[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

说明书

一种门控特征融合的深度网络不透水面遥感提取方法及系统，包括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均值和标准差，进行归一化和分块，构建训练样本影像；构建基于门控特征融合的卷积神经网络，提取训练影像特征，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，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；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进行更新训练；利用训练结果，使用基于门控特征融合的卷积神经网络实现不透水面提取。本发明能够对遥感影像中不透水面进行精确地自动化提取，满足城市内涝分析等应用需求。

技术领域

本发明属于遥感影像数据的信息提取领域，涉及门控特征融合的深度网络不透水面遥感提取技术方案。

背景技术

不透水面(Impervious Surface)是指地面阻止水分向土壤渗透的人工地表，常见的有建筑、道路、广场、停车场等，是评价城市生态系统健康及人居环境质量的关键指标之一。在许多城市环境应用中，不透水面信息被作为关键参数参与其中。由于浅层机器学习方法的局限性，大数据量的不透水面提取依然很难实现，而卷积神经网络的出现正好解决了这个问题。卷积神经网络采用一系列的非线性变换，从原始影像中提取由低层到高层、由具体到抽象、由一般到特定语义的特征，已经在自然图像上的场景分类、语义分割和图像检索等领域得到了广泛应用。但是由于卷积神经网络的特性，其特征图会逐渐变小，这会带来地物提取上的信息损耗，尤其是那些细小地物，对于空间分辨率较低，地物复杂场景的遥感影像，传统卷积神经网络很难恢复损失掉的地物信息，从而导致无法更精确地提取不透水面。因此，亟需符合该需求的新技术方案的出现。

发明内容

针对现有方法的不足，本发明的目的是提供门控特征融合的深度网络不透水面遥感提取方法和系统，有效的弥补卷积神经网络中特征图尺寸变化所带来信息损失的缺点，提高了高分辨率遥感影像不透水面提取的精度。

为实现上述目的，本发明的技术方案为一种门控特征融合的深度网络不透水面遥感提取方法，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；

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。

而且，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。

而且，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。

而且，所述门控特征融合模块表达为公式如下：