[发明专利]一种基于半监督学习的多光谱河道遥感监测方法

权利要求书

1.一种基于半监督学习的多光谱河道遥感监测方法，其特征在于以下步骤：

1)多光谱遥感图像读入：

定义多光谱遥感数据的训练集W，其中包括已人工标注的样本集W_1，和未标注的样本集W_2，以及待分类识别的多光谱遥感数据的测试集V；

2)对称卷积神经网络特征提取：

定义对称卷积神经网络结构M，该网络依次由输入层、卷积层、卷积层、中间层、卷积层、卷积层、输出层组成；其中，卷积层、中间层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、1、36、24、9；首先采用训练集W进行网络M训练，训练中损失函数的参数为：二元交叉熵；

基于已训练好的对称卷积神经网络M，分别对训练集W和测试集V进行特征提取；以训练集W中的任意样本矩阵W_1为例；具体操作是将W_1作为网络K输入层的输入，并从K的中间层获取输出L；由此，得到已人工标注的样本集的特征集WW_1，和未标注的样本集的特征集WW_2，和V的特征集合VV；

随后，采用对WW_1、WW_2和VV进行聚类，按照聚类结果将已人工标注的样本集W_1和未标注的样本集W_2分为m个不同子集W_1_1至W_1_m，以及W_2_1至W_2_m，其中m为自然数；同时定义各个子集的中心分别为W_1_m_C和W_2_m_C；

3)基于半监督学习的目标区域分类：

首先，定义对称结构自编码器网络结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成；其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、9；随后，定义多光谱图像目标区域分类模型结构，该网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、输出层组成；其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：24、36、48、48、36、24、1；利用训练集W中的未标注样本子集W_2_m，训练多个对称结构自编码器网络结构，随后将对称结构自编码器网络结构的编码器参数复制迁移到按照多光谱图像目标区域分类模型结构定义的多个模型的自编码器结构部分，实现网络训练的半监督初始化过程，最后利用已标注的样本子集W_2_m进行多光谱图像目标区域分类模型结构所示的网络模型训练；具体过程如下：

Step1：定义n个多光谱图像目标区域分类模型K_3_n，其中n为自然数；将未标注的样本集W_2_m赋值给K_3_n的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；

Step2：定义z个多光谱图像目标区域分类模型结构K_4_z，其中z为自然数；将已训练的模型K_3_n的自编码器结构的网络参数赋值给对应的K_4_z的自编码器结构部分并冻结该部分的参数，随后将已标注的样本集W_1_m赋值给K_4_z的输入层和输出层进行模型训练，训练中损失函数的参数为：二元交叉熵；

4)基于集成学习的目标区域分类结果融合：

Step1：对于任意测试集V的测试图像V_1，得到K_2模型输出的特征VV_1；

Step2：将VV_1进行矩阵转换，得到VV_1’，VV_1’与W_1_m_C的矩阵尺度保持一致，随后计算VV_1’与各个聚类组中心W_1_m_C的欧式空间距离O_s，s为自然数；随后对O_s进行排序，选取其中数值最小的3个值对应的聚类组,定义为当前测试图像的三个临近语义聚类组；

Step3：将测试图像V_1作为输入，从已训练好的z个K_4_z模型中，采用前一步中三个临近语义聚类组训练得到的模型，分别进行目标区域分类识别，得到三个分类识别结果；

Step4：将三个分类识别结果进行相加求平均的操作，得到最终的基于集成学习的目标区域分类结果融合；

5)基于计算机视觉的河道宽度监测：

从分类结果的河流区域的某个任意起始点A出发，寻找距离河流两岸的最短内接直线，即最大内接圆的直径；该最短内接直线即为经过A点且与河流中线垂直的河道宽度；该过程的具体步骤如下：

首先定义作为输入的已完成河流区域识别的分类结果图，其中每个网格的端点表示一个像素点，填充有灰色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为水体像素点，对应河流遥感图像的水体区域；填充为白色的网格方块表示该方块的四个端点对应的像素点位置被前一步骤分类识别为陆地像素点，对应河流遥感图像的陆地区域；

Step1：随机选取一个水体像素点作为起始点A；以A点为中心，构建一个半径为R的圆形边界T_i，令i＝1，随后使i＝i+1,便于更新下一个更大圆环的名称；R为距离A点最近的网格像素点集中的任意点B的距离；定义当前关注点的概念，并将当前关注点设为B；定义任意两点X，Y的距离的描述变量DXY，表示X、Y在网格中的最近直线距离；

Step2：定义相对于当前关注点B的次近点C，使对于任意点X，不存在同时满足DAXDAB且DAXDAC的点，由此确保C点为仅次于B点的，距离A点较近的点；

Step3：绘制半径DAC圆环T_i，i＝i+1，并将当前关注点更新为当前关注点的次近点，如将当前关注点B更新为B点的次近点C；随后，判定网格中位于圆环T_i上的像素点，是否存在陆地像素点：

若判定不存在陆地像素点，则继续构建半径更大的圆形边界T_i，i＝i+1，该圆环的半径为DAD；其中D点为相对于当前关注点C的次近点；

若判定存在陆地像素点E，则标记该陆地像素点E，同时从E点出发，沿着直线EA的延长线，寻找第一个不是水体像素点的陆地像素点G，由此确定EA延长线上最后一个水体像素点F，确保在延长线上F点与G点相邻；此时DCF即为河道中关于A点的最大内切圆的直径，也就是以A点为测量点的河道宽度KA；

Step4：重复Step1至3步骤Q次，其中Q为正整数，且Q10，基于不同的随机初始点S，得到多个河道宽度的测量集合KS，计算KS的统计平均值，即为该幅河道遥感图像的河道平均宽度。

2.根据权利要求1所述的方法，其特征在于，所述步骤4中采用了基于聚类排序的集成学习模式进行多模型的目标区域分类结果融合，得到最终的多光谱图像区域分类识别结果。