[发明专利]基于图像金字塔引导和像素对匹配的遥感影像水体识别方法

权利要求书

1.基于图像金字塔引导和像素对匹配的遥感影像水体识别方法,其特征在于，首先执行如下步骤A至步骤D，获得水体识别模型；然后执行步骤i至步骤ii，应用水体识别模型，针对目标遥感影像进行识别；

步骤A.收集各幅样本遥感影像，并分别针对各幅样本遥感影像，通过下采样构建样本遥感影像所对应的图像尺度金字塔，且进一步构建该图像尺度金字塔中各层尺度特征图分别对应的线性残差块，然后进入步骤B；

步骤A中的线性残差块通过如下算法计算：

设定样本水体的遥感影像对应的图像尺寸为3×H×W，H为图像的高，W为图像的宽，通过下采样构建图像尺度金字塔：

其中，表示图像尺度金字塔的第i层；

分别针对图像尺度金字塔的每一层尺度特征图，依次经过1×1卷积、3×3卷积、1×1卷积计算之后，再叠加该层尺度特征图经过1×1卷积得到的图像特征，得到对应于该层尺度特征图的线性残差块；

步骤B.分别针对各幅样本遥感影像，利用预设的神经网络算法，结合样本遥感影像所对应图像尺度金字塔中各层尺度特征图分别对应的线性残差块，构建该样本遥感影像所对应的图像特征金字塔；进而获得各幅样本遥感影像分别所对应的图像特征金字塔,然后进入步骤C；

通过步骤B1到步骤B2得到步骤B中的图像特征金字塔：

步骤B1.利用预设的神经网络算法对样本水体的遥感影像进行水体特征提取，级联步骤A中的第一层尺度特征图对应的线性残差块，得到图像特征金字塔的第一层特征图；

步骤B2.将步骤B1中获取的图像特征金字塔的第一层特征图作为第二层神经网络算法的输入，得到第二层神经网络算法的输出，级联步骤A中的第二层尺度特征图对应的线性残差块，得到图像特征金字塔的第二层特征图，依次类推，得到了图像特征金字塔全部层次的特征图；

步骤C.分别针对各幅样本遥感影像，针对样本遥感影像中每个像素点，通过图像特征金字塔构建一维特征向量，获得该样本遥感影像所对应的像素特征向量矩阵；进而获得各幅样本遥感影像分别所对应的像素特征向量矩阵,然后进入步骤D；

步骤D.以各幅样本遥感影像分别所对应的图像特征金字塔作为网络源头输入，样本遥感影像所对应的像素特征向量矩阵作为网络全连接层输入，样本遥感影像是否为水体作为输出，结合预设网络总体损失函数，应用各幅样本遥感影像，针对目标神经网络进行训练，获得水体识别模型；

步骤D中用于训练水体识别模型的神经网络的总体损失函数按照如下公式计算得到：

L_total＝αL_PPM+βL_Seg

α+β＝1

其中，L_total表示网络的总体损失函数，L_PPM表示基于匹配度的相似性损失函数，L_Seg表示基于语义分割的相似性损失函数，α为基于匹配度的相似性损失函数的权重，0≤α≤1，β为基于语义分割的相似性损失函数的权重，0≤β≤1；

基于语义分割的相似性损失函数通过以下公式来计算：

L_seg＝-Σ_p∑_cg_p(1-s_p,c)²log(s_p,c)

其中，p为所训练的样本水体的遥感影像图像的像素索引，c∈[0,1]表示训练集图像像素类别，s_p,c为像素p预测为类别c的概率，g_p∈[0,1]为其样本标签；

通过步骤D1至步骤D2来构建基于匹配度的相似性损失函数:

步骤D1.选定样本水体的遥感影像的一个像素点作为目标像素点，通过步骤D1-1至步骤D1-2计算该目标像素点的相似性损失函数值：

步骤D1-1.针对目标像素点的每个选定的扩张率r，通过如下步骤D1-1-1至D1-1-3计算该目标像素点在该扩张率下的相似性损失函数值：

步骤D1-1-1.根据选定扩张率r来确定目标像素点x(i,j)的邻域像素点集合，邻域像素集合取值如下公式所示：

其中，I_r(i,j)表示选定扩张率r(r₁,r₂)的邻域像素集合，r₁表示扩张率r(r₁,r₂)在水平方向的速率，r₂表示扩张率r(r₁,r₂)在垂直方向的速率；

步骤D1-1-2.根据语义标签按照如下公式计算目标像素点x(i,j)与邻域像素点I(i,j)的相似性真值：

其中，l_x(i,j)和l_I(i,j)是像素x(i,j)和I(i,j)的语义标签，s(x(i,j),I(i,j))、s(I(i,j),x(i,j))表示目标像素点x(i,j)与邻域像素点I(i,j)的相似性，当两个像素语义标签相同时，赋值为1，否则为0；

步骤D1-1-3.用匹配度来定义目标像素点x(i,j)与选定扩张率r(r₁,r₂)的N个邻域像素的相似性情况，并分为N+1个等级，即m₀至m_N,m_n表示对于目标像素点x(i,j)相似性真值为1的领域像素数量,其中0≤n≤N，遍历整幅图像获取在该扩张率下m₀至m_N的频率，则目标像素点在该扩张率下的相似性损失函数L_r按照如下公式计算：

FL(p_t)＝-(1-p_t)^γlog(p_t)where

其中，freq(m_N,r)表示在扩张率r(r₁,r₂)下匹配度m_N的频率，sum(y′＝1)表示与目标像素的相似性真值y′为1的邻域像素数量，freq(m_{sum(y′＝1)},r)表示在扩张率r(r₁,r₂)下目标像素点的匹配度m_{sum(y′＝1)}的频率，γ为聚焦参数，p_s∈[0,1]表示预估的相似性真值为1的概率；

步骤D1-2.目标像素点的相似性损失函数L_pr通过累加各个扩张率下的相似性损失函数得到，具体按照如下公式计算得到：

其中，r代表选定的不同的扩张率的集合；

步骤D2.针对样本水体的遥感影像图像的每一个像素点，按照上述步骤D1-1至步骤D1-2获得该像素点的相似性损失函数，累加各个像素点的相似性损失函数，得到该样本水体的遥感影像的相似性损失函数L_PPM，如下公式所示：

其中，p为所训练的样本水体的遥感影像图像的像素索引；

步骤i.按照步骤A至步骤C的方法，针对目标遥感影像进行处理，获得目标遥感影像所对应的图像特征金字塔、以及像素特征向量矩阵；

步骤ii.根据目标遥感影像所对应的图像特征金字塔、以及像素特征向量矩阵，应用水体识别模型，获得对目标遥感影像的识别结果。