[发明专利]门控特征融合的深度网络不透水面遥感提取方法及系统

权利要求书

1.一种门控特征融合的深度网络不透水面遥感提取方法，其特征在于：包括以下步骤，

步骤a，获取目标区域的高分辨率遥感影像，统计训练影像各个波段的均值和标准差，并对各影像进行归一化处理，将影像进行分块，构建训练样本影像；

步骤b，构建基于门控特征融合的卷积神经网络，提取训练样本影像的特征，将提取得到的影像特征进行逐像素类别预测，所述基于门控特征融合的卷积神经网络由残差网络、门控特征融合模块和解码模块构成，所述门控特征融合模块将低层特征的空间细节信息与高层特征的语义信息通过门控机制进行融合；

残差网络中包括四个卷积层和四个残差块，将四个残差块的输出引出，构建出三个门控特征融合模块，这三个门控特征融合模块分别将低层特征的空间细节信息与相邻高层特征的语义信息进行融合；将该三个门控特征融合模块的输出与残差网络的输出进行拼接，合并多个特征形成一个组合特征；拼接后输出依次经过解码模块中的卷积层以及Softmax层、上采样，通过上采样把Softmax层提取出的影像特征映射到每一个像素点位置，最终实现高分辨率遥感影像的逐像素特征提取及类别概率预测；

步骤c，设不同标签分别代表不透水面、非不透水面和水体，通过交叉熵损失函数计算训练样本影像的预测值与真值之间的误差，最小化该误差来对基于门控特征融合的卷积神经网络相应网络参数进行更新训练，得到性能最优的网络模型；

步骤d，利用步骤c的训练结果，使用基于门控特征融合的卷积神经网络对待测试的高分辨率遥感影像进行特征提取，将提取得到的影像特征进行逐像素类别预测，实现不透水面提取。

2.根据权利要求1所述门控特征融合的深度网络不透水面遥感提取方法，其特征在于：步骤a中，对高分辨率遥感影像进行归一化处理实现方式为，统计所有训练影像每个波段的均值和标准差，并对所有遥感影像各个波段减去训练数据统计后对应波段的均值，然后除以对应波段的标准差，从而实现归一化处理。

3.根据权利要求1所述门控特征融合的深度网络不透水面遥感提取方法，其特征在于：所述门控特征融合模块表达为公式如下：

其中，函数Gate＝sigmoid()，代表将输入的特征映射到0,1之间，得到门控值，sigmoid函数是S型函数，X_l代表网络中间引出的第l个特征，X_l-1代表网络中间引出的第l-1个特征，代表相邻两个特征的空间差异，用于得到两个特征之间差异化的门控值，代表经过门控融合的特征。

4.根据权利要求1或2或3所述门控特征融合的深度网络不透水面遥感提取方法，其特征在于：步骤c中，通过最小化交叉熵损失函数，来对卷积神经网络里的参数进行训练，并使用梯度下降法来逐步更新网络参数，直至交叉熵损失函数不再减小且变化趋于平稳，得到性能最优的网络模型，以支持最终实现不透水面的精确提取。

5.一种门控特征融合的深度网络不透水面遥感提取系统，其特征在于：用于实现如权利要求1至4任一项所述门控特征融合的深度网络不透水面遥感提取方法。