[发明专利]融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置

说明书

本发明公开一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置，包括如下步骤：S1、将高分辨率遥感影像输入DeepLabv3+语义分割神经网络模型中，将遥感影像对应位置的地形数据输入地形特征提取网络模型；S2、地形特征提取网络模型提取的地形特征输出至DeepLab v3+语义分割神经网络模型，与DeepLab v3+语义分割神经网络模型中的深层特征进行融合；S3、DeepLab v3+语义分割神经网络模型输出高分辨率遥感影像中的云像元和雪像元。通过地形特征提取网络融入地形特征，并在DeepLab v3+语义分割神经网络模型中引入通道注意力模块，在针对山区云雪识别的应用中，可以提高模型云雪识别精度，减少云雪互相误分的情况，同时降低了模型预测的时间。

技术领域

本发明属于图像识别技术领域，更具体地，本发明涉及一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置。

背景技术

积雪作为冰冻圈的重要组成部分，是地球表面最活跃的自然要素之一，在气候变化研究与干旱半干旱区域水资源利用等方面具有重要的地位。一方面，积雪具有高反照率，其积累和消融总是伴随着能量的收支，对气候变化也具有敏感的反馈效应，在全球或区域的气候系统中扮演着极其重要的角色。另一方面，季节性积雪是我国干旱、半干旱地区的主要淡水资源来源之一，春季融雪径流占河流补给量70％以上，对这些地区的工、农业发展以及居民生活有着直接影响。同时，春季融雪型洪水也是干旱半干旱地区多发典型灾害之一。遥感技术具有获取大面积积雪信息的能力，对于地面观测手段难以达到的高寒山区具有明显优势。因此，针对遥感影像开展积雪识别研究具有很重要的科学和实际意义。

对于光学遥感影像而言，云会对地物识别带来极大的影响，云层较厚会完全遮挡地表，导致信息的缺失；薄云与下垫面的信息相互混合，导致使目标识别和信息提取的准确度下降。卫星云图中云的检查标准可将分为无云、部分云、完全云，而这些云在积雪遥感中一直处于“污染”的地位，会影响积雪的识别与分类。由于云和积雪在可见光波段相似的高反射率光谱特征，云雪识别是遥感影像积雪识别的重要任务之一，也发展出了云雪识别的经典算法。大部分高分辨率遥感影像空间分辨率高，拥有更丰富的细节纹理，但是其波段数较少，一般只有四个光学波段，缺少经典云雪识别算法中需要的关键波段——短波红外波段。所以如何针对缺少短波红外波段的高分辨率遥感影像进行云雪识别，是积雪遥感研究的重要方向之一。

对于山区积雪而言，不同的地形会导致积雪受到不同的太阳辐射量、风速风向和空气湿度等的影响，同时上坡融雪会对下坡产生影响，从而呈现出不同的积雪分布与积雪性质，而云的分布更加无序，受地形影响较小。因此，结合地形数据进行山区积雪识别是具有一定可靠性的，但是现阶段基于高分辨率遥感影像的深度神经网络云雪识别并没有有效的加入地形数据。因此，研发一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法与装置具有重要价值。

发明内容

本发明提供一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法，通过利用地形特征提取网络模型融合地形特征，并在DeepLab v3+语义分割神经网络模型中引入通道注意力模块，在针对山区云雪识别的应用中，可以提高模型云雪识别精度，减少云雪互相误分的情况。

本发明是这样实现的，一种融合地形数据与深度神经网络的高分辨率遥感影像云雪识别装置，所述装置包括：

基于简化残差神经网络的地形特征提取网络模型及引入注意力机制的DeepLabv3+语义分割神经网络模型，其中，

在DeepLab v3+语义分割神经网络网络模型的空洞卷积金字塔池化层ASPP的输出端通过融合层Concat连接1×1卷积层，地形特征提取网络模型的输出端与融合层Concat连接。

进一步的，所述地形特征提取网络模型依次由空洞3×3卷积层、批量归一化层、Relu激活函数、空洞3×3卷积层、批量归一化层、Relu激活函数、三层空洞残差网络组成。

进一步的，在融合层Concat输出端设置通道注意力模块。