[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

说明书

本发明公开了一种基于多尺度优化的高分辨率遥感影像水体提取方法，包括如下步骤：搭建待训练卷积神经网络，基于该网络从输入遥感影像中提取多尺度特征，从最低分辨率的特征中获取初始粗糙水体分割结果；通过擦除注意力方法，结合多尺度特征和初始分割结果，输出全分辨率下的水体提取结果；构建多尺度损失函数，获得训练好的卷积神经网络；将待提取的高分辨率遥感影像输入训练好的网络，得到水体提取结果。该方法通过对具有真实水体标注的遥感影像训练数据集进行学习与训练，通过擦除注意力机制的引导，结合多尺度优化策略，在显著提高了总体水体提取精度的同时，还加强了对细小水体的识别与提取。

技术领域

本发明涉及到遥感影像信息自动提取技术领域，具体涉及一种基于多尺度优化的高分辨率遥感影像水体提取方法。

背景技术

水体提取是遥感影像信息自动提取领域中的一个经典问题，它的主要目标是识别并提取出遥感影像中的水体区域。水体提取的结果在许多领域中都有着广泛的应用，比如军事侦察、环境保护、地图制图和地理分析等。因此，水体提取具有着重要的研究价值。

传统的水体提取方法中大多数是基于水体指数来进行水体提取的，主要利用了水体在不同波段的反射率差异来识别水体。但是，这些方法经常会误分类一些与水体有着相似波段特性的目标，如山体阴影、建筑物阴影等。同时，这些方法也需要近红外或中红外波段的红外影像，在只有可见光波段的影像时无法提取水体。

近年来的一些研究表明，基于卷积神经网络的深度学习技术可以被应用在遥感影像水体提取任务中。早期的一些方法主要是基于全卷积神经网络进行改进的，利用手工标注的遥感影像和端到端的训练，来替代手工设计水体指数的方法。然而，这种方法通常是从原图的 1/8甚至1/16、1/32分辨率上采样到原图大小得到水体提取的二值分割图。由于分辨率的限制，这种方法通常很难捕捉影像的细节信息，导致无法识别一些细小的水体和边缘区域识别不准确。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于多尺度优化的高分辨率遥感影像水体提取方法，该方法通过对已标注真实水体区域的高分辨率遥感影像进行有监督的学习与训练，最终得到一个能够稳定地进行水体提取的深度卷积神经网络，并输出对应原始输入影像的水体提取二值分割图。

为达到上述目的，本发明采用的技术方案如下：

一种基于多尺度优化的高分辨率遥感影像水体提取方法，其关键在于包括以下步骤：

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。

进一步的，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。

进一步的，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。

再进一步的，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。