基于深度置信网络的城市不透水层提取方法技术

本发明专利技术公开了一种基于深度置信网络的城市不透水层提取方法，方法包括：100、获取配准后的全极化SAR数据和多光谱图像数据；101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；103、将所述极化特征和所述光学特征组合为特征向量；104、将所述特征向量输入训练后的分类器中，获取地物分类结果；105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；其中，分类器为采用训练样本预先训练深度置信网络获得的分类器。本发明专利技术的方法提高了地表覆盖类型分类的正确率，有效地提高了城市不透水层提取的精度。

Urban impervious layer extraction method based on deep belief network

The invention discloses a method for extracting urban impervious layer based on depth confidence network, which includes: 100, acquiring registration full-polarization SAR data and multi-spectral image data; 101, preprocessing full-polarization SAR data to obtain polarization characteristics of pre-processed full-polarization SAR data; 102, number of multi-spectral images; Pre-processing; extracting the optical features of the pre-processed multispectral image data; 103. Combining the polarization features and the optical features as feature vectors; 104. Inputting the feature vectors into the trained classifier to obtain the classification results; 105. According to the classification results of the objects, the classification results of the objects are included in the classification results. The classifier is a classifier obtained by pre-training depth confidence network with training samples. The method of the invention improves the accuracy of classification of surface cover types and effectively improves the accuracy of extraction of urban impervious layer.

【技术实现步骤摘要】
基于深度置信网络的城市不透水层提取方法
本专利技术属于遥感图像处理技术，尤其涉及一种基于深度置信网络的城市不透水层提取方法。
技术介绍
城市化是剧烈的人类活动改变大自然的集中表现之一，城市化的一个集中表现便是大量不透水表面的增加，而城市化对环境的影响，则是大量不透水表面对环境造成的影响。尽管各种污水、废气和固体废物的处理都保持达标的水平，但持续高速的城市发展，势必大大增加了各种污染处理的压力，此外，城市所积累的各类污染物，进入大气循环和水循环，造成了整个城市的大气和水体的非点源污染，更是难于监测和管理。城市不透水层监测对城市化及其环境影响的准确、及时评估，对整个社会制定经济、社会和科技可持续发展战略具有重要的意义。已有研究表明，不透水层的面积和分布，是一个城市的城市化对环境造成影响的重要影响因子，能为城市管理、环境监测的决策分析提供有效的支持。一直以来，城市不透水层信息的准确获取是一项具有挑战性的课题。传统的实地测量，结合GPS进行测量，以及利用航空拍摄的摄影测量方法，都由于昂贵的成本而无法用于大范围估算和及时更新。利用光学卫星遥感影像进行不透水层的提取，由于价格低廉而成为大面积估算不透水层的主要方法。光学遥感卫星获取地物在可见光及近红外波段的地表反射信息，因此地物种类的复杂度是一个关键因素，它既影响了地物分类的准确性，同时影响检测不透水层的准确率。首先，裸土层很容易混淆亮不透水层(e.g.空旷的房顶，新水泥路面)，阴影区和水体很容易混淆暗不透水层(e.g.柏油马路和旧的水泥路面)，混淆的原因是这些地物的布拉格散射相似。另外天气原因，随机出现的云层和气候这些因素同时导致了地物类型识别的低准确度。光学遥感图像中覆盖的不同厚度的云层，大大增加了不透水层提取的难度，而微波遥感具有穿透云层，全天候工作的优点，在遥感监测中具有独特的优势；此外，由于微波与地表水分的有一定的作用关系，微波遥感常被用于反演土壤水分和空气中的水分，而地表水分含量对不透水层的提取也提供重要的信息。因此结合光学遥感和微波遥感提取城市不透水层，对城市不透水层提取监测可以大大提高其精确度。目前，合成孔径雷达(SAR)是主要的微波遥感手段之一，被较为广泛地用于地表环境监测。SAR与光学遥感的显著差异是其反应的是地物的介电特性与几何结构(包括朝向)，因此能够提供对于地物分类任务非常有益的互补信息。与单极化SAR相比，全极化SAR系统不仅能够获取地物的后向散射截面，还能够获得地物在任意不同极化电磁波照射下的后向散射信息，从而更加有助于对地物的类型进行区分。从分类器模型来看，目前常用的分类器有监督的支持向量机(SVM)、随机森林(RF)以及人工神经网络(ANN)等。相比浅层网络，深度神经网络模型具有多层神经元，在描述复杂结构方面具有非常强大的能力。然而，当权重随机初始化时，随着网络深度的增加，梯度(从输出层到网络的初始层)的幅度急剧下降，整体损失函数相对于前几层的权重的梯度非常小，即第一层的权重变化非常缓慢，以至于深度神经网络无法从样本中有效地学习，这个问题通常被称为“梯度弥散”。为此，业内人士提出了深度置信网络(DBN)，DBN可以一次一层地学习由受限玻尔兹曼机(RBM)组成的信念网络，以便利用数据的互补先验。为此，如何通过光学图像、全极化SAR图像，结合深度置信网络技术，提高地表覆盖类型分类的正确率，以提高城市不透水层的提取精度成为当前需要解决的技术问题。
技术实现思路
针对现有技术中的问题，本专利技术提供一种基于深度置信网络的城市不透水层提取方法，该方法结合深度置信网络技术，提高地表覆盖类型分类的正确率，从而有效地提高城市不透水层提取的精度。第一方面，本专利技术提供一种基于深度置信网络的城市不透水层提取方法，包括：100、获取配准后的全极化SAR数据和多光谱图像数据；101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；103、将所述极化特征和所述光学特征组合为特征向量；104、将所述特征向量输入训练后的分类器中，获取地物分类结果；105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；其中，所述分类器为采用训练样本预先训练深度置信网络获得的分类器。可选地，所述步骤101包括：S1、对所述全极化SAR数据进行格式转换和/或定标处理，得到处理后的矩阵；S2、判断处理后的矩阵是否为全极化SAR协方差矩阵C；S3、若处理后的矩阵为复极化散射矩阵S，则将所述复极化散射矩阵S转换为全极化SAR协方差矩阵C；S4、对所述全极化SAR协方差矩阵C进行多视处理、精致极化Lee滤波，获取相干矩阵T和Stokes向量；所述全极化SAR协方差矩阵C为所述步骤S3中的转换后的全极化SAR协方差矩阵C，或者为处理后的全极化SAR协方差矩阵C；S5、对所述全极化SAR协方差矩阵C、所述相干矩阵T、所述Stokes向量提取极化特征，得到所述全极化SAR数据的极化特征。可选地，所述步骤102包括：对多光谱图像数据依次进行大气校正、几何校正、辐射校正和/或地理编码的预处理，获得预处理后的多光谱图像数据。可选地，所述步骤102还包括：提取预处理后的多光谱图像数据中各波段信息；根据所述各波段信息，获取预处理后的多光谱图像数据的辐射强度信息；提取预处理后的多光谱图像数据的纹理信息和植被覆盖指数信息；所述各波段信息、辐射强度信息、纹理信息、植被覆盖指数信息组成所述光学特征。可选地，在所述步骤104之前，所述方法还包括：104a、采用训练样本训练所述深度置信网络，获取训练后的分类器。可选地，所述步骤104a包括：所述训练样本为包括有地面验证信息/标签的样本，所述训练样本的类型包括：亮不透水面类型、暗不透水面类型、植被类型、裸土类型、水体类型、阴影类型；基于训练样本，利用对比散度算法对串联的受限玻尔兹曼机进行逐层非监督预训练，获取预训练后的DBN网络；将预训练后的DBN网络最后一层增加softmax分类器，并利用反向传播算法对所述DBN网络权重进行调整，得到高准确度的地物类型分类器。可选地，所述步骤105包括：对所述地物分类结果的分类精度进行定量化评估；若定量化评估结果满足预设阈值，则将地物分类结果中的地物类型中的亮不透水面和暗不透水面归为不透水层类，其他类型归为一类，获得不透水层分布图。可选地，所述步骤100包括：获取微波遥感卫星的一组全极化SAR数据和光学遥感卫星的一组多光谱图像；基于人工选择地面控制点的方法，对一组全极化SAR数据和多光谱图像进行配准，采用多项式差值算法，获得配准后的全极化SAR数据和多光谱图像数据。本专利技术具有的有益效果如下：1)本专利技术的方法通过融合SAR图像和光学遥感图像的互补信息，有效地提高了不透水层监测的正确率。2)本专利技术的方法利用全极化遥感图像进行不透水面提取，相比单极化图像，可以获得地物更加丰富的地物信息，为地表类型的精确分类提供支持。3)本专利技术的方法采用基于深度置信网络对光学和SAR图像进行分类，利用非监督预训练对特征进行优化，使分类网络具有更佳的初始化权值即DBN网络的初始化参数，从而在有效训练样本的基础上取得更佳的分类性能。附图本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的城市不透水层提取方法，其特征在于，包括：100、获取配准后的全极化SAR数据和多光谱图像数据；101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；103、将所述极化特征和所述光学特征组合为特征向量；104、将所述特征向量输入训练后的分类器中，获取地物分类结果；105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；其中，所述分类器为采用训练样本预先训练深度置信网络获得的分类器。

【技术特征摘要】
1.一种基于深度置信网络的城市不透水层提取方法，其特征在于，包括：100、获取配准后的全极化SAR数据和多光谱图像数据；101、对全极化SAR数据进行预处理，获取预处理后的全极化SAR数据的极化特征；102、对多光谱图像数据进行预处理；提取预处理后的多光谱图像数据的光学特征；103、将所述极化特征和所述光学特征组合为特征向量；104、将所述特征向量输入训练后的分类器中，获取地物分类结果；105、根据地物分类结果，将地物分类结果中的地物类型进行合并，获得不透水层分布图；其中，所述分类器为采用训练样本预先训练深度置信网络获得的分类器。2.根据权利要求1所述的方法，其特征在于，所述步骤101包括：S1、对所述全极化SAR数据进行格式转换和/或定标处理，得到处理后的矩阵；S2、判断处理后的矩阵是否为全极化SAR协方差矩阵；S3、若处理后的矩阵为复极化散射矩阵，则将所述复极化散射矩阵转换为全极化SAR协方差矩阵；S4、对所述全极化SAR协方差矩阵进行多视处理、精致极化Lee滤波，获取相干矩阵和Stokes向量；所述全极化SAR协方差矩阵为所述步骤S3中的转换后的全极化SAR协方差矩阵，或者为处理后的全极化SAR协方差矩阵；S5、对所述全极化SAR协方差矩阵、所述相干矩阵、所述Stokes向量提取极化特征，得到所述全极化SAR数据的极化特征。3.根据权利要求1所述的方法，其特征在于，所述步骤102包括：对多光谱图像数据依次进行大气校正、几何校正、辐射校正和/或地理编码的预处理，获得预处理后的多光谱图像数据。4.根据权利要求3所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：李煜，孙光民，陈冠东，张渊智，
申请(专利权)人：北京工业大学，中国科学院国家天文台，
类型：发明
国别省市：北京,11