CN117392539B - 一种基于深度学习的河流水体识别方法、电子设备及存储介质 - Google Patents
一种基于深度学习的河流水体识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117392539B CN117392539B CN202311327240.8A CN202311327240A CN117392539B CN 117392539 B CN117392539 B CN 117392539B CN 202311327240 A CN202311327240 A CN 202311327240A CN 117392539 B CN117392539 B CN 117392539B
- Authority
- CN
- China
- Prior art keywords
- water body
- image data
- remote sensing
- layer
- deep learning
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012937 correction Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims 1
- 230000009471 action Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004083 survival effect Effects 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Processing (AREA)
Abstract
一种基于深度学习的河流水体识别方法、电子设备及存储介质，属于水文信息提取技术领域。为提高城市河流小尺度环境识别精度，本发明采集河流所在目标区域的遥感影像数据，利用具有图像采集装置和卫星定位装置的无人机采集河流所在目标区域的水体图像数据；对采集的遥感影像数据、水体图像数据进行预处理，然后按照所在目标区域的坐标进行匹配，构建遥感影像训练集和遥感影像测试集，水体图像训练集和水体图像测试集；构建基于深度学习的河流水体识别模型；将得到的训练集中的数据输入到步骤S4构建的基于深度学习的河流水体识别模型中进行模型训练，然后对训练好的基于深度学习的河流水体识别模型进行测试，得到基于深度学习的河流水体识别结果。
Description
技术领域
本发明属于水文信息提取技术领域，具体涉及一种基于深度学习的河流水体识别方法、电子设备及存储介质。
背景技术
河流作为重要的资源和载体，是生态系统的绿色生命线，关系到人类的生存和发展。然而，河流水环境极易受到污染，特别是城市河道，随着现代城市的飞速发展与扩张，人口密度增加，给城市河流水环境带来了挑战。
随着新的卫星传感器不断升空,时间分辨率和空间分辨率不断提高,水质遥感监测从定性发展到定量,但是利用卫星遥感技术对水质监测的研究主要集中在区域跨度较大的研究对象上，例如大型湖泊水库和河口海岸的监测，对小尺度和微型态环境问题研究相对较少。
发明内容
本发明要解决的问题是提高城市河流小尺度环境识别精度，提出一种基于深度学习的河流水体识别方法、电子设备及存储介质。
为实现上述目的，本发明通过以下技术方案实现：
一种基于深度学习的河流水体识别方法，包括如下步骤：
S1、采集河流所在目标区域的遥感影像数据，利用安装有图像采集装置和卫星定位装置的无人机，采集河流所在目标区域的水体图像数据；
S2、对步骤S1采集的遥感影像数据、水体图像数据进行预处理；
S3、将步骤S2预处理后的遥感影像数据、水体图像数据，按照所在目标区域的坐标进行匹配，构建遥感影像训练集和遥感影像测试集，水体图像训练集和水体图像测试集；
S4、构建基于深度学习的河流水体识别模型；
S5、将步骤S3得到的训练集中的数据输入到步骤S4构建的基于深度学习的河流水体识别模型中进行模型训练，然后对训练好的基于深度学习的河流水体识别模型进行测试，得到基于深度学习的河流水体识别结果。
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、对步骤S1采集的遥感影像数据进行预处理；
S2.1.1、设置步骤S1采集的在坐标点(x,y)的遥感影像数据为ri(x,y)，对步骤S1采集的遥感影像数据进行大气校正处理，计算表达式为：
ricorr(x,y)＝ri(x,y)-P(x,y)×Atm(x,y)
其中，ricorr(x,y)为大气校正处理后的遥感影像数据，P(x,y)为大气光谱特性参数在坐标点(x,y)的值，Atm(x,y)为大气对遥感影像数据的影响函数；
S2.1.2、对步骤S2.1.1经过大气校正处理后的遥感影像数据进行图像分割，分割成尺寸均为h×w的区域遥感图像数据，其中，h为图像的高，w为图像的宽，rih×w(xi,yi)为第i个区域遥感图像数据，得到处理后的遥感图像数据集RIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过大气校正处理后的遥感影像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过大气校正处理后的遥感影像数据切割块按照时间顺序进行排序，得到处理后的遥感图像数据集RIh×w(x,y)；
S2.2、对步骤S1采集的水体图像数据进行预处理；
S2.2.1、设置步骤S1采集的在坐标点(x,y)的水体图像数据为uavi(x,y)，对步骤S1采集的水体图像数据进行形状校正处理，计算表达式为：
uavicorr(x,y)＝uavi(x,y)×(1+ε1×r2+ε2×r4)
其中，uavicorr(x,y)为形状校正处理后的水体图像数据，ε1、ε2、ε3为相机镜头的变形修正计算系数，r为相机镜头的光心周围距离；
S2.2.2、对步骤S2.2.1经过形状校正处理后的水体图像数据进行图像分割，分割成尺寸均为h×w的区域水体图像数据，其中，h为图像的高，w为图像的宽，uavih×w(xi,yi)为第i个区域水体图像数据，得到处理后的区域水体图像数据集UACVIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过形状校正处理后的水体图像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过形状校正处理后的水体图像数据切割块按照时间顺序进行排序，得到处理后的区域水体图像数据集UACVIh×w(x,y)。
进一步的，步骤S3中所述训练集中的数据占总数据的80％，测试集中的数据占总数据的20％。
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、构建残差神经网络，所述残差神经网络的第一级卷积层采用4个3*3卷积核级包括conv0_1、conv0_2、conv0_3、conv0_4，用于分别提取遥感影像数据、水体图像数据的初始特征图数据；
S4.2、将步骤S4.1输出的遥感影像数据、水体图像数据初始特征图数据分别输入到多层感知机神经网络中进行特征提取，多层感知机神经网络由输入层、隐藏层和输出层组成，将步骤S4.1得到的初始特征图数据在输入层首先与权重矩阵相乘，然后加上偏置项，然后通过Relu激活函数进行非线性变换，得到该层的输出，该层的输出又作为下一层的输入，重复上述过程，直到输出层输出遥感影像数据、水体图像数据的多层感知机神经网络特征图；
多层感知机神经网络通过前向传播计算输出层的输出，前向传播的计算表达式为：
a(l)＝f(w(l)a(l-1)+b(l))
其中，a(l)为第l层的输出，w(l)为第l层的权重矩阵，b(l)为第l层的偏置项，f为激活函数；
设置C为损失函数，所述多层感知机神经网络通过反向传播算法计算损失函数对权重和偏置的偏导数z(l)，计算表达式为：
并利用梯度下降法对权重和偏置进行更新最小化损失函数，损失函数对第l层参数的梯度的计算表达式为：
其中，为第l层输出对第l层权重矩阵的梯度；
S4.3、然后将步骤S4.2得到的遥感影像数据、水体图像数据的多层感知机神经网络特征图输入特征聚合模块进行特征融合，然后进行拼接处理，输出深度学习的河流水体识别结果；所述特征融合的计算表达式为：
其中，MaxPoolt为在时间维度上的最大值池化，AvgPoolt为在时间维度上的均值池化，Iri为遥感影像多层感知机神经网络特征图，Iuavi为水体图像多层感知机神经网络特征图，B为BatchNorm层，R为ReLU层，为卷积核为3×3×3的3D卷积核，I为特征融合后的特征图。
进一步的，步骤S5进行模型训练的评估指标为MAE评估指标，MAE计算估计值与真实值之差的绝对值的平均值，其计算公式为：
其中，n为样本数量，yi为第i个样本的真实值，为第i个样本的估计值。
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种基于深度学习的河流水体识别方法的步骤。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于深度学习的河流水体识别方法。
本发明的有益效果：
本发明所述的一种基于深度学习的河流水体识别方法，基于遥感影像数据和无人机采集的图像相融合，与普通的遥感影像相比，融合后的图像特征具有更高的分辨率,再结合深度学习方法,能够识别河流小尺度环境。
本发明所述的一种基于深度学习的河流水体识别方法，与现有技术相比，构建基于深度学习的河流水体识别模型利用深度学习方法,不需要人为设置阈值，加快处理速度，实现准确识别河流。
附图说明
图1为本发明所述的一种基于深度学习的河流水体识别方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。
因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1详细说明如下：
具体实施方式一：
一种基于深度学习的河流水体识别方法，包括如下步骤：
S1、采集河流所在目标区域的遥感影像数据，利用安装有图像采集装置和卫星定位装置的无人机，采集河流所在目标区域的水体图像数据；
S2、对步骤S1采集的遥感影像数据、水体图像数据进行预处理；
进一步的，步骤S2的具体实现方法包括如下步骤：
S2.1、对步骤S1采集的遥感影像数据进行预处理；
S2.1.1、设置步骤S1采集的在坐标点(x,y)的遥感影像数据为ri(x,y)，对步骤S1采集的遥感影像数据进行大气校正处理，计算表达式为：
ricorr(x,y)＝ri(x,y)-P(x,y)×Atm(x,y)
其中，ricorr(x,y)为大气校正处理后的遥感影像数据，P(x,y)为大气光谱特性参数在坐标点(x,y)的值，Atm(x,y)为大气对遥感影像数据的影响函数；
S2.1.2、对步骤S2.1.1经过大气校正处理后的遥感影像数据进行图像分割，分割成尺寸均为h×w的区域遥感图像数据，其中，h为图像的高，w为图像的宽，rih×w(xi,yi)为第i个区域遥感图像数据，得到处理后的遥感图像数据集RIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过大气校正处理后的遥感影像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过大气校正处理后的遥感影像数据切割块按照时间顺序进行排序，得到处理后的遥感图像数据集RIh×w(x,y)；
S2.2、对步骤S1采集的水体图像数据进行预处理；
S2.2.1、设置步骤S1采集的在坐标点(x,y)的水体图像数据为uavi(x,y)，对步骤S1采集的水体图像数据进行形状校正处理，计算表达式为：
uavicorr(x,y)＝uavi(x,y)×(1+ε1×r2+ε2×r4)
其中，uavicorr(x,y)为形状校正处理后的水体图像数据，ε1、ε2、ε3为相机镜头的变形修正计算系数，r为相机镜头的光心周围距离；
S2.2.2、对步骤S2.2.1经过形状校正处理后的水体图像数据进行图像分割，分割成尺寸均为h×w的区域水体图像数据，其中，h为图像的高，w为图像的宽，uavih×w(xi,yi)为第i个区域水体图像数据，得到处理后的区域水体图像数据集UACVIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过形状校正处理后的水体图像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过形状校正处理后的水体图像数据切割块按照时间顺序进行排序，得到处理后的区域水体图像数据集UACVIh×w(x,y)；
S3、将步骤S2预处理后的遥感影像数据、水体图像数据，按照所在目标区域的坐标进行匹配，构建遥感影像训练集和遥感影像测试集，水体图像训练集和水体图像测试集；
进一步的，步骤S3中所述训练集中的数据占总数据的80％，测试集中的数据占总数据的20％；
S4、构建基于深度学习的河流水体识别模型；
进一步的，步骤S4的具体实现方法包括如下步骤：
S4.1、构建残差神经网络，所述残差神经网络的第一级卷积层采用4个3*3卷积核级包括conv0_1、conv0_2、conv0_3、conv0_4，用于分别提取遥感影像数据、水体图像数据的初始特征图数据；
S4.2、将步骤S4.1输出的遥感影像数据、水体图像数据初始特征图数据分别输入到多层感知机神经网络中进行特征提取，多层感知机神经网络由输入层、隐藏层和输出层组成，将步骤S4.1得到的初始特征图数据在输入层首先与权重矩阵相乘，然后加上偏置项，然后通过Relu激活函数进行非线性变换，得到该层的输出，该层的输出又作为下一层的输入，重复上述过程，直到输出层输出遥感影像数据、水体图像数据的多层感知机神经网络特征图；
多层感知机神经网络通过前向传播计算输出层的输出，前向传播的计算表达式为：
a(l)＝f(w(l)a(l-1)+b(l))
其中，a(l)为第l层的输出，w(l)为第l层的权重矩阵，b(l)为第l层的偏置项，f为激活函数；
设置C为损失函数，所述多层感知机神经网络通过反向传播算法计算损失函数对权重和偏置的偏导数z(l)，计算表达式为：
并利用梯度下降法对权重和偏置进行更新最小化损失函数，损失函数对第l层参数的梯度的计算表达式为：
其中，为第l层输出对第l层权重矩阵的梯度；
S4.3、然后将步骤S4.2得到的遥感影像数据、水体图像数据的多层感知机神经网络特征图输入特征聚合模块进行特征融合，然后进行拼接处理，输出深度学习的河流水体识别结果；所述特征融合的计算表达式为：
其中，MaxPoolt为在时间维度上的最大值池化，AvgPoolt为在时间维度上的均值池化，Iri为遥感影像多层感知机神经网络特征图，Iuavi为水体图像多层感知机神经网络特征图，B为BatchNorm层，R为ReLU层，为卷积核为3×3×3的3D卷积核，I为特征融合后的特征图；
S5、将步骤S3得到的训练集中的数据输入到步骤S4构建的基于深度学习的河流水体识别模型中进行模型训练，然后对训练好的基于深度学习的河流水体识别模型进行测试，得到基于深度学习的河流水体识别结果；
进一步的，步骤S5进行模型训练的评估指标为MAE评估指标，MAE计算估计值与真实值之差的绝对值的平均值，其计算公式为：
其中，n为样本数量，yi为第i个样本的真实值，为第i个样本的估计值。
具体实施方式二：
电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种基于深度学习的河流水体识别方法的步骤。
本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种基于深度学习的河流水体识别方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具体实施方式三：
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于深度学习的河流水体识别方法。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种基于深度学习的河流水体识别方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (6)
1.一种基于深度学习的河流水体识别方法，其特征在于，包括如下步骤：
S1、采集河流所在目标区域的遥感影像数据，利用安装有图像采集装置和卫星定位装置的无人机，采集河流所在目标区域的水体图像数据；
S2、对步骤S1采集的遥感影像数据、水体图像数据进行预处理；
步骤S2的具体实现方法包括如下步骤：
S2.1、对步骤S1采集的遥感影像数据进行预处理；
S2.1.1、设置步骤S1采集的在坐标点(x,y)的遥感影像数据为ri(x,y)，对步骤S1采集的遥感影像数据进行大气校正处理，计算表达式为：
ricorr(x,y)＝ri(x,y)-P(x,y)×Atm(x,y)
其中，ricorr(x,y)为大气校正处理后的遥感影像数据，P(x,y)为大气光谱特性参数在坐标点(x,y)的值，Atm(x,y)为大气对遥感影像数据的影响函数；
S2.1.2、对步骤S2.1.1经过大气校正处理后的遥感影像数据进行图像分割，分割成尺寸均为h×w的区域遥感图像数据，其中，h为图像的高，w为图像的宽，rih×w(xi,yi)为第i个区域遥感图像数据，得到处理后的遥感图像数据集RIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过大气校正处理后的遥感影像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过大气校正处理后的遥感影像数据切割块按照时间顺序进行排序，得到处理后的遥感图像数据集RIh×w(x,y)；
S2.2、对步骤S1采集的水体图像数据进行预处理；
S2.2.1、设置步骤S1采集的在坐标点(x,y)的水体图像数据为uavi(x,y)，对步骤S1采集的水体图像数据进行形状校正处理，计算表达式为：
uavicorr(x,y)＝uavi(x,y)×(1+ε1×r2+ε2×r4)
其中，uavicorr(x,y)为形状校正处理后的水体图像数据，ε1、ε2为相机镜头的变形修正计算系数，r为相机镜头的光心周围距离；
S2.2.2、对步骤S2.2.1经过形状校正处理后的水体图像数据进行图像分割，分割成尺寸均为h×w的区域水体图像数据，其中，h为图像的高，w为图像的宽，uavih×w(xi,yi)为第i个区域水体图像数据，得到处理后的区域水体图像数据集UACVIh×w(x,y)；
设置分割图像的矩阵为0矩阵，尺寸为h×w，h为图像的高，w为图像的宽；设置滑动窗口的尺寸为0矩阵的尺寸；控制滑动窗口在经过形状校正处理后的水体图像数据上滑动，在窗口内的图像区域被复制给0矩阵并保存，保存时生成对应的区域标记；通过Timsort算法将经过形状校正处理后的水体图像数据切割块按照时间顺序进行排序，得到处理后的区域水体图像数据集UACVIh×w(x,y)；
S3、将步骤S2预处理后的遥感影像数据、水体图像数据，按照所在目标区域的坐标进行匹配，构建遥感影像训练集和遥感影像测试集，水体图像训练集和水体图像测试集；
S4、构建基于深度学习的河流水体识别模型；
S5、将步骤S3得到的训练集中的数据输入到步骤S4构建的基于深度学习的河流水体识别模型中进行模型训练，然后对训练好的基于深度学习的河流水体识别模型进行测试，得到基于深度学习的河流水体识别结果。
2.根据权利要求1中所述的一种基于深度学习的河流水体识别方法，其特征在于，步骤S3中所述训练集中的数据占总数据的80％，测试集中的数据占总数据的20％。
3.根据权利要求2中所述的一种基于深度学习的河流水体识别方法，其特征在于，步骤S4的具体实现方法包括如下步骤：
S4.1、构建残差神经网络，所述残差神经网络的第一级卷积层采用4个3*3卷积核级包括conv0_1、conv0_2、conv0_3、conv0_4，用于分别提取遥感影像数据、水体图像数据的初始特征图数据；
S4.2、将步骤S4.1输出的遥感影像数据、水体图像数据初始特征图数据分别输入到多层感知机神经网络中进行特征提取，多层感知机神经网络由输入层、隐藏层和输出层组成，将步骤S4.1得到的初始特征图数据在输入层首先与权重矩阵相乘，然后加上偏置项，然后通过Relu激活函数进行非线性变换，得到该层的输出，该层的输出又作为下一层的输入，重复上述过程，直到输出层输出遥感影像数据、水体图像数据的多层感知机神经网络特征图；
多层感知机神经网络通过前向传播计算输出层的输出，前向传播的计算表达式为：
a(l)＝f(w(l)a(l-1)+b(l))
其中，a(l)为第l层的输出，w(l)为第l层的权重矩阵，b(l)为第l层的偏置项，f为激活函数；
设置C为损失函数，所述多层感知机神经网络通过反向传播算法计算损失函数对权重和偏置的偏导数z(l)，计算表达式为：
并利用梯度下降法对权重和偏置进行更新最小化损失函数，损失函数对第l层参数的梯度的计算表达式为：
其中，为第l层输出对第l层权重矩阵的梯度；
S4.3、然后将步骤S4.2得到的遥感影像数据、水体图像数据的多层感知机神经网络特征图输入特征聚合模块进行特征融合，然后进行拼接处理，输出深度学习的河流水体识别结果；
所述特征融合的计算表达式为：
其中，MaxPoolt为在时间维度上的最大值池化，AvgPoolt为在时间维度上的均值池化，Iri为遥感影像多层感知机神经网络特征图，Iuavi为水体图像多层感知机神经网络特征图，B为BatchNorm层，R为ReLU层，为卷积核为3×3×3的3D卷积核，I为特征融合后的特征图。
4.根据权利要求3中所述的一种基于深度学习的河流水体识别方法，其特征在于，步骤S5进行模型训练的评估指标为MAE评估指标，MAE计算估计值与真实值之差的绝对值的平均值，其计算公式为：
其中，n为样本数量，yi为第i个样本的真实值，为第i个样本的估计值。
5.电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-4任一项所述的一种基于深度学习的河流水体识别方法的步骤。
6.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的一种基于深度学习的河流水体识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311327240.8A CN117392539B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311327240.8A CN117392539B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117392539A CN117392539A (zh) | 2024-01-12 |
| CN117392539B true CN117392539B (zh) | 2024-04-09 |
Family
ID=89462337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311327240.8A Active CN117392539B (zh) | 2023-10-13 | 2023-10-13 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117392539B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117990660A (zh) * | 2024-04-02 | 2024-05-07 | 长春理工大学 | 一种基于光学遥感方式的气体含量测量装置及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
| CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学（武汉） | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
| 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 |
| CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
| CN113496148A (zh) * | 2020-03-19 | 2021-10-12 | 中科星图股份有限公司 | 一种多源数据融合方法及系统 |
| CN113869331A (zh) * | 2021-10-13 | 2021-12-31 | 平安科技（深圳）有限公司 | 基于遥感影像的水体提取方法、装置、设备及存储介质 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN116109829A (zh) * | 2023-04-11 | 2023-05-12 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
| WO2023164929A1 (zh) * | 2022-03-01 | 2023-09-07 | 中国科学院深圳先进技术研究院 | 多源遥感图像融合方法、装置、设备及存储介质 |
-
2023
- 2023-10-13 CN CN202311327240.8A patent/CN117392539B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930772A (zh) * | 2016-04-13 | 2016-09-07 | 武汉大学 | 基于sar影像与光学遥感影像融合的城市不透水面提取方法 |
| CN110298211A (zh) * | 2018-03-21 | 2019-10-01 | 北京大学 | 一种基于深度学习和高分辨率遥感影像的河网提取方法 |
| CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学（武汉） | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
| CN113496148A (zh) * | 2020-03-19 | 2021-10-12 | 中科星图股份有限公司 | 一种多源数据融合方法及系统 |
| 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 |
| CN112633171A (zh) * | 2020-12-23 | 2021-04-09 | 北京恒达时讯科技股份有限公司 | 一种基于多源光学遥感影像的海冰识别方法和系统 |
| CN113869331A (zh) * | 2021-10-13 | 2021-12-31 | 平安科技（深圳）有限公司 | 基于遥感影像的水体提取方法、装置、设备及存储介质 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| WO2023164929A1 (zh) * | 2022-03-01 | 2023-09-07 | 中国科学院深圳先进技术研究院 | 多源遥感图像融合方法、装置、设备及存储介质 |
| CN116343053A (zh) * | 2022-12-27 | 2023-06-27 | 生态环境部卫星环境应用中心 | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 |
| CN116109829A (zh) * | 2023-04-11 | 2023-05-12 | 耕宇牧星(北京)空间科技有限公司 | 一种基于融合网络的珊瑚礁水域图像分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| Flood Disaster Monitoring and Emergency Assessment Based on Multi-Source Remote Sensing Observations;Tianjie Lei 等;《Water》;20220713;1-16 * |
| Urban river water quality monitoring based on self-optimizing machine learning method using multi-source remote sensing data;Peng Chen 等;《Ecological Indicators》;20221202;1-14 * |
| 基于密集连接全卷积神经网络的遥感影像水体全自动提取方法;梁泽毓;吴艳兰;杨辉;姚雪东;;《遥感信息》;20200820;第35卷(第04期);68-77 * |
| 基于改进DenseNet网络的多源遥感影像露天开采区智能提取方法;张峰极;吴艳兰;姚雪东;梁泽毓;;《遥感技术与应用》;20200620;第35卷(第03期);673-684 * |
| 支持向量机和水平集的高分辨率遥感图像河流检测;于晓升;吴成东;陈东岳;田子恒;;《中国图象图形学报》;20130616;第18卷(第06期);677-684 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117392539A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
| CN109165682B (zh) | 一种融合深度特征和显著性特征的遥感图像场景分类方法 | |
| CN108681746B (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
| CN117392539B (zh) | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 | |
| Kang et al. | Deep learning-based weather image recognition | |
| CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
| CN108765506A (zh) | 基于逐层网络二值化的压缩方法 | |
| CN112215255A (zh) | 一种目标检测模型的训练方法、目标检测方法及终端设备 | |
| CN113838058B (zh) | 一种基于小样本分割的医学图像自动标注方法及系统 | |
| CN114549913A (zh) | 一种语义分割方法、装置、计算机设备和存储介质 | |
| CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
| CN115049945B (zh) | 一种基于无人机图像的小麦倒伏面积提取方法和装置 | |
| CN111339869A (zh) | 一种人脸识别方法、装置、计算机可读存储介质及设备 | |
| CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
| CN110826534B (zh) | 一种基于局部主成分分析的人脸关键点检测方法及系统 | |
| CN110503600B (zh) | 特征点检测方法、装置、电子设备和可读存储介质 | |
| CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
| CN116468895A (zh) | 一种相似度矩阵引导的少样本语义分割方法及系统 | |
| CN115240240A (zh) | 基于yolo网络的红外人脸识别方法及系统 | |
| CN114241585A (zh) | 一种跨年龄人脸识别模型训练方法、识别方法及装置 | |
| CN117422711B (zh) | 一种海洋涡旋高光谱变化检测方法、装置、设备及介质 | |
| CN112241736A (zh) | 一种文本检测的方法及装置 | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
| CN112257689A (zh) | 人脸识别模型的训练和识别方法、存储介质及相关设备 |
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 |