CN117115666B - 基于多源数据的高原湖泊提取方法、装置、设备及介质 - Google Patents
基于多源数据的高原湖泊提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117115666B CN117115666B CN202311338177.8A CN202311338177A CN117115666B CN 117115666 B CN117115666 B CN 117115666B CN 202311338177 A CN202311338177 A CN 202311338177A CN 117115666 B CN117115666 B CN 117115666B
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- water body
- image
- band
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 186
- 230000011218 segmentation Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 69
- 238000011160 research Methods 0.000 claims abstract description 64
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000012952 Resampling Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 25
- 238000013135 deep learning Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- 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
- G06N3/048—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于多源数据的高原湖泊提取方法、装置、设备及介质,涉及遥感解译技术领域,包括:获取研究区域的多源数据;对SAR影像数据和多光谱影像数据进行融合处理,得到单景多波段影像数据;通过目标水体分割模型,基于单景多波段影像数据确定研究区域对应的水体预测图斑;根据研究区域对应的高程数据和水体预测图斑,从研究区域中提取高原湖泊区域。本发明可以缓解高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
Description
技术领域
本发明涉及遥感解译技术领域,尤其是涉及一种基于多源数据的高原湖泊提取方法、装置、设备及介质。
背景技术
湖泊是陆地生态系统的重要组成部分,可以在一定程度上反映环境和气候的变化。高原湖泊以其独特的地理位置,在研究亚洲乃至全球的气候变化中,都具有十分重要的作用。伴随着全球气候变暖,高原冰川融化、高原冻土解冻等问题已不容忽视,而湖泊的变化可以侧面反映该类问题,同时湖泊面积的扩张和收缩,也会对周围的生态环境产生影响。因此,如何有效地进行高原湖泊的水体提取,对于分析高原生态环境和生态监管具有十分重要的意义。
相较于传统现场实地考察的方式,基于遥感影像进行高原湖泊提取,具有低成本、高效率的优势,同时避免了野外苛刻条件下的作业风险。在基于遥感影像的水体识别方面,通常采用单波段阈值法、水体指数法、机器学习法。单波段阈值法主要利用水体和其他地物在近红外波段上的区别,来提取水体,该类方法较为简单,但仅适用水质均一的水体提取。水体指数法包括归一化水体指数(Normalized Difference Water Index,NDVI)、改进的归一化水体指数(Modified Normalized Difference Water Index,MNDWI)、增强型水体指数(Enhanced Water Index,EWI)等等,可以较为准确的提取水体,但针对不同区域、不同背景环境,需要更换不同的水体指数和阈值,且阈值选取易受人主观因素影响。机器学习法包括支持向量机、随机森林、决策树等,并在遥感解译领域有较多成熟的应用,但其要求设计先验知识特征并组合,所以该类方法泛化能力较弱。
近几年,随着计算机硬件的发展,深度学习技术开始广泛应用于各行各业中,并且在水体提取方面,具有较为理想的检测效果,然而基于深度学习的水体提取大多数基于单一数据源,导致噪声大、易受天气条件干扰,特别是高原湖泊,由于其特殊高海拔的地貌特征和气候条件,会出现雪、冰、水等交融的复杂水体形态以及云遮挡,现有的方法难于解决应对这种情况。
发明内容
有鉴于此,本发明的目的在于提供一种基于多源数据的高原湖泊提取方法、装置、设备及介质,以缓解高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
第一方面,本发明实施例提供了一种基于多源数据的高原湖泊提取方法,包括:
获取研究区域的多源数据;其中,所述多源数据包括SAR影像数据、多光谱影像数据和高程数据;
对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;
通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;
根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域。
在一种实施方式中,所述目标水体分割模型采用MS-SegFormer语义分割模型,所述MS-SegFormer语义分割模型的输入端包括R波段输入端、G波段输入端、B波段输入端、NIR波段输入端和VV波段输入端,所述方法还包括:
获取预训练权重文件;其中,所述预训练权重文件包括R波段权重、G波段权重和B波段权重;
对所述预训练权重文件中所述R波段权重、所述G波段权重和所述B波段权重的顺序进行调整,以使调整后所述预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;
基于调整后所述预训练权重文件和所述多源融合训练数据,对所述MS-SegFormer语义分割模型进行训练,得到所述目标水体分割模型。
在一种实施方式中,通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑的步骤,包括:
将所述单景多波段影像数据进行切片处理得到多个影像切片数据;
通过所述目标水体分割模型,确定每个所述影像切片数据对应的水体分割结果;
对每个所述水体分割结果进行拼接处理,得到与所述单景多波段影像数据尺寸一致的语义分割掩码;
对所述语义分割掩码进行矢量化,得到所述研究区域对应的水体预测图斑。
在一种实施方式中,根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域的步骤,包括:
对所述水体预测图斑进行去噪处理得到目标水体预测图斑;
根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域。
在一种实施方式中,对所述水体预测图斑进行去噪处理得到目标水体预测图斑的步骤,包括:
遍历所述水体预测图斑中每个子图斑,得到每个所述子图斑对应的要素几何;
如果所述水体预测图斑采用非投影坐标系,则将每个所述子图斑对应的所述要素几何转换至投影坐标系下,得到每个所述子图斑对应的几何面积;
对于每个所述子图斑,如果该子图斑对应的所述几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑。
在一种实施方式中,根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域的步骤,包括:
根据所述目标水体预测图斑中的每个子图斑对应的范围,对所述研究区域对应的高程数据进行裁剪,得到每个所述子图斑对应的高程切片数据;
确定所述高程切片数据中每个像元点匹配的临近像元点,并根据所述临近像元点对应的高程值确定所述高程切片数据中每个所述像元点的坡度值,以得到所述高程切片数据对应的坡度切片数据;
对所述目标水体预测图斑进行栅格化处理得到水体掩膜文件,并基于所述水体掩膜文件从所述坡度切片数据中,提取每个所述子图斑中每个所述像元点的坡度值;
对于每个所述子图斑,基于预设坡度阈值对该子图斑中每个所述像元点的坡度值进行统计,确定该子图斑中的目标像元点,如果所述目标像元点的数量大于预设数量阈值,确定该子图斑属于湖泊图斑;其中,所述目标像元点为坡度值小于所述预设坡度阈值的像元点;
基于每个所述湖泊图斑确定所述研究区域内的高原湖泊区域。
在一种实施方式中,对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据的步骤,包括:
将所述SAR影像数据和所述多光谱影像数据转换至同一坐标系下;
对转换后的所述SAR影像数据和所述多光谱影像数据进行重采样处理,以使所述SAR影像数据和所述多光谱影像数据的分辨率统一;
对重采样处理后的所述SAR影像数据和所述多光谱影像数据进行影像相交提取处理,以保留所述SAR影像数据与所述多光谱影像数据之间相交区域内的有值像素;
对影像相交提取处理后的所述SAR影像数据和所述多光谱影像数据进行位深转换处理,以使所述SAR影像数据与所述多光谱影像数据的位深统一;
从所述位深转换处理后的所述SAR影像数据中提取VV波段影像数据,并将所述VV波段影像数据与所述位深转换处理后的所述多光谱影像数据进行融合处理,得到单景多波段影像数据。
第二方面,本发明实施例还提供一种基于多源数据的高原湖泊提取装置,包括:
数据获取模块,用于获取研究区域的多源数据;其中,所述多源数据包括SAR影像数据、多光谱影像数据和高程数据;
数据融合模块,用于对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;
图斑预测模块,用于通过预先训练的水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;
湖泊区域提取模块,用于根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种基于多源数据的高原湖泊提取方法、装置、设备及介质,首先获取研究区域的多源数据,多源数据包括SAR影像数据、多光谱影像数据和高程数据;然后对SAR影像数据和多光谱影像数据进行融合处理,得到单景多波段影像数据,单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;再通过目标水体分割模型,基于单景多波段影像数据确定研究区域对应的水体预测图斑;最后根据研究区域对应的高程数据和水体预测图斑,从研究区域中提取高原湖泊区域。上述方法适用于多个地区的SAR影像数据、多光谱以及高程数据,SAR影像数据具有全天时、全天候、不受云雾干扰的优点,多光谱具有丰富的波谱信息,可用于区分积雪、非积雪、结冰、非结冰类水体及其他类地物,该方法将SAR影像数据和多光谱影像数据进行融合,并利用深度学习语义分割模型(也即,目标水体分割模型)进行学习和训练,结合高程数据对水体预测图斑进行优化,缓解了高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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一种基于多源数据的高原湖泊提取方法的流程示意图;
图2为本发明实施例提供的另一种基于多源数据的高原湖泊提取方法的流程示意图;
图3为本发明实施例提供的一种哨兵2号L2A级影像(RGB波段显示)的示意图;
图4为本发明实施例提供的一种哨兵1号处理后VV波段的示意图;
图5为本发明实施例提供的一种融合影像(VV,NIR,R波段显示)的示意图;
图6为本发明实施例提供的一种样本集的示意图;
图7为本发明实施例提供的一种云遮挡下的预测结果的示意图;
图8为本发明实施例提供的一种云遮挡下的预测结果细节展示的示意图;
图9为本发明实施例提供的一种冰雪区的预测结果的示意图;
图10为本发明实施例提供的一种冰雪区的预测结果细节展示的示意图;
图11为本发明实施例提供的一种图斑坡度数据提取流程的示意图;
图12为本发明实施例提供的一种高原湖泊区域的示意图;
图13为本发明实施例提供的一种基于多源数据的高原湖泊提取装置的结构示意图;
图14为本发明实施例提供的一种电子设备置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前,基于机器学习法的高原湖泊提取方案,大多数基于单一数据源,导致噪声大、易受天气条件干扰,特别是高原湖泊,由于其特殊高海拔的地貌特征和气候条件,会出现雪、冰、水等交融的复杂水体形态以及云遮挡,现有的方法难于解决应对这种情况,基于此,本发明实施提供了一种基于多源数据的高原湖泊提取方法、装置、设备及介质,以缓解高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于多源数据的高原湖泊提取方法进行详细介绍,参见图1所示的一种基于多源数据的高原湖泊提取方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取研究区域的多源数据。其中,多源数据包括SAR(SyntheticAperture Radar,合成孔径雷达)数据、多光谱影像数据和高程数据。
步骤S104,对SAR影像数据和多光谱影像数据进行融合处理,得到单景多波段影像数据。其中,单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据。
在一种实施方式中,可以分别对SAR影像数据和多光谱影像数据进行预处理,进而针对预处理后的SAR影像数据和多光谱影像数据进行坐标转换处理、重采样处理、影像相交提取处理、位深转换处理和融合处理,以得到单景多波段影像数据。
步骤S106,通过目标水体分割模型,基于单景多波段影像数据确定研究区域对应的水体预测图斑。其中,目标水体分割模型采用MS-SegFormer语义分割模型,MS-SegFormer语义分割模型的输入端包括R波段输入端、G波段输入端、B波段输入端、NIR波段输入端和VV波段输入端。
在一种实施方式中,本申请针对MS-SegFormer语义分割模型的改进主要体现在:通过修改和添加MS-SegFormer语义分割模型在读取影像时的参数,将该MS-SegFormer语义分割模型由三波段适配到单景多波段影像数据。具体的,将R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据输入至目标水体分割模型,目标水体分割模型将输出水体预测图斑,水体预测图斑包括多个子图斑,每个子图斑用于表征研究区域内存在的一个湖泊区域。
步骤S108,根据研究区域对应的高程数据和水体预测图斑,从研究区域中提取高原湖泊区域。其中,高程数据也即DEM(Digital Elevation Model,数字高程模型)数据。
在一种实施方式中,在对单景多波段影像数据进行预测后,水体预测图斑中可能存在噪声,因此需对水体预测图斑进行后处理,包括小面积噪声去除、利用DEM数据计算坡度数据筛选子图斑,从而得到研究区域内包含的高原湖泊区域。
本发明实施例提供的基于多源数据的高原湖泊提取方法,适用于多个地区的SAR影像数据、多光谱以及高程数据,SAR影像数据具有全天时、全天候、不受云雾干扰的优点,多光谱具有丰富的波谱信息,可用于区分积雪、非积雪、结冰、非结冰类水体及其他类地物,该方法将SAR影像数据和多光谱影像数据进行融合,并利用深度学习语义分割模型(也即,目标水体分割模型)进行学习和训练,结合高程数据对水体预测图斑进行优化,缓解了高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
为便于理解,本发明实施例提供了一种基于多源数据的高原湖泊提取方法的具体实施方式。
在步骤S102之后,需要对SAR影像数据和多光谱影像数据进行预处理,具体的,对多光谱影像数据进行几何精校正、辐射标定和大气校正等预处理,对SAR影像数据进行影像范围裁切、辐射矫正、滤波、地形校正、转后向散射系数等预处理。
对于前述步骤S104,本发明实施例提供了一种对SAR影像数据和多光谱影像数据进行融合处理,得到单景多波段影像数据的实施方式。经过预处理的SAR后向散射强度数据(也即,前述SAR影像数据)和多光谱大气底层反射率数据(也即,前述多光谱影像数据),需要进一步处理,使得不同源的数据可以进行融合,同时也使数据更符合深度学习模型的输入要求,其中包括坐标系转换、重采样、影像相交提取、位深转换、数据融合。
具体的,参见如下步骤A1至步骤A5:
步骤A1,将SAR影像数据和多光谱影像数据转换至同一坐标系下。在实际应用中,可以在坐标系不一致的情况,对SAR影像数据和多光谱影像数据进行坐标系转换,以使SAR影像数据和多光谱影像数据处于同一坐标系。
步骤A2,对转换后的SAR影像数据和多光谱影像数据进行重采样处理,以使SAR影像数据和多光谱影像数据的分辨率统一。
在实际应用中,如果SAR影像数据和多光谱影像数据的数据分辨率不一致,则需要对SAR影像数据和多光谱影像数据进行重采样,使分辨率统一,处理方式如下:
获取SAR影像数据和多光谱影像数据的分辨率,即单个像元对应的实际地物长度,分别记为、/>,计算重采样倍率/>:
;
如果,则对多光谱影像数据进行重采样,反之如果,则对SAR影像数据进行重采样。
以重采样SAR影像数据为例,原始SAR影像数据的栅格行数为,列数数为/>,重采样计算新影像行列栅格数/>和/>公式为:
、/>。
步骤A3,对重采样处理后的SAR影像数据和多光谱影像数据进行影像相交提取处理,以保留SAR影像数据与多光谱影像数据之间相交区域内的有值像素。
在实际应用中,判断SAR影像数据和多光谱影像数据相交区域并提取该相交区域,通过逐个对比相交区域内的像元值,如果两景影像的同位置像元有一个为无值像元,则对这两景影像该像元都赋于无值属性,只保留同位置像元均为有值的部分。
步骤A4,对影像相交提取处理后的SAR影像数据和多光谱影像数据进行位深转换处理,以使SAR影像数据与多光谱影像数据的位深统一。
在实际应用中,SAR影像数据和多光谱影像数据在预处理之后,像元位深可能并不相同,并且不一定符合深度学习的模型输入要求,所以需要对SAR影像数据和多光谱影像数据统一进行位深转换,使其转换为8位深影像数据,本发明实施例采用线性拉伸方式,将每个波段中分布在[,/>]的像元,进行归一化,然后统一线性拉伸到[,/>]中,公式为:
;
式中,为波段中的每个像元;当/>、/>为波段像元统计的最小值、最大值时,即为最值拉伸;当/>、/>为像元直方图累计百分位置的像元值时,即为百分位拉伸,如2%、98%;/>、/>为拉伸输出的像元值范围,当为0、255时,即为8位深输出,/>为拉伸输出结果。
步骤A5,从位深转换处理后的SAR影像数据中提取VV波段影像数据,并将VV波段影像数据与位深转换处理后的多光谱影像数据进行融合处理,得到单景多波段影像数据。
在实际应用中,提取SAR影像数据的VV波段,与多光谱影像数据进行波段合并,融合为单景多波段影像数据,该单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据。
对于前述步骤S106,本发明实施例首先对MS-SegFormer语义分割模型进行介绍。在面向遥感影像的常用深度学习模型中,根据影像分析任务的不同,可以分为目标识别、语义分割两个大类。相较于目标识别任务以矩形标框的形式,对地物进行定位和分类,语义分割任务更注重像素级的分割和类别标记,从而实现精准检测边缘的目的。
本发明实施例基于语义分割模型,具体利用SegFormer语义分割模型进行融合数据的深度学习网络框架构建(Multispectral and SAR-SegFormer,MS-SegFormer)。其中模型主要包括分层Transformer编码器模块和轻量级多层感知器(All-multilayerperceptron,All-MLP)解码模块,用来生成最终语义分割掩码,改进方法是通过修改和添加模型在读取影像时的参数,将该模型由三波段适配到融合数据。具体的:
(一)分层Transformer编码器模块:
该模块可以将给定分辨率的图像,如输入分辨率的图像,输出分辨率为/>的分层特征图/>,/>,/>为对应特征图的通道维度数,分层特征图包含了不同分辨率下的粗细特征。
编码器的一个重要组成部分是自注意力层,在原始的多头部自注意的过程中,每个头部、/>、/>具有相同的维度/>,其中/>为序列的长度,则自注意力的估计值为:
;
其计算复杂度为,为了降低高分辨率下自注意估计的计算复杂度,模型通过使用缩减比/>来缩减序列长度,公式如下:
;
;
其中,为待缩减的序列,/>是将/>重塑为形状为的序列,/>是将一个/>维的张量作为输入并输出一个维张量的线性层,新的/>维数为/>,从而将自注意力机制的复杂度降低至/>。
模型通过在前馈网络(Feed-Forward Network,FNN)混入的卷积和MLP组成Mix-FNN模块,来为Transformer提供位置信息,以此来解决测试分辨率和训练分辨率不一致时,使用位置码插值导致精度下降的问题,同时可以减少参数数量、提高模型效率,Mix-FNN可以定义为:
;
式中,是来自自注意模块的特征,/>为基于高斯误差的激活函数。
(二)轻量All-MLP解码器:
模型集成了一个由MLP(Multilayer Perceptron,多层感知机)组成的轻量级解码器,来处理通过Transformer编码器输出的不同分辨率下的特征图以及获得最终分割掩码,主要包括四个过程:1)通过MLP层来对Transformer编码器输出的不同分辨率特征图的通道维度进行统一;2)对1)中处理后的特征图进行上采样到原始尺寸的4分之1,并拼接在一起;3)利用MLP层对拼接特征图进行融合;4)通过另一个MLP层利用3)中输出的融合特征图来预测最终的分割掩码,上述过程可以表示为:
;
;
;
;
式中,为不同分辨率下的多层特征图,/>为特征图统一后的通道维度数,/>为通道维度统一后的特征图,/>为上采样后的特征图,/>为拼接并融合后的特征图,/>为输出类别,/>为最终分割掩码。
在上述实施例提供的模型的基础上,本发明实施例提供了一种构造MS-SegFormer语义分割模型的实施方式,参见如下步骤B1至步骤B3:
步骤B1,获取预训练权重文件。其中,预训练权重文件包括R波段权重、G波段权重和B波段权重。
步骤B2,对预训练权重文件中R波段权重、G波段权重和B波段权重的顺序进行调整,以使调整后预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致。
本发明实施例通过修改和添加模型在读取影像时的参数,将该模型由三波段适配到融合数据,具体的:
在一例中,在载入预训练权重文件时,调整预训练波段权重的顺序,以对应多源融合数据中的前三个波段,避免权重波段与实际数据波段的顺序出现差异,以便让模型更快收敛。
在一例中,修改模型输入数据的波段参数,增加NIR波段、VV波段的参数权重,以容纳多源融合数据中NIR、VV的波段信息;在图像标准化时,增加对NIR波段和VV波段的标准化参数的个数,使NIR波段、VV波段也进行标准化。
通过以上模型修改来构建适应多源融合数据的深度学习框架,从而使模型在NIR波段和VV波段学习更多水体与非水体特征,充分发挥多源融合数据的信息优势,以检测复杂形态水体和复杂天气下的水体。
步骤B3,基于调整后预训练权重文件和多源融合训练数据,对MS-SegFormer语义分割模型进行训练,得到目标水体分割模型。
在一种实施方式中,MS-SegFormer语义分割模型训练的样本需要包含多个类型的湖泊水体特征,如浅水区、深水区、无冰雪区、冰雪区、云遮挡等情况,多样性的样本可以使MS-SegFormer语义分割模型学到更多的水体信息,提高MS-SegFormer语义分割模型对于复杂水体的检测能力。MS-SegFormer语义分割模型在训练的过程中,输入的水体样本会经过MS-SegFormer语义分割模型的各个层,生成一个与输入图像尺寸一致的像素级分割结果,并通过损失函数计算结果与真值之间产生的损失值,后续利用反向传播来修改和更新权重参数。在该过程中,可以对batch_size、learn_rate等训练参数进行调整,以获得最佳权重文件。
在前述实施例的基础上,本发明实施例提供了一种通过目标水体分割模型,基于单景多波段影像数据确定研究区域对应的水体预测图斑的实施方式,参见如下步骤C1至步骤C4:
步骤C1,将单景多波段影像数据进行切片处理得到多个影像切片数据。在一种实施方式中,在目标水体分割模型进行预测前,首先将待预测的单景多波段影像数据进行切片,使其尺寸符合目标水体分割模型的输入。
步骤C2,通过目标水体分割模型,确定每个影像切片数据对应的水体分割结果。在一种实施方式中,在目标水体分割模型预测时,会先加载上述训练权重文件,影像切片数据会通过目标水体分割模型的各个层,进行逐步的计算、变换,得到一个与输入的影像切片数据的尺寸一致的水体分割结果。
步骤C3,对每个水体分割结果进行拼接处理,得到与单景多波段影像数据尺寸一致的语义分割掩码。在一种实施方式中,将预测后的水体分割结果进行拼接,得到与单景多波段影像数据尺寸相同的语义分割掩码。
步骤C4,对语义分割掩码进行矢量化,得到研究区域对应的水体预测图斑。在一种实施方式中,对语义分割掩码进行矢量化得到水体预测图斑。
对于前述步骤S108,本发明实施例提供了一种根据研究区域对应的高程数据和水体预测图斑,从研究区域中提取高原湖泊区域的实施方式,在对单景多波段影像数据进行预测后,水体预测图斑中可能存在噪声,需对结果进行后处理,包括小面积噪声去除以及利用DEM计算坡度数据筛选图斑。具体包括如下步骤D1至步骤D2:
步骤D1,对水体预测图斑进行去噪处理得到目标水体预测图斑。在水体预测图斑中,可能存在面积过小的像素级的子图斑,该类子图斑属于噪声图斑,并且影响后续的图斑筛选速度,所以需要提前进行删除,具体参见如下步骤D1-1至步骤D1-3:
步骤D1-1,遍历水体预测图斑中每个子图斑,得到每个子图斑对应的要素几何。在一种实施方式中,遍历图斑矢量文件(也即,前述水体预测图斑)中的每个要素(也即,前述子图斑),进而获得要素几何。
步骤D1-2,如果水体预测图斑采用非投影坐标系,则将每个子图斑对应的要素几何转换至投影坐标系下,得到每个子图斑对应的几何面积。在一种实施方式中,如果图斑矢量文件是非投影坐标系,还需将要素几何转换到投影坐标系,然后计算每个子图斑对应的几何面积。
步骤D1-3,对于每个子图斑,如果该子图斑对应的几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑。在一种实施方式中,通过设置面积阈值,过滤面积过小的子图斑,从而剔除噪声图斑之后的目标水体预测图斑。
步骤D2,根据研究区域对应的高程数据和预设坡度阈值,对目标水体预测图斑进行筛选得到高原湖泊区域。同一个湖泊在DEM上的值相对一致,但不同的湖泊在不同的海拔具有不同的值,所以应该通过计算坡度数据,利用目标水体预测图斑在坡度数据上对应范围内的像元统计值来筛选子图斑,具体参见如下步骤D2-1至步骤D2-5:
步骤D2-1,根据目标水体预测图斑中的每个子图斑对应的范围,对研究区域对应的高程数据进行裁剪,得到每个子图斑对应的高程切片数据。在一种实施方式中,根据图斑矢量文件中的子图斑裁切对应范围的DEM数据,考虑计算坡度时需要对临近像元进行计算,所以在裁切范围的基础上,上下各增加一行像素范围,左右各增加一列像素范围,以得到每个子图斑对应的高程切片数据。
步骤D2-2,确定高程切片数据中每个像元点匹配的临近像元点,并根据临近像元点对应的高程值确定高程切片数据中每个像元点的坡度值,以得到高程切片数据对应的坡度切片数据。在一种实施方式中,对裁切出的DEM切片数据进行坡度计算,像元e的坡度计算公式如下:
像元e在x方向上的变化率为:
;
像元e在y方向上的变化率为:
;
像元e的坡度slopee为:
;
式中,、/>为像元在x和y方向的分辨率,通过遍历DEM切片进行逐像元计算,可以得到对应的坡度切片数据。
步骤D2-3,对目标水体预测图斑进行栅格化处理得到水体掩膜文件,并基于水体掩膜文件从坡度切片数据中,提取每个子图斑中每个像元点的坡度值。在一种实施方式中,以坡度切片数据的空间参考和分辨率为模板,对目标水体预测图斑进行栅格化,以栅格化后的目标水体预测图斑当做水体掩膜文件,来提取图斑范围对应的坡度值。
步骤D2-4,对于每个子图斑,基于预设坡度阈值对该子图斑中每个像元点的坡度值进行统计,确定该子图斑中的目标像元点,如果目标像元点的数量大于预设数量阈值,确定该子图斑属于湖泊图斑。其中,目标像元点为坡度值小于预设坡度阈值的像元点。在一种实施方式中,对每个子图斑中每个像元点的坡度值进行数据统计,如果不符合阈值要求,则删除该子图斑。通过该方式遍历水体预测图斑中的子图斑,来筛选和去除非湖泊图斑,即可得到高原湖泊区域。
步骤D2-5,基于每个湖泊图斑确定研究区域内的高原湖泊区域。
综上所述,本发明实施例适用于国内外的SAR影像数据、多光谱影像数据以及DEM数据。SAR影像数据具有全天时、全天候、不受云雾干扰的优点,多光谱影像数据具有丰富的波谱信息,可用于区分积雪、非积雪、结冰、非结冰类水体及其他类地物。该方法将SAR影像数据和多光谱影像数据进行融合,并利用深度学习语义分割模型进行学习和训练,结合DEM数据对检测图斑进行优化,解决了高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
为便于理解,本发明实施例还提供了一种基于多源数据的高原湖泊提取方法的应用示例,参见图2所示的另一种基于多源数据的高原湖泊提取方法的流程示意图,包括:数据处理、样本集制作、面向融合数据(也即,前述单景多波段影像数据)的深度学习框架构建、语义分割模型训练与预测、预测图斑处理。
基于此,参见本发明实施例提供的具体示例。
(1)数据处理:
本发明实施例选用的多光谱影像数据为哨兵2号L2A级影像,诸如图3所示的一种哨兵2号L2A级影像(RGB波段显示)的示意图,经过了几何精校正、辐射定标和大气校正,分辨率为10米,波段为B、G、R、NIR,数据类型为16位。
本发明实施例选用的SAR影像数据为哨兵1号数据,诸如图4所示的一种哨兵1号处理后VV波段的示意图,数据类型为GRDH,扫描方式为IW,极化方式为VV。哨兵1号影像选择标准为与哨兵2号多光谱影像日期最邻近,并具有完全相交或较大相交区域,对哨兵1号影像进行的处理,包括按照哨兵2号影像范围裁切、辐射矫正、滤波、地形校正、转后向散射系数,同时在地形校正时,设置输出分辨率为10米,与哨兵2号保持一致,最后将哨兵1号数据转换到对应的哨兵2号数据的坐标系下。
在此基础上,对SAR影像数据和多光谱影像数据进行位深转换,其中多光谱进行2-98%拉伸,SAR影像数据拉伸时,、/>参考地物像元分布范围设置为-25和5,输出位深都设置为8位,并将VV波段与多光谱数据进行波段合并,融合数据为B、G、R、NIR、VV波段,诸如图5所示的一种融合影像(VV,NIR,R波段显示)的示意图。
(2)样本集制作:
将影像与标签进行叠加,以256256像素大小的窗口大小进行切片,得到样本集,诸如图6所示的一种样本集的示意图,样本集中的水体类型包含浅水区、深水区、无冰区、结冰区、云遮挡等情况,用以语义分割模型训练与学习复杂水体特征。
(3)面向融合数据的深度学习框架构建:
本发明实施例基于语义分割模型SegFormer来构建MS-SegFormer深度学习框架,通过修改模型的波段输入和标准化参数,来适应融合数据的训练和预测。将样本集输入到MS-SegFormer中,通过多轮次的迭代训练获得最佳训练权重文件。后续,载入该权重文件,对融合数据按照50%的重叠面积,进行256256像素大小的切片,并将切片送入模型进行预测,后续对预测结果进行拼接和矢量化,得到预测结果(也即,前述水体预测图斑)。示例性的,诸如图7所示的一种云遮挡下的预测结果的示意图以及图8所示的一种云遮挡下的预测结果细节展示的示意图,其中,左图中底图为哨兵2号L2A影像,右图中底图为哨兵1号VV波段;或者,诸如图9所示的一种冰雪区的预测结果的示意图以及图10所示的一种冰雪区的预测结果细节展示的示意图。
(4)预测图斑处理:
预测结果存在一些误检的噪声图斑,但研究目标主要为大型湖泊,所以本文设置了100000平方米为面积阈值,对小面积湖泊和噪声进行滤除,并利用DEM计算坡度数据来筛选图斑,其中一个图斑的坡度提取流程如图11所示,图11为一种图斑坡度数据提取流程的示意图,包括:图斑与对应DEM切片、图斑栅格化、DEM切片计算坡度数据、掩膜提取坡度数据。
进一步的,后续统计提取的坡度数据,考虑到湖泊的涨缩,本次设置坡度小于10的像元占比在80%以上,即认为该图斑为湖泊,诸如图12所示的一种高原湖泊区域的示意图。
在前述实施例的基础上,本发明实施例提供了一种基于多源数据的高原湖泊提取装置,参见图13所示的一种基于多源数据的高原湖泊提取装置的结构示意图,该装置主要包括以下部分:
数据获取模块1302,用于获取研究区域的多源数据;其中,多源数据包括SAR影像数据、多光谱影像数据和高程数据;
数据融合模块1304,用于对SAR影像数据和多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;
图斑预测模块1306,用于通过预先训练的水体分割模型,基于单景多波段影像数据确定研究区域对应的水体预测图斑;
湖泊区域提取模块1308,用于根据研究区域对应的高程数据和水体预测图斑,从研究区域中提取高原湖泊区域。
本发明实施例提供的基于多源数据的高原湖泊提取装置,适用于多个地区的SAR影像数据、多光谱以及高程数据,SAR影像数据具有全天时、全天候、不受云雾干扰的优点,多光谱具有丰富的波谱信息,可用于区分积雪、非积雪、结冰、非结冰类水体及其他类地物,该方法将SAR影像数据和多光谱影像数据进行融合,并利用深度学习语义分割模型(也即,目标水体分割模型)进行学习和训练,结合高程数据对水体预测图斑进行优化,缓解了高原湖泊提取精度低、难于应对复杂形态水体等问题,具备全天时全天候监测能力,能够为湖泊监测、生态保护、气候变化研究等领域提供技术支撑。
在一种实施方式中,目标水体分割模型采用MS-SegFormer语义分割模型,MS-SegFormer语义分割模型的输入端包括R波段输入端、G波段输入端、B波段输入端、NIR波段输入端和VV波段输入端,还包括模型训练模块,用于:
获取预训练权重文件;其中,预训练权重文件包括R波段权重、G波段权重和B波段权重;
对预训练权重文件中R波段权重、G波段权重和B波段权重的顺序进行调整,以使调整后预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;
基于调整后预训练权重文件和多源融合训练数据,对MS-SegFormer语义分割模型进行训练,得到目标水体分割模型。
在一种实施方式中,图斑预测模块1306还用于:
将单景多波段影像数据进行切片处理得到多个影像切片数据;
通过目标水体分割模型,确定每个影像切片数据对应的水体分割结果;
对每个水体分割结果进行拼接处理,得到与单景多波段影像数据尺寸一致的语义分割掩码;
对语义分割掩码进行矢量化,得到研究区域对应的水体预测图斑。
在一种实施方式中,湖泊区域提取模块1308还用于:
对水体预测图斑进行去噪处理得到目标水体预测图斑;
根据研究区域对应的高程数据和预设坡度阈值,对目标水体预测图斑进行筛选得到高原湖泊区域。
在一种实施方式中,湖泊区域提取模块1308还用于:
遍历水体预测图斑中每个子图斑,得到每个子图斑对应的要素几何;
如果水体预测图斑采用非投影坐标系,则将每个子图斑对应的要素几何转换至投影坐标系下,得到每个子图斑对应的几何面积;
对于每个子图斑,如果该子图斑对应的几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑。
在一种实施方式中,湖泊区域提取模块1308还用于:
根据目标水体预测图斑中的每个子图斑对应的范围,对研究区域对应的高程数据进行裁剪,得到每个子图斑对应的高程切片数据;
确定高程切片数据中每个像元点匹配的临近像元点,并根据临近像元点对应的高程值确定高程切片数据中每个像元点的坡度值,以得到高程切片数据对应的坡度切片数据;
对目标水体预测图斑进行栅格化处理得到水体掩膜文件,并基于水体掩膜文件从坡度切片数据中,提取每个子图斑中每个像元点的坡度值;
对于每个子图斑,基于预设坡度阈值对该子图斑中每个像元点的坡度值进行统计,确定该子图斑中的目标像元点,如果目标像元点的数量大于预设数量阈值,确定该子图斑属于湖泊图斑;其中,目标像元点为坡度值小于预设坡度阈值的像元点;
基于每个湖泊图斑确定研究区域内的高原湖泊区域。
在一种实施方式中,数据融合模块1304还用于:
将SAR影像数据和多光谱影像数据转换至同一坐标系下;
对转换后的SAR影像数据和多光谱影像数据进行重采样处理,以使SAR影像数据和多光谱影像数据的分辨率统一;
对重采样处理后的SAR影像数据和多光谱影像数据进行影像相交提取处理,以保留SAR影像数据与多光谱影像数据之间相交区域内的有值像素;
对影像相交提取处理后的SAR影像数据和多光谱影像数据进行位深转换处理,以使SAR影像数据与多光谱影像数据的位深统一;
从位深转换处理后的SAR影像数据中提取VV波段影像数据,并将VV波段影像数据与位深转换处理后的多光谱影像数据进行融合处理,得到单景多波段影像数据。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图14为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器140,存储器141,总线142和通信接口143,所述处理器140、通信接口143和存储器141通过总线142连接;处理器140用于执行存储器141中存储的可执行模块,例如计算机程序。
其中,存储器141可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口143(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线142可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器141用于存储程序,所述处理器140在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器140中,或者由处理器140实现。
处理器140可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器140中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器140可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器141,处理器140读取存储器141中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种基于多源数据的高原湖泊提取方法,其特征在于,包括:
获取研究区域的多源数据;其中,所述多源数据包括SAR影像数据、多光谱影像数据和高程数据;
对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;
通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;
根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域;
对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据的步骤,包括:
将所述SAR影像数据和所述多光谱影像数据转换至同一坐标系下;
对转换后的所述SAR影像数据和所述多光谱影像数据进行重采样处理,以使所述SAR影像数据和所述多光谱影像数据的分辨率统一;
对重采样处理后的所述SAR影像数据和所述多光谱影像数据进行影像相交提取处理,以保留所述SAR影像数据与所述多光谱影像数据之间相交区域内的有值像素;
对影像相交提取处理后的所述SAR影像数据和所述多光谱影像数据进行位深转换处理,以使所述SAR影像数据与所述多光谱影像数据的位深统一;
从所述位深转换处理后的所述SAR影像数据中提取VV波段影像数据,并将所述VV波段影像数据与所述位深转换处理后的所述多光谱影像数据进行融合处理,得到单景多波段影像数据;
所述目标水体分割模型采用MS-SegFormer语义分割模型,所述MS-SegFormer语义分割模型的输入端包括R波段输入端、G波段输入端、B波段输入端、NIR波段输入端和VV波段输入端,所述方法还包括:
获取预训练权重文件;其中,所述预训练权重文件包括R波段权重、G波段权重和B波段权重;
对所述预训练权重文件中所述R波段权重、所述G波段权重和所述B波段权重的顺序进行调整,以使调整后所述预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;
基于调整后所述预训练权重文件和所述多源融合训练数据,对所述MS-SegFormer语义分割模型进行训练,得到所述目标水体分割模型;
通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑的步骤,包括:
将所述单景多波段影像数据进行切片处理得到多个影像切片数据;
通过所述目标水体分割模型,确定每个所述影像切片数据对应的水体分割结果;
对每个所述水体分割结果进行拼接处理,得到与所述单景多波段影像数据尺寸一致的语义分割掩码;
对所述语义分割掩码进行矢量化,得到所述研究区域对应的水体预测图斑。
2.根据权利要求1所述的基于多源数据的高原湖泊提取方法,其特征在于,根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域的步骤,包括:
对所述水体预测图斑进行去噪处理得到目标水体预测图斑;
根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域。
3.根据权利要求2所述的基于多源数据的高原湖泊提取方法,其特征在于,对所述水体预测图斑进行去噪处理得到目标水体预测图斑的步骤,包括:
遍历所述水体预测图斑中每个子图斑,得到每个所述子图斑对应的要素几何;
如果所述水体预测图斑采用非投影坐标系,则将每个所述子图斑对应的所述要素几何转换至投影坐标系下,得到每个所述子图斑对应的几何面积;
对于每个所述子图斑,如果该子图斑对应的所述几何面积小于预设面积阈值,则将该子图斑剔除,以得到目标水体预测图斑。
4.根据权利要求2所述的基于多源数据的高原湖泊提取方法,其特征在于,根据所述研究区域对应的高程数据和预设坡度阈值,对所述目标水体预测图斑进行筛选得到高原湖泊区域的步骤,包括:
根据所述目标水体预测图斑中的每个子图斑对应的范围,对所述研究区域对应的高程数据进行裁剪,得到每个所述子图斑对应的高程切片数据;
确定所述高程切片数据中每个像元点匹配的临近像元点,并根据所述临近像元点对应的高程值确定所述高程切片数据中每个所述像元点的坡度值,以得到所述高程切片数据对应的坡度切片数据;
对所述目标水体预测图斑进行栅格化处理得到水体掩膜文件,并基于所述水体掩膜文件从所述坡度切片数据中,提取每个所述子图斑中每个所述像元点的坡度值;
对于每个所述子图斑,基于预设坡度阈值对该子图斑中每个所述像元点的坡度值进行统计,确定该子图斑中的目标像元点,如果所述目标像元点的数量大于预设数量阈值,确定该子图斑属于湖泊图斑;其中,所述目标像元点为坡度值小于所述预设坡度阈值的像元点;
基于每个所述湖泊图斑确定所述研究区域内的高原湖泊区域。
5.一种基于多源数据的高原湖泊提取装置,其特征在于,包括:
数据获取模块,用于获取研究区域的多源数据;其中,所述多源数据包括SAR影像数据、多光谱影像数据和高程数据;
数据融合模块,用于对所述SAR影像数据和所述多光谱影像数据进行融合处理,得到单景多波段影像数据;其中,所述单景多波段影像数据包括R波段影像数据、G波段影像数据、B波段影像数据、NIR波段影像数据和VV波段影像数据;
图斑预测模块,用于通过目标水体分割模型,基于所述单景多波段影像数据确定所述研究区域对应的水体预测图斑;
湖泊区域提取模块,用于根据所述研究区域对应的高程数据和所述水体预测图斑,从所述研究区域中提取高原湖泊区域;
数据融合模块还用于:
将所述SAR影像数据和所述多光谱影像数据转换至同一坐标系下;
对转换后的所述SAR影像数据和所述多光谱影像数据进行重采样处理,以使所述SAR影像数据和所述多光谱影像数据的分辨率统一;
对重采样处理后的所述SAR影像数据和所述多光谱影像数据进行影像相交提取处理,以保留所述SAR影像数据与所述多光谱影像数据之间相交区域内的有值像素;
对影像相交提取处理后的所述SAR影像数据和所述多光谱影像数据进行位深转换处理,以使所述SAR影像数据与所述多光谱影像数据的位深统一;
从所述位深转换处理后的所述SAR影像数据中提取VV波段影像数据,并将所述VV波段影像数据与所述位深转换处理后的所述多光谱影像数据进行融合处理,得到单景多波段影像数据;
所述目标水体分割模型采用MS-SegFormer语义分割模型,所述MS-SegFormer语义分割模型的输入端包括R波段输入端、G波段输入端、B波段输入端、NIR波段输入端和VV波段输入端,还包括模型训练模块,用于:
获取预训练权重文件;其中,所述预训练权重文件包括R波段权重、G波段权重和B波段权重;
对所述预训练权重文件中所述R波段权重、所述G波段权重和所述B波段权重的顺序进行调整,以使调整后所述预训练权重文件中的波段顺序与多源融合训练数据中的波段顺序一致;
基于调整后所述预训练权重文件和所述多源融合训练数据,对所述MS-SegFormer语义分割模型进行训练,得到所述目标水体分割模型;
图斑预测模块还用于:
将所述单景多波段影像数据进行切片处理得到多个影像切片数据;
通过所述目标水体分割模型,确定每个所述影像切片数据对应的水体分割结果;
对每个所述水体分割结果进行拼接处理,得到与所述单景多波段影像数据尺寸一致的语义分割掩码;
对所述语义分割掩码进行矢量化,得到所述研究区域对应的水体预测图斑。
6.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的方法。
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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338177.8A CN117115666B (zh) | 2023-10-17 | 2023-10-17 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338177.8A CN117115666B (zh) | 2023-10-17 | 2023-10-17 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115666A CN117115666A (zh) | 2023-11-24 |
CN117115666B true CN117115666B (zh) | 2024-02-13 |
Family
ID=88800370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338177.8A Active CN117115666B (zh) | 2023-10-17 | 2023-10-17 | 基于多源数据的高原湖泊提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115666B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118050329A (zh) * | 2024-04-15 | 2024-05-17 | 北京四象爱数科技有限公司 | 一种基于国控断面和哨兵影像的流域水质反演方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686653A (zh) * | 2019-09-23 | 2020-01-14 | 北京四象爱数科技有限公司 | 无地面水文数据支持的水库蓄水变化量遥感监测方法 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN116012723A (zh) * | 2022-12-08 | 2023-04-25 | 北京师范大学 | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 |
-
2023
- 2023-10-17 CN CN202311338177.8A patent/CN117115666B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686653A (zh) * | 2019-09-23 | 2020-01-14 | 北京四象爱数科技有限公司 | 无地面水文数据支持的水库蓄水变化量遥感监测方法 |
WO2022252799A1 (zh) * | 2021-06-04 | 2022-12-08 | 成都数之联科技股份有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN113484245A (zh) * | 2021-07-05 | 2021-10-08 | 重庆市规划和自然资源调查监测院 | 一种丘陵山区水田种植模式遥感快速监测方法、系统及计算机可读存储介质 |
CN116012723A (zh) * | 2022-12-08 | 2023-04-25 | 北京师范大学 | 基于时序遥感影像的湿地类型提取方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
基于多源数据的云贵高原湖泊水体提取方法对比研究;肖茜 等;云南师范大学学报(自然科学版)(第02期);第73-78页 * |
多层级图像融合算法用于水体探测的比较;楼临江 等;遥感信息(第06期);第90-95页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115666A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulkarni et al. | Pixel level fusion techniques for SAR and optical images: A review | |
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 | |
EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
US11227367B2 (en) | Image processing device, image processing method and storage medium | |
CN117115666B (zh) | 基于多源数据的高原湖泊提取方法、装置、设备及介质 | |
CN116091497B (zh) | 遥感变化检测方法、装置、电子设备和存储介质 | |
Mohajerani et al. | Cloud and cloud shadow segmentation for remote sensing imagery via filtered jaccard loss function and parametric augmentation | |
Solanky et al. | Pixel-level image fusion techniques in remote sensing: a review | |
CN117079117B (zh) | 水下图像处理及目标识别的方法及装置、存储介质及电子设备 | |
CN114066755A (zh) | 一种基于全波段特征融合的遥感影像薄云去除方法及系统 | |
CN114092794A (zh) | 一种海冰图像分类方法、系统、介质、设备及处理终端 | |
Chen et al. | Scene segmentation of remotely sensed images with data augmentation using U-net++ | |
CN117237256A (zh) | 一种浅海珊瑚礁监测数据采集方法、装置及设备 | |
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 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Angelini et al. | A review and test of shoreline extraction techniques | |
Fan et al. | Image defogging approach based on incident light frequency | |
Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement | |
CN114708514B (zh) | 一种基于深度学习的森林砍伐变化的检测方法及装置 | |
Suchitha et al. | High spatial resolution hyperspectral image using fusion technique | |
CN117148350B (zh) | 基于sar图像的地表温度空间降尺度方法、装置及设备 | |
CN117292281B (zh) | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 | |
Shit et al. | Review and evaluation of recent advancements in image dehazing techniques for vision improvement and visualization | |
Zhang et al. | Segmentation of typhoon cloud image by combining a discrete stationary wavelet transform with a continuous wavelet transform | |
CN117593534A (zh) | 水边线人工智能集成提取方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |