[发明专利]融合多源高分辨率卫星遥感影像的海上养殖区域分类方法

说明书

本发明涉及一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，获取设定时间段内，覆盖我国海岸线30km范围的多种卫星遥感影像；对卫星遥感影像进行预处理以及数据归一化后获得标准米级高分辨率图像；将标准图像划分为训练集、测试集以及检测集；由训练集中选择样本分别对U2‑Net和HRNet‑OCR深度学习卷积神经网络模型进行训练，由测试集中选择样本进行测试；采用封装的两种模型分别对检测集中的影像进行检测，输出检测结果进行融合后，获得植物型和动物型海上养殖区域分布结果。本发明结合了两种模型的优势，有效提高养殖区域提取准确率，降低了人工甄别的工作量，提高了工作效率，实现了大尺度范围内近海岸不同类型海水养殖区域的快速可靠自动识别分类。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法。

背景技术

近年来，随着市场需求的持续增加、国家政策支持以及养殖技术的不断进步，我国水产养殖产业得以迅速发展，海上养殖产业及逐渐成为我国农业以及“蓝色经济”的重要组成部分，然而快速、无序的扩张也对生态环境和海上交通带来了一系列负面影响。因此快速、准确的获取海上养殖区域的分布和位置范围变化，对防控养殖污染、保障通航安全、优化养殖空间布局具有重要的现实意义。目前已有大量学者针对海上养殖区域的空间分布进行提取分析：

从使用的方法来看：现有的海水养殖区域提取方法主要是基于不同类型的卫星传感器数据，方法主要包括目视解译法、指数法、空间结构信息分析以及面向对象的分类方法等。这些方法还存在一定的缺陷，如目视解译过程往往费时费力，难以满足大范围、高频次、快速化监测，指数法存在“椒盐效应”明显的缺陷，基于空间结构信息分析方法和面向对象的分类方法缺乏稳定性、普适性且自动化程度较低。

从使用的遥感数据来看：大尺度范围海上养殖区域提取多采用Landsat、ASTER、GF-1WFV等中分辨率卫星影像，局部尺度提取使用基于SPOT-5、资源-3或GF-1PMS等单一类型高分辨率卫星影像。

从提取对象来看，目前的近岸海水养殖信息提取较多关注的是海洋植物养殖区域，而对于海洋动物养殖区域的提取研究较少，但是海洋动物养殖区域也是近岸海域主要的污染源，暂时缺少合适的提取方法。

综上所述，当前的海上养殖区域提取方法难以同时兼顾高时间分辨率和高空间分辨率，仅局限于使用较低时间分辨率和中等空间分辨率的卫星影像进行大尺度范围的海上养殖区域提取分析，或者使用单一来源的高分辨率影像进行局部尺度的精确提取研究，而且对海上养殖区域的研究局限于植物型养殖区域，缺乏对动物型养殖区域的研究，制约海上养殖区域的动态监管评估。

发明内容

针对现有技术中存在的问题，本发明提供一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，融合多卫星影像，结合U2-Net和HRNet-OCR两种深度学习卷积神经网络(CNNs)结构，实现对全国尺度甚至全球尺度近海岸不同类型养殖区域的高效提取。

为达到上述目的，本发明提供了一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，包括：

获取设定时间段内，覆盖我国海岸线30km范围的多种卫星遥感影像；

对卫星遥感影像进行预处理、存储格式统一以及数据归一化后获得标准图像；

将标准图像划分为训练集、测试集以及检测集；

对训练集和测试集中的标准图像进行养殖区域和类型标注；

构建用于识别海上养殖区域类型的U2-Net和HRNet-OCR深度学习卷积神经网络模型；

由训练集中选择样本分别对U2-Net和HRNet-OCR深度学习卷积神经网络模型进行训练，满足精度要求后，由测试集中选择样本进行测试，测试满足精度要求后，封装U2-Net和HRNet-OCR深度学习卷积神经网络模型；