多时相SAR图像洪涝灾害检测方法。该方法包括:提出了一种基于三维轻量化U型卷积网络。本发明保留了经典U型卷积网络的结构,但是本发明将其中的二维卷积替换成了三维轻量化卷积,通过权重共享和卷积分离的操作大大降低了三维卷积的计算量,并且也能够保证较高的准确率。另外,考虑到三维卷积训练较为困难,本发明还结合了深度-通道-空间的综合注意力机制,通过注意力机制将加快网络的收敛并进一步提高了洪水检测的准确率。
本发明较现有技术有以下优点:
第一,针对基于水体提取和变化检测的算法准确率不高的问题,本发明提出的方法充分利用多时相SAR数据,其准确率较其他算法有较大提升。
第二,针对多时相SAR图像的数量并不能总是保持一致的问题,本发明提出的方法设计了一个三维轻量化U型卷积网络,利用三维卷积可以处理可变深度数据的优势,使得本发明提出的方法具有更广泛的适应性。
第三,针对基于变化检测算法需要人工选择参考图像的问题,本发明提出的方法可以直接端到端输出洪涝灾害检测结果,无需人工筛选。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种洪涝灾害区域检测系统,包括:
数据获取模块,用于获取不同时刻待检测区域的SAR图像。
预处理模块,用于对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准。
数据增强模块,用于对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像。
洪水区域检测模块,用于根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
实施例三
本发明提供了一种电子设备,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行实施例一的洪涝灾害区域检测方法。
实施例四
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例一的洪涝灾害区域检测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种洪涝灾害区域检测方法,其特征在于,包括:
获取不同时刻待检测区域的SAR图像;
对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准;
对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像;
根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
2.根据权利要求1所述的洪涝灾害区域检测方法,其特征在于,对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像,具体包括:
对不同时刻的所述待检测区域的SAR图像进行轨道校正,得到第一预处理后的待检测区域的SAR图像;
对所述校正后的待检测区域的SAR图像进行辐射定标,得到第二预处理后的待检测区域的SAR图像;
对所述第二预处理后的待检测区域的SAR图像进行配准,得到多时相SAR图像。
3.根据权利要求1所述的洪涝灾害区域检测方法,其特征在于,利用训练数据集对三维轻量化U型卷积网络进行训练,具体包括:
获取训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;
对所述训练用地区发生洪涝时的SAR图像中的洪水区域进行标注,得到已标注洪水区域的训练用地区发生洪涝时的SAR图像;
对所述已标注洪水区域的训练用地区发生洪涝时的SAR图像和所述训练用地区未发生洪涝时的SAR图像进行预处理,得到训练用多时相SAR图像;
对所述训练用多时相SAR图像进行数据增强,得到增强后的训练用多时相SAR图像;
利用所述增强后的训练用多时相SAR图像对所述三维轻量化U型卷积网络进行训练,得到洪涝灾害区域检测模型。
4.根据权利要求3所述的洪涝灾害区域检测方法,其特征在于,利用所述增强后的训练用多时相SAR图像对所述三维轻量化U型卷积网络进行训练,得到洪涝灾害区域检测模型,具体包括:
将所述增强后的训练用多时相SAR图像输入至当前三维轻量化U型卷积网络,得到输出结果;
利用交叉熵损失函数确定所述输出结果与洪水区域标签的损失值;
判断所述损失值是否小于等于预设损失值;
若否,则利用所述损失值更新当前三维轻量化U型卷积网络的参数;
若是,则停止训练,将所述当前三维轻量化U型卷积网络作为所述洪涝灾害区域检测模型。
5.一种洪涝灾害区域检测系统,其特征在于,包括:
数据获取模块,用于获取不同时刻待检测区域的SAR图像;
预处理模块,用于对不同时刻的所述待检测区域的SAR图像进行预处理,得到多时相SAR图像;所述预处理包括轨道校正、辐射定标和配准;
数据增强模块,用于对所述多时相SAR图像进行数据增强,得到增强后的多时相SAR图像;
洪水区域检测模块,用于根据所述增强后的多时相SAR图像,利用洪涝灾害区域检测模型,确定所述待检测区域内发生洪涝灾害的区域;其中,所述洪涝灾害区域检测模型是利用训练数据集对三维轻量化U型卷积网络进行训练得到的;所述训练数据集包括已标注洪水区域的训练用地区发生洪涝时的SAR图像和训练用地区未发生洪涝时的SAR图像;所述三维轻量化U型卷积网络包括轻量化三维卷积模块、下采样模块、上采样模块、深度-通道-空间注意力机制模块和跳跃连接;所述深度-通道-空间注意力机制模块包括依次连接的深度注意力机制模块、通道注意力机制模块和空间注意力机制模块。
6.一种电子设备,其特征在于,包括:存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4任一项所述的洪涝灾害区域检测方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的洪涝灾害区域检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967542.5A CN116977311B (zh) | 2023-08-02 | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967542.5A CN116977311B (zh) | 2023-08-02 | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977311A true CN116977311A (zh) | 2023-10-31 |
CN116977311B CN116977311B (zh) | 2024-06-11 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274821A (zh) * | 2023-11-20 | 2023-12-22 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117935060A (zh) * | 2024-03-21 | 2024-04-26 | 成都信息工程大学 | 基于深度学习的洪水区域检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210012146A1 (en) * | 2019-07-12 | 2021-01-14 | Wuyi University | Method and apparatus for multi-scale sar image recognition based on attention mechanism |
CN112232391A (zh) * | 2020-09-29 | 2021-01-15 | 河海大学 | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 |
CN112749621A (zh) * | 2020-11-25 | 2021-05-04 | 厦门理工学院 | 一种基于深度卷积神经网络的遥感图像云层检测方法 |
CN114119642A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院空天信息创新研究院 | 洪涝灾害水体提取方法及装置、设备和存储介质 |
CN114283120A (zh) * | 2021-12-01 | 2022-04-05 | 武汉大学 | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 |
CN115019192A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于双通道主干网络和联合损失函数的洪灾变化检测方法及系统 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210012146A1 (en) * | 2019-07-12 | 2021-01-14 | Wuyi University | Method and apparatus for multi-scale sar image recognition based on attention mechanism |
CN112232391A (zh) * | 2020-09-29 | 2021-01-15 | 河海大学 | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 |
CN112749621A (zh) * | 2020-11-25 | 2021-05-04 | 厦门理工学院 | 一种基于深度卷积神经网络的遥感图像云层检测方法 |
CN114119642A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院空天信息创新研究院 | 洪涝灾害水体提取方法及装置、设备和存储介质 |
CN114283120A (zh) * | 2021-12-01 | 2022-04-05 | 武汉大学 | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 |
CN115019192A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于双通道主干网络和联合损失函数的洪灾变化检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
王新高等: "基于形态学的多时相SAR洪水监测方法研究", 《长江信息通信》, 15 March 2021 (2021-03-15), pages 12 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274821A (zh) * | 2023-11-20 | 2023-12-22 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117274821B (zh) * | 2023-11-20 | 2024-02-02 | 中国石油大学(华东) | 顾及降雨影响的多极化sar农田洪涝检测方法与系统 |
CN117935060A (zh) * | 2024-03-21 | 2024-04-26 | 成都信息工程大学 | 基于深度学习的洪水区域检测方法 |
CN117935060B (zh) * | 2024-03-21 | 2024-05-28 | 成都信息工程大学 | 基于深度学习的洪水区域检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Deep learning meets SAR: Concepts, models, pitfalls, and perspectives | |
CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
Farbod et al. | Optimized fuzzy cellular automata for synthetic aperture radar image edge detection | |
Ma et al. | Fast task-specific region merging for SAR image segmentation | |
CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN112101309A (zh) | 基于深度学习分割网络的地物目标识别方法和装置 | |
CN113901900A (zh) | 一种同源或异源遥感图像用无监督变化检测方法及系统 | |
CN115147731A (zh) | 一种基于全空间编码注意力模块的sar图像目标检测方法 | |
Chen et al. | Comparison of different methods for spatial downscaling of GPM IMERG V06B satellite precipitation product over a typical arid to semi-arid area | |
CN115035295A (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
WO2023099665A1 (en) | Method for near real-time flood detection at large scale in a geographical region covering both urban areas and rural areas and associated computer program product | |
Yin et al. | Application of a radar echo extrapolation‐based deep learning method in strong convection nowcasting | |
Li et al. | HS2P: Hierarchical spectral and structure-preserving fusion network for multimodal remote sensing image cloud and shadow removal | |
CN116630818A (zh) | 基于gee和深度学习的高原湖泊边界在线提取方法及系统 | |
Wagner et al. | River water segmentation in surveillance camera images: A comparative study of offline and online augmentation using 32 CNNs | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN117788296A (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
CN113705538A (zh) | 基于深度学习的高分遥感影像道路变化检测装置及方法 | |
CN113569810A (zh) | 一种基于深度学习的遥感影像建筑物变化检测系统及方法 | |
CN116977311B (zh) | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN116977311A (zh) | 一种洪涝灾害区域检测方法、系统、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 |