[发明专利]一种基于多尺度优化的高分辨率遥感影像水体提取方法

权利要求书

1.一种基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于包括以下步骤：

步骤1：搭建待训练卷积神经网络，利用待训练卷积神经网络中的预训练卷积神经网络从输入遥感影像中提取多尺度特征图，并通过待训练卷积神经网络中的第一分类器从多尺度特征图中最低分辨率的特征图中获取初始粗糙水体分割结果；

步骤2：结合提取的多尺度特征图，利用擦除注意力法对所述初始粗糙水体分割结果进行迭代优化，得到原始分辨率水体分割概率图；

步骤3：根据水体分割概率图构建多尺度损失函数，并结合多尺度损失函数结合样本训练集对所述待训练卷积神经网络进行训练，得到具有最优精度的卷积神经网络；

步骤4：将待提取的高分辨率遥感影像输入步骤3中训练好的卷积神经网络，得到水体提取结果；

所述擦除注意力法的具体过程为：

首先用0.5减去待优化的水体分割概率图，得到一个反转的权重矩阵，对于权重矩阵中数值小于0的位置的权重置为0，擦除待优化的水体分割概率图中概率大于0.5的部分，再用2乘以权重矩阵，将权重缩放到0至1之间，获得输出权重矩阵。

2.根据权利要求1所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：步骤1中所述多尺度特征图提取的具体步骤为：

将一张遥感影像作为输入，利用去掉全连接层的预训练卷积神经网络进行卷积和降采样操作，获得多尺度特征图。

3.根据权利要求2所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：所述的多尺度特征图分辨率分别为其中，W和H分别代表输入遥感影像的宽度和高度。

4.根据权利要求1或2或3所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：步骤1中所述初始粗糙水体分割结果的获取步骤为：

选取最低分辨率的多尺度特征图，输入待训练卷积神经网络的第一分类器中，输出最低分辨率的初始粗糙水体分割结果。

5.根据权利要求1所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：步骤2中获取原始分辨率水体分割概率图的具体步骤为：

步骤2.1：将步骤1得到的初始粗糙水体分割结果进行上采样，获得待优化的水体分割概率图；

步骤2.2：采用擦除注意力法对所述待优化的水体分割概率图进行权重缩放处理，得到输出权重矩阵；

步骤2.3：采用所述输出权重矩阵对当前多尺度特征图中未优化的最低分辨率特征图进行加权处理，得到加权后的特征图；

步骤2.4：将步骤2.3得到的特征图输入待训练卷积神经网络的第二分类器，输出水体分割概率残差图，并将该水体分割概率残差图与当前待优化的水体分割概率图相加，从而得到当前优化后的水体分割概率图；

步骤2.5：将步骤2.4中所述当前优化后的水体分割概率图作为下一次待优化的水体分割概率图，重复步骤2.2到步骤2.4，按照分辨率从低到高的顺序对步骤1获得的多尺度特征图进行迭代优化，直至得到原始分辨率水体分割概率图。

6.根据权利要求1所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：步骤3中所述多尺度损失函数的构建步骤为：

步骤3.1：按照公式计算尺度i下的监督损失函数Loss_i，其中，i＝(1，M)，M为选取的除原始分辨率外的尺度总个数，G_j为像素j的真实标签，G_j＝1表示为水体像素，G_j＝0表示为非水体像素；P_j是像素j为水体像素的预测概率；N为一张图像中的像素总数；

步骤3.2：基于监督损失函数Loss_i与原始分辨率下的监督损失函数Loss₀按照公式构建多尺度损失函数Loss。

7.根据权利要求6所述的基于多尺度优化的高分辨率遥感影像水体提取方法，其特征在于：所述尺度总个数M的取值为5，5个尺度损失函数的总权重设置为1，原始分辨率的监督损失函数Loss₀的权重设置为1。