[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

说明书

本发明提出了一种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。通过图像尺度金字塔输入保证图像浅层特征被保留和传递，然后结合不同层次卷积神经网络输出特征，得到图像特征金字塔，通过双线性插值将各层输出的特征图恢复到原图大小，基于单像素点构建融合浅层纹理特征与深层语义信息的多尺度特征向量，随后送入全连接层以获得初始预测结果。对于全连接层输出，首先，基于扩张卷积引入扩张率来衡量目标像素与限定区域内一组像素的相似性，通过构建基于匹配度的相似性损失函数，再结合基于语义分割的相似性损失函数构建网络整体损失函数，训练神经网络，完成水体识别模型的构建，从而在输入目标遥感影像时，精准完成水体识别。

技术领域

本发明涉及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，属于电子、通讯、信息工程领域。

背景技术

水体识别，在军事侦察、环境保护、测绘、地理等领域，都是一个重要的研究课题。遥感技术的发展使得人们提取水体信息不再通过实地测量，而是对遥感影像进行解析。遥感影像与普通影像相比，具有更加丰富的特征信息，其在地物可分性方面要强于普通影像。如何从背景复杂、地物信息丰富的遥感影像中对水体特征进行准确表达是水体识别的关键。

遥感数据不仅包含了地物的光谱信息，还含有地物的空间分布信息，所含信息量复杂，给水体识别带来了挑战，传统的水体识别算法基于人工设计特征来完成水陆分割。但是一般来说，人工设计特征的方法，其特征提取能力和特征描述能力是有限的，不能充分利用上下文信息进行水体提取。深度卷积神经网络具有强大的特征表达能力，因此在图像解译中非常具有优越性，利用深度卷积神经网络对遥感影像中的水体特征进行表征，避免了人为提取特征没有充分利用上下文信息的不足。本发明利用深度卷积神经网络来对水体特征进行学习，提出一种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。该方法首先利用多尺度图像来引导骨干网进行更好的特征学习，在获得深层语义特征的同时保留图像浅层细节，然后构建了单像素点一维特征向量送入全连接层来获得标签预测，最后通过像素对匹配方法构建了基于匹配度的损失函数，结合提出的语义分割损失函数进行联合训练，提高像素分类精度，针对复杂的自然水体边缘也有较好的分割效果。

发明内容

本发明于提出了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。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；

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。