[发明专利]一种深度学习的遥感影像水体提取系统

说明书

本发明涉及河流图像提取领域，具体为一种深度学习的遥感影像水体提取系统，有效的解决了河流边缘细节难以提取和有标签数据难获取的问题；实现步骤为：对训练图进行数据增强；对增强数据进行归一化处理；将处理数据输入到语义分割网络的编码器中，得到粗粒度语义图；将粗粒度语义图输入语义分割网络的解码器中，得到细粒度语义图；对粗粒度语义图和细粒度语义图进行非均匀采样；对粗粒度语义图和细粒度语义图进行特征融合；使用损失函数对网络进行调参，当损失函数值最小时输出，得到最优语义分割网络。本发明可以实现河流高分辨率影像提取。

技术领域

本发明涉及河流图像提取领域，具体为一种深度学习的遥感影像水体提取系统。

背景技术

随着我国遥感卫星技术的发展，高分辨率的遥感影像的获取越来越便捷，对遥感影像的河流提取成为对高分辨率遥感图像的重要应用之一。作为生态系统的重要组成部分，河流对人们的生产生活有着至关重要的作用，高分辨率遥感影像的河流提取在农业灌溉、水利规划以及生态监测都有着重要意义。

近年来深度学习取得重要进展，以全卷积神经网络和编译码器网络为代表的各种网络在遥感影像的语义分割取得了一些成果。例如：将反卷积作为上采样结构，将编码器的特征连接到解码器，将低维信息和高维信息进行融合，恢复更多的空间信息；对每一类地物目标训练一个二分类模型，随后将各预测子图组合生成最终语义分割图像；在网络中加入更丰富的连接，将更多的浅层信息传导至网络深层，避免了参数过多增加；利用编码器网络提取超高分辨率图像的高层语义特征，利用解码器网络将低分辨率编码器特征映射到全输入分辨率特征映射，实现像素级标记。现有的编解码结构语义分割网络均是对图像进行均匀划分，每个像素点均为采样点，使用分割算法进行分类。对于图像的低频区域，相对平滑、颜色变化小，不用采样过多的点。而对于高频区域，变化明显，多为物体边缘，如果采样点太过稀疏，最终会导致分割出的物体边界过于平滑。因此分割网络存在对平滑区域过采样，对边界欠采样。

发明内容

针对河流边缘细节难以提取和有标签数据难获取的问题，本发明提出了一种深度学习的遥感影像水体提取系统，本发明将非均匀采样应用到编解码结构图像语义分割网络，对编码器网络提取到的粗粒度语义图与解码器提取到的细粒度语义图进行非均匀采样，提取到的特殊点进行双线性插值，完成粗细粒度语义特征的融合，能够用于高分辨率影像的河流提取。

为了实现所述目的，本发明采用的具体实施方案如下：

一种深度学习的遥感影像水体提取系统,包括：

S1、对训练图进行数据增强；

S2、对增强数据进行归一化处理；

S3、将处理数据输入到语义分割网络的编码器中，得到粗粒度语义图；

S4、将粗粒度语义图输入语义分割网络的解码器中，得到细粒度语义图；

S5、对粗粒度语义图和细粒度语义图进行非均匀采样；

S6、对粗粒度语义图和细粒度语义图进行特征融合；

S7、使用损失函数对网络进行调参，当损失函数值最小时输出，得到最优语义分割网络否则重复步骤S3～S6。

所述训练图需分割处理，分割大小为512x512，并对与训练图对应的标签图像按照相同的方式分割。

所述数据增强操作方式为：向右旋转90°、180°、270°；左右翻转；上下翻转。

所述数据进行归一化处理。采用最大最小标准化，将数据归一化到[0,1]，计算式为：

式中x为原始图像；x'——归一化之后的图像；min(x)——图像像素最小值；max(x)——图像像素最大值。

所述S3中，语义分割网络使用前需初始化处理，