[发明专利]一种基于高分辨率遥感图像的水体识别方法

说明书

本发明公开了一种基于高分辨率遥感图像的水体识别方法，包括：(1)图像增强；(2)数据标记；(3)图像切分与构建训练集；(4)基于卷积神经网络构建模型并进行训练；(5)用训练后的模型进行水体识别。本发明通过对水体特征的调研分析提出了一套能够准确进行水体识别，从遥感图像中提取出水体部分的方法，该方法基于卷积神经网络，充分利用遥感图像的空间信息和光谱信息，深层次的提取图像特征。本发明详细介绍了卷积神经网络各层的模型和参数以及网络的训练原理和过程，在图像处理的各个阶段都做了周全的考虑，在水体识别上能表现出较高的准确率。

技术领域

本发明属于图像处理识别技术领域，具体涉及一种基于高分辨率遥感图像的水体识别方法。

背景技术

高分辨率遥感图像的水体识别在不同领域中都是一个很重要的研究课题，例如湖滨沿海区域管理、海岸线变化、洪灾预测和水资源评估，及时地监测地表水体和地表水体的变化有助于有效政策的指定。近年来，利用遥感数据监测水资源得到了广泛的应用，遥感技术具有检测距离短、检测范围广的优点，能够快速、反复、准确地获取水体信息，监测地表水资源。纵观近年来对遥感图像水体识别的研究工作，存在着如下几种挑战：

1.目前对水体识别的研究工作主要几种在光学遥感和机器学习两大类；在光学遥感方面，主要有两类方法提取水体：单波段阈值法和多波段阈值法，都是根据水体和其他地表物体之间反射率的不同来提取水体信息，然而很多建筑物的反射率和水体的反射率在某些波段上表现一样，达不到很高的水体识别的准确率；机器学习的方法在水体识别上也有一定应用，但是对于高分辨率遥感影像的分类这样一个复杂的过程，使用比较浅层的模型结构有一定的局限性，而深层的结构更为合理。

2.目前对遥感图像水体识别的工作中使用的数据源大都是landsat资源卫星的多光谱图像，其空间分辨率在30米左右，空间分辨率较低，并且拍摄时的云层、阴影、传感器的角度等都会对遥感图像的成像产生影响，如何进行相应的预处理得到清晰、无遮挡的高分辨率遥感图像也是一个较为困难的课题。

3.由于遥感图像成像面积大，景内地貌特征复杂，且在不同天气、不同地理区域的水体有着不同的空间和光谱特征，因此对于水体识别问题，如何选择分类模型，如何进行神经网络模型的设计，将水体识别问题转化为图像分类问题，也是需要重点关注的课题。

卷积神经网络(Convolutional Neural Network，CNN)作为深度学习的一种模型，在图像分类领域中，表现出了不错的效果；卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，使用了局部感知区，充分利用了遥感图像的空间信息和光谱信息，在遥感图像的分类上能表现出不错的效果。

发明内容

鉴于上述，本发明提供了一种基于高分辨率遥感图像的水体识别方法，针对高分二号卫星多光谱遥感数据，利用卷积神经网络的模型，突破传统基于阈值或机器学习的方法，实现遥感图像的水体识别，能够高效准确地遥感图像的水体的自动识别。

一种基于高分辨率遥感图像的水体识别方法，包括如下步骤：

(1)获取高分辨率的遥感卫星图像，对其进行增强处理；

(2)在增强后的遥感卫星图像中人工标记出水体，得到标记图像；

(3)对增强后的遥感卫星图像进行切分并构建训练集；

(4)利用训练集中的样本对卷积神经网络进行训练，得到用于水体识别的分类模型；

(5)对待识别的遥感卫星图像进行增强和切分处理，将切分后得到的图块依次输入至所述分类模型中，即可实现水体识别。

进一步地，所述步骤(1)中对图像进行增强处理的过程为：首先从遥感卫星图像中提取出对应四个波段的灰度图；然后选取7×7的掩膜，利用高斯低通滤波对四张灰度图进行增强和去噪。

进一步地，所述步骤(2)的具体实现过程如下：