CN118230186B - 一种可见光遥感影像水体变化检测方法 - Google Patents
一种可见光遥感影像水体变化检测方法 Download PDFInfo
- Publication number
- CN118230186B CN118230186B CN202410418127.9A CN202410418127A CN118230186B CN 118230186 B CN118230186 B CN 118230186B CN 202410418127 A CN202410418127 A CN 202410418127A CN 118230186 B CN118230186 B CN 118230186B
- Authority
- CN
- China
- Prior art keywords
- water body
- change
- body change
- water
- space
- 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 356
- 230000008859 change Effects 0.000 title claims abstract description 261
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000003809 water extraction Methods 0.000 claims description 5
- 206010003694 Atrophy Diseases 0.000 claims description 4
- 230000037444 atrophy Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 10
- 108091006146 Channels Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000004304 visual acuity 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
- G06V20/13—Satellite images
-
- 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
- G06N3/08—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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种可见光遥感影像水体变化检测方法，可以实现不同时期可见光遥感影像中水体变化区域的自动精确识别。本发明针对应用需求，基于深度学习技术和GIS技术，设计并实现了遥感影像水体语义分割、疑似变化水体集合构建、水体变化检测样本构建、水体变化区域提取和水体变化结果输出等功能结构，可以从相邻两个时期的可见光遥感影像中分析得到水体变化区域的空间和光谱特征信息，判别非变化水体和摒弃其他非水体地物，使得最终识别的变化水体区域与实际地理环境情况符合。本发明达到了从多期可见光遥感影像进行水体变化检测的可行性和准确性，拓展了可见光遥感影像在地理环境监测上的使用范围。
Description
技术领域
本发明涉及卫星遥感、人工智能、地理信息、水文水资源领域，具体是一种可见光遥感影像水体变化检测方法。
背景技术
准确地掌握地表水体的变化对于水资源管理、环境保护和人居环境改善具有重要的应用意义，也是水资源管理部门的重要职责之一。随着遥感技术的发展，可见光（R、G、B波段）遥感影像已经成为快速大面积地获取地表环境信息的重要手段，因此也成为水体检测的重要数据源。目前可见光遥感影像的水体变化检测方法通常存在着增加或消失水体检测不出、非水体地物错判为水体、变化水体范围不准确的缺陷。因此，为满足快速而准确检测出变化水体的需求，引入人工智能、遥感、地理信息等技术，开展针对多时期可见光遥感的水体变化情况检测的研究具有有重要的理论和实际意义。
本申请的发明人在实现本发明的过程中经过研究发现：利用Transformer与GIS在可见光遥感影像的水体变化检测上具有显著的效果优势，通过本发明的应用，将有利于积累和拓展人工智能、空间分析等先进技术理论和方法在可见光遥感应用上的研究，同时，也为水资源管理提供重要的决策支持信息，有利于推动人居环境高质量可持续发展。
发明内容
本发明所要解决的技术问题是：面向水资源规划管理中水体监测信息支撑服务的需要，将遥感技术、人工智能技术和地理信息技术进行系统集成，提出一种可见光遥感影像水体变化检测方法，凭借多个时期的可见光遥感影像对地理环境中水体的扩张或者萎缩进行有效的判别，并对变化水体范围进行准确提取。
为了解决上述技术问题，本发明采用的技术方案是：
一种可见光遥感影像水体变化检测方法，包括如下步骤：
第一步、基于Transformer深度学习网络构建水体提取模型，利用所述水体提取模型对同区域的2期可见光遥感影像分别进行水体提取以获取水体分割图像；
第二步、将所述水体分割图像空间处理为水体空间要素集合，并利用2个时期的水体空间要素集合构建疑似变化空间要素集合；
第三步、对所述疑似变化空间要素集合中的每个空间要素构建对应的水体变化检测样本；
第四步、基于Transformer深度学习网络构建水体变化提取模型，利用所述水体变化提取模型对每个水体变化检测样本进行水体变化存在判断和水体变化栅格提取；
第五步、将提取的水体变化栅格进行空间处理以获取水体变化空间要素集合，对所述水体变化空间要素集合进行空间融合处理得到检测范围的最终水体变化检测结果。
进一步的，在第一步中，基于Transformer深度学习网络构建水体提取模型具体为：以Transformer深度学习网络的衍生模型SegFormer为基础，将其图像语义分割的输出类别修改为二分类，即只分辨水体和非水体，形成所述水体提取模型；所述水体提取模型的输入数据为长宽尺寸为512×512栅格大小的遥感影像，输出结果为相同长宽尺寸的水体分割图像；对所述水体提取模型进行水体语义分割训练获取可靠的模型参数。
进一步的，在第二步中，将所述水体分割栅格空间处理为水体空间要素集合具体为：对第一步获得的水体分割图像分别进行栅格矢量化GIS处理，转换为若干个矢量多边形类型的空间要素，形成分属2个时期的水体空间要素集合。
进一步的，在第二步中，利用2个时期的水体空间要素集合构建疑似变化空间要素集合具体为：将2个时期的水体空间要素集合进行空间差集GIS处理，以得到的差异空间要素所构成的集合作为疑似变化空间要素集合。
进一步的，在第三步中，对所述疑似变化空间要素集合中的每个空间要素构建对应的水体变化检测样本具体为：针对疑似变化空间要素集合中的每个差异空间要素，依次进行矢量栅格化GIS处理，得到所对应的疑似变化水体图像及其空间边界，对空间边界进行缓冲区GIS处理，形成拓展的空间边界M；对疑似变化水体图像的四周进行背景栅格充填，使得疑似变化水体图像的空间范围与空间边界M一致；基于空间边界M，对原始的2期可见光遥感影像进行空间裁剪处理得到2个局部遥感图像；将疑似变化水体图像、前时段局部遥感图像和后时段局部遥感图像进行图像通道叠加处理，形成的7通道图像作为水体变化检测样本。
进一步的，在第四步中，基于Transformer深度学习网络构建水体变化提取模型具体为：以Transformer深度学习网络的衍生模型ViT为基础，将其类型分辨的输出设定为二分类，即只判断该样本是否存在水体变化，形成水体变化判断模型；水体变化判断模型的输入数据为水体变化检测样本，输出结果为是与否的布尔值；对水体变化判断模型进行水体变化判断训练获取可靠的模型参数；以SegFormer为基础，将其图像语义分割的输出类别修改为二分类，即只分辨变化水体栅格和非变化水体栅格，形成水体变化范围识别模型；水体变化范围识别模型的输入数据为水体变化检测样本，输出结果为水体变化范围分割图像；对水体变化范围识别模型进行水体变化范围语义分割训练获取可靠的模型参数；将水体变化判断模型与水体变化范围识别模型按照先后顺序进行组合，形成所述水体变化提取模型，水体变化判断模型先判断水体变化检测样本是否存在水体变化情况，存在的情况下再交由水体变化范围识别模型进行水体扩展或萎缩的变化范围栅格的识别提取。
进一步的，在第五步中，将水体变化栅格空间处理为水体变化空间要素集合具体为：对第四步获得的水体变化栅格图像进行栅格矢量化GIS处理，转换为若干个矢量多边形类型的空间要素，形成所述水体变化空间要素集合。
进一步的，在第五步中，对所述水体变化空间要素集合进行空间融合处理得到检测范围的最终水体变化检测结果具体为：将水体变化空间要素集合中的所有空间要素进行空间融合GIS处理，合并相交的空间要素；对水体变化空间要素进行空间拓扑检查，进行拓扑错误修补，形成最终的水体变化检测结果。
进一步的，所述拓扑错误修补包括自重叠、微小孔洞。
本发明具有如下有益效果：
（1）利用深度学习技术和地理信息技术，构建了疑似变化空间要素集合用于提示潜在的水体变化区域。分别对不同时期的高分辨率遥感影像水体信息进行分析挖掘，并利用不同时期的水体信息进行空间对比以提供潜在的水体发生形态变化的空间位置信息，可以增强水体变化检测的目标指向性，避免全区域范围的盲目检索，使得本发明提供的水体变化检测具有更好的鲁棒性，可以适应多种类型的可见光遥感影像。
（2）利用地理信息技术，构建了水体变化检测样本用于提供变化检测所需的多层次信息。在潜在水体变化区域信息的基础上，集成前后时期的遥感影像信息，可以提供区域地理环境的潜在变化以及不同时期的相对完整时空信息，并利用空间缓冲区提供了潜在变化区域周围的地理环境信息，有利于深度学习模型更好地分析判断水体变化情况和变化范围，进一步提高了水体变化检测的有效性和准确性。
（3）利用深度学习技术，构建了水体变化提取模型进行了水体变化情况判断和变化范围提取。分别构建了水体变化判断模型和水体变化范围识别模型，并结合形成水体变化提取模型，在水体变化情况判断的基础上，再进行水体变化范围的识别，多重手段提升了对于水体变化的分辨能力，有助于提升水体变化检测的准确性，避免单一检测手段可能引入的误差。
附图说明
图1是本发明实施例中构建水体提取模型并进行水体提取的示意图；
图2是本发明实施例中构建疑似变化空间要素集合的示意图；
图3是本发明实施例中构建水体变化检测样本的示意图；
图4是本发明实施例中构建水体变化提取模型并进行水体变化存在判断和水体变化栅格提取的示意图；
图5是本发明实施例中获取水体变化空间要素集合并处理为最终水体变化检测结果的示意图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
请参阅图1-5，本发明一种可见光遥感影像水体变化检测方法其中一个实施例，包括以下步骤：
第一步、基于Transformer深度学习网络构建水体提取模型，并对同区域的2期可见光遥感影像分别进行水体提取以获取水体分割图像。具体的，以Transformer深度学习网络的衍生模型SegFormer网络为基础，将SegFormer网络负责类型输出的卷积层的输出维数修改为2，使得网络计算的输出类型为二分类，即只用于分辨水体和非水体的水体语义分割分析，从而形成了水体提取模型；水体提取模型的计算输入数据为长宽尺寸为512×512栅格大小的遥感图像，计算结果为相同尺寸大小的水体分割图像，波段数为1；对构造好的水体提取模型，利用二分类交叉熵损失损失函数进行网络训练以获取可靠的模型参数；使用训练完毕的水体提取模型分别对2个不同时期的可见光遥感影像进行水体语义分割处理，得到不同时期所对应的水体分割图像。（见图1）
本步骤中，对水体分割模型进行水体语义分割训练以获取合适模型参数具体实现为：以一个512×512栅格尺寸大小的遥感图像和其对应的真实水体图像作为一个训练样本，然后使用若干个训练样本所构成的训练样本集，对构建的水体提取模型进行模型训练，训练方式为以训练样本中的遥感图像作为模型训练输入，以对应的真实水体图像作为模型水体语义分割计算的目标值进行趋向计算；模型训练以二分类交叉熵损失（BCE）作为损失函数评价指标，用于评价水体语义分割精度，二分类交叉熵损失的公式为：
式中为真实水体标签，为模型对水体的预测概率，BCE越小表示模型对水体提取效果越好；模型进行梯度下降和反向传播计算，通过模型训练的网络参数调整，使得水体提取模型的水体语义分割结果趋向于真实水体图像，训练完毕后获得最佳的水体语义分割模型参数。
本步骤中，水体提取模型对可见光遥感图像进行水体语义分割处理具体实现为：将可见光遥感影像按照512×512像素大小的网格进行划分，获得若干个512×512像素大小的遥感图像；对于所有的遥感图像，使用水体提取模型进行遥感图像水体语义分割处理，得到对应的水体图像集合，并将所获取的所有水体图像按照原始划分网格的位置拼接合并为一个水体分割图像。
第二步、将水体分割图像空间处理为水体空间要素集合，并利用2个时期的水体空间要素集合构建疑似变化空间要素集合。具体的，将上一步获得的2个水体分割图像分别进行栅格矢量化GIS处理，将每块属于水体的栅格转换为矢量多边形形式的水体空间要素，构成分属2个时期的水体空间要素集合；将2个时期的水体空间要素集合进行的空间差集GIS处理，构建出同一位置上互不重叠的空间要素，即前后期遥感影像发生水体增减情况的空间区域，形成疑似变化空间要素集合。（见图2）
第三步、对疑似变化空间要素集合中的每个空间要素构建对应的水体变化检测样本。具体的，对于疑似变化空间要素集合中的每个差异空间要素，依次进行矢量栅格化GIS处理，得到所对应的疑似变化水体图像及其空间边界，对空间边界进行缓冲区GIS处理，缓冲距离为N米，N为5，形成拓展的空间边界M；对疑似变化水体图像的四周进行背景栅格充填，直到疑似变化水体图像的空间范围与空间边界M变成一致，背景栅格与非水体栅格的值一致；基于空间边界M，对原始的2期可见光遥感影像进行空间裁剪处理得到2个局部遥感图像，使得局部遥感图像与疑似变化水体图像具有相同的空间范围，且图像的长宽尺寸一样；将疑似变化水体图像、前时段局部遥感图像和后时段局部遥感图像进行图像通道叠加处理，形成的1个单独的7通道图像作为水体变化检测样本（见图3）。
本步骤中，疑似变化水体图像、前后时段局部遥感图像进行图像通道叠加处理的具体实现为：按照疑似变化水体图像（单通道）、前期局部遥感图像（R、G、B通道）、后期局部遥感图像（R、G、B通道）的7个通道顺序进行同一位置图像栅格值叠加，使得图像中每个栅格都具有7个通道值。
第四步、基于Transformer深度学习网络构建水体变化提取模型，并对每个水体变化检测样本进行水体变化存在判断和水体变化栅格提取。
第四步具体实施过程如下：
以Transformer深度学习网络的衍生模型ViT为基础，将ViT网络最后一个全连接层的输出维度修改为2，使得网络计算的输出设定为二分类，即只判断该样本是否存在水体变化，形成水体变化判断模型；
水体变化判断模型的输入数据为水体变化检测样本，输出结果为是与否的布尔值；水体变化判断模型以交叉熵损失作为损失函数评价指标，用于评价模型的判断精度，交叉熵损失的公式为：
式中为真实水体变化标签，为模型对水体变化的判别概率，为分辨类别，CE越小表示模型对水体变化判断效果越好；
对水体变化判断模型进行深度学习网络梯度下降和反向传播训练，以获取可靠的模型参数；
将SegFormer网络的输出类型卷积层的输出维数修改为2，只用于分辨变化水体和非变化水体的图像语义分割分析，从而形成了水体变化范围识别模型；
水体变化范围识别模型的计算输入数据为水体变化检测样本，计算结果为水体变化范围图像；
水体变化范围识别模型以二分类交叉熵损失（BCE）作为损失函数评价指标，用于评价模型的水体变化范围语义分割精度，二分类交叉熵损失的公式为：，式中为真实水体变化范围标签，为模型对水体变化范围的预测概率，BCE越小表示模型对水体变化范围识别效果越好；
对构造好的水体变化范围识别模型，利用二分类交叉熵损失函数进行深度学习网络的参数调整，以获取可靠的模型参数；将水体变化判断模型与水体变化范围识别模型组合形成水体变化提取模型，对水体变化检测样本进行计算从而得到水体变化范围图像。（见图4）
本步骤中，水体变化判断模型与水体变化范围识别模型组合形成水体变化提取模型的具体实现为：按照水体变化判断模型先计算，水体变化范围识别模型后计算的顺序，进行两个模型的组合；水体变化判断模型先判断水体变化检测样本是否存在水体变化情况，若存在则交由水体变化范围识别模型进行水体扩展或萎缩的变化范围栅格的识别提取，若不存在则不输出变化范围栅格。
第五步、将所有水体变化栅格进行空间处理以获取水体变化空间要素集合，并进行空间融合处理为检测范围的最终水体变化检测结果。具体的，对上一步获得的水体变化栅格图像进行栅格矢量化GIS处理，转换为若干个矢量多边形类型的空间要素，形成水体变化空间要素集合；然后将水体变化空间要素集合中的所有空间要素进行空间融合GIS处理，合并存在相交关系的空间要素；对水体变化空间要素进行空间拓扑检查，进行自重叠、微小孔洞等拓扑错误修补，形成最终的矢量多边形形式的水体变化检测结果。（见图5）
本步骤中，将水体变化空间要素进行空间融合GIS处理具体实现为：将水体变化空间要素集合中的每个多边形空间要素，依次相互之间进行空间合并GIS处理，直至不同的水体变化空间要素相互不存在空间相交的情况。
经过上述步骤，可以实现可见光遥感影像水体变化检测方法。图1-图5为运用本方法，实现可见光遥感影像水体变化检测方法的各步骤效果图。可以看出各步骤分别实现了：
（1）实现了水体提取模型的构建，以及对可见光遥感影像进行水体提取以获取水体分割图像；
（2）实现了利用水体分割图像构建疑似变化空间要素集合；
（3）实现了利用变化空间要素集合构建水体变化检测样本；
（4）实现了水体变化提取模型的构建，以及水体变化存在判断和水体变化栅格提取；
（5）实现了水体变化栅格处理为最终水体变化检测结果。
上述步骤（1）到（2），实现了采用Transformer深度学习网络和GIS技术进行水体语义分割并形成疑似变化空间要素，解决了水体变化检测的目标指向弱和存在全区域范围盲目检索的应用难点；
上述步骤（3）到（4），实现了水体变化存在的有效判断和水体变化范围的准确提取，解决了利用可见光遥感影像进行水体变化检测易误判和变化水体范围识别不精确的应用难点；
上述步骤（5），实现了水体变化检测结果的融合形成，解决了水体变化识别结果存在潜在空间拓扑错误的应用难点。以上各步骤处理过程都很好地围绕将可见光遥感影像水体变化检测方法展开，没有出现明显偏离。
在具体的实验中，将上述步骤实现的可见光遥感影像水体变化检测方法部署在配备有NVIDIA RTX 4090 GPU和128 GB内存的计算机上进行水体变化检测实验，测试数据为：覆盖面积为53平方公里的可见光遥感影像2景，分辨率都为0.5米，分别采集于2019年和2020年。
在实验中，构建了512×512栅格大小的水体提取训练样本4036个，以及水体变化检测训练样本1215个，2种类型样本都按照6：2：2的比例划分为训练集、验证集和测试集；使用Python语言和PyTorch深度学习框架对水体提取模型和水体变化提取模型进行了具体实现，并部署在计算机上；利用训练样本，对构建的水体提取模型和水体变化提取模型进行模型训练和模型验证，训练轮式为100轮，保存模型在最佳计算状态时的模型参数；使用训练好的水体提取模型和水体变化提取模型，对测试集进行水体变化识别，得到对于测试集的最终水体变化识别结果，并与实际变化水体进行对比，准确性可达60%以上，若采用传统方法，先利用NDWI等遥感解译方法提取水体再直接栅格对比，准确性通常小于40%，说明检测结果与实际情况有着较好的匹配效果。因此，最终得到的可见光遥感影像水体变化检测方法能够满足实际需求，为遥感技术、人工智能、GIS技术在水资源管理和保护方向上的推广应用做出了贡献。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种可见光遥感影像水体变化检测方法，其特征在于，包括如下步骤：
第一步、基于Transformer深度学习网络构建水体提取模型，利用所述水体提取模型对同区域的2期可见光遥感影像分别进行水体提取以获取水体分割图像；
第二步、将所述水体分割图像空间处理为水体空间要素集合，并利用2个时期的水体空间要素集合构建疑似变化空间要素集合；
第三步、对所述疑似变化空间要素集合中的每个空间要素构建对应的水体变化检测样本；
第四步、基于Transformer深度学习网络构建水体变化提取模型，利用所述水体变化提取模型对每个水体变化检测样本进行水体变化存在判断和水体变化栅格提取；
第五步、将提取的水体变化栅格进行空间处理以获取水体变化空间要素集合，对所述水体变化空间要素集合进行空间融合处理得到检测范围的最终水体变化检测结果；
在第四步中，基于Transformer深度学习网络构建水体变化提取模型具体为：以Transformer深度学习网络的衍生模型ViT为基础，将其类型分辨的输出设定为二分类，即只判断该样本是否存在水体变化，形成水体变化判断模型；水体变化判断模型的输入数据为水体变化检测样本，输出结果为是与否的布尔值；对水体变化判断模型进行水体变化判断训练获取可靠的模型参数；以SegFormer为基础，将其图像语义分割的输出类别修改为二分类，即只分辨变化水体栅格和非变化水体栅格，形成水体变化范围识别模型；水体变化范围识别模型的输入数据为水体变化检测样本，输出结果为水体变化范围分割图像；对水体变化范围识别模型进行水体变化范围语义分割训练获取可靠的模型参数；将水体变化判断模型与水体变化范围识别模型按照先后顺序进行组合，形成所述水体变化提取模型，水体变化判断模型先判断水体变化检测样本是否存在水体变化情况，存在的情况下再交由水体变化范围识别模型进行水体扩展或萎缩的变化范围栅格的识别提取。
2.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第一步中，基于Transformer深度学习网络构建水体提取模型具体为：以Transformer深度学习网络的衍生模型SegFormer为基础，将其图像语义分割的输出类别修改为二分类，即只分辨水体和非水体，形成所述水体提取模型；所述水体提取模型的输入数据为长宽尺寸为512×512栅格大小的遥感影像，输出结果为相同长宽尺寸的水体分割图像；对所述水体提取模型进行水体语义分割训练获取可靠的模型参数。
3.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第二步中，将所述水体分割栅格空间处理为水体空间要素集合具体为：对第一步获得的水体分割图像分别进行栅格矢量化GIS处理，转换为若干个矢量多边形类型的空间要素，形成分属2个时期的水体空间要素集合。
4.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第二步中，利用2个时期的水体空间要素集合构建疑似变化空间要素集合具体为：将2个时期的水体空间要素集合进行空间差集GIS处理，以得到的差异空间要素所构成的集合作为疑似变化空间要素集合。
5.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第三步中，对所述疑似变化空间要素集合中的每个空间要素构建对应的水体变化检测样本具体为：针对疑似变化空间要素集合中的每个差异空间要素，依次进行矢量栅格化GIS处理，得到所对应的疑似变化水体图像及其空间边界，对空间边界进行缓冲区GIS处理，形成拓展的空间边界M；对疑似变化水体图像的四周进行背景栅格充填，使得疑似变化水体图像的空间范围与空间边界M一致；基于空间边界M，对原始的2期可见光遥感影像进行空间裁剪处理得到2个局部遥感图像；将疑似变化水体图像、前时段局部遥感图像和后时段局部遥感图像进行图像通道叠加处理，形成的7通道图像作为水体变化检测样本。
6.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第五步中，将水体变化栅格空间处理为水体变化空间要素集合具体为：对第四步获得的水体变化栅格图像进行栅格矢量化GIS处理，转换为若干个矢量多边形类型的空间要素，形成所述水体变化空间要素集合。
7.如权利要求1所述的可见光遥感影像水体变化检测方法，其特征在于，在第五步中，对所述水体变化空间要素集合进行空间融合处理得到检测范围的最终水体变化检测结果具体为：将水体变化空间要素集合中的所有空间要素进行空间融合GIS处理，合并相交的空间要素；对水体变化空间要素进行空间拓扑检查，进行拓扑错误修补，形成最终的水体变化检测结果。
8.如权利要求7所述的可见光遥感影像水体变化检测方法，其特征在于，所述拓扑错误修补包括自重叠、微小孔洞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410418127.9A CN118230186B (zh) | 2024-04-09 | 2024-04-09 | 一种可见光遥感影像水体变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410418127.9A CN118230186B (zh) | 2024-04-09 | 2024-04-09 | 一种可见光遥感影像水体变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118230186A CN118230186A (zh) | 2024-06-21 |
| CN118230186B true CN118230186B (zh) | 2024-07-26 |
Family
ID=91500626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410418127.9A Active CN118230186B (zh) | 2024-04-09 | 2024-04-09 | 一种可见光遥感影像水体变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118230186B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7660441B2 (en) * | 2004-07-09 | 2010-02-09 | Southern California, University | System and method for fusing geospatial data |
| CN110826454B (zh) * | 2019-10-30 | 2022-06-28 | 北京科技大学 | 一种遥感影像变化检测方法及装置 |
| CN112800915B (zh) * | 2021-01-20 | 2023-06-27 | 北京百度网讯科技有限公司 | 建筑物变化检测方法、装置、电子设备以及存储介质 |
| CN113537177B (zh) * | 2021-09-16 | 2021-12-14 | 南京信息工程大学 | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 |
| CN115496148A (zh) * | 2022-09-22 | 2022-12-20 | 中国长江三峡集团有限公司 | 一种河流大尺度水文情势变化的评价方法及装置 |
| CN116704350B (zh) * | 2023-06-16 | 2024-01-30 | 浙江时空智子大数据有限公司 | 基于高分辨遥感影像水域变化监测方法、系统及电子设备 |
| CN116701974A (zh) * | 2023-06-20 | 2023-09-05 | 水利部水利水电规划设计总院 | 气候变化下的降水多要素时空变化分析及归因识别方法 |
| CN117671437B (zh) * | 2023-10-19 | 2024-06-18 | 中国矿业大学(北京) | 基于多任务卷积神经网络的露天采场识别与变化检测方法 |
| CN117788817A (zh) * | 2023-12-27 | 2024-03-29 | 中林信达（北京）科技信息有限责任公司 | 一种基于边缘特征增强的遥感影像语义分割方法 |
-
2024
- 2024-04-09 CN CN202410418127.9A patent/CN118230186B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400151A (zh) * | 2013-08-16 | 2013-11-20 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
| CN108846832A (zh) * | 2018-05-30 | 2018-11-20 | 理大产学研基地(深圳)有限公司 | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118230186A (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deprivation pockets through the lens of convolutional neural networks | |
| Ullo et al. | A new mask R-CNN-based method for improved landslide detection | |
| Malof et al. | Automatic detection of solar photovoltaic arrays in high resolution aerial imagery | |
| Hegazy et al. | Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Daqahlia governorate Egypt | |
| CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
| Iqbal et al. | Weakly-supervised domain adaptation for built-up region segmentation in aerial and satellite imagery | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| Mostajabi et al. | Single-sensor source localization using electromagnetic time reversal and deep transfer learning: application to lightning | |
| Despotovic et al. | Prediction and analysis of heating energy demand for detached houses by computer vision | |
| Rao et al. | Earthquake building damage detection based on synthetic-aperture-radar imagery and machine learning | |
| Rezaee et al. | Road detection using deep neural network in high spatial resolution images | |
| Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
| Hu et al. | What you get is not always what you see—pitfalls in solar array assessment using overhead imagery | |
| Çakıroğlu et al. | Assessment and application of deep learning algorithms in civil engineering | |
| CN104680167A (zh) | 基于深度学习的极光卵位置确定方法 | |
| CN116778329A (zh) | 城市道路地下浅层病害检测方法、装置、设备及介质 | |
| Zhu et al. | Evaluating the optimised YOLO-based defect detection method for subsurface diagnosis with ground penetrating radar | |
| CN114898089A (zh) | 一种融合高分影像和poi数据的功能区提取与分类方法 | |
| CN103218614A (zh) | 基于流形学习和粗糙集相结合的强对流天气识别方法 | |
| Cao et al. | Posthurricane damage assessment using satellite imagery and geolocation features | |
| CN118230186B (zh) | 一种可见光遥感影像水体变化检测方法 | |
| Liu et al. | Landslide detection with Mask R-CNN using complex background enhancement based on multi-scale samples | |
| CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
| Usmani et al. | Towards global scale segmentation with OpenStreetMap and remote sensing | |
| Mao et al. | City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels |
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 |