联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统技术方案

一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统，获取目标区域的高分辨率遥感影像，进行影像数据归一化，分为样本影像和测试影像；构建深度卷积网络，提取各样本影像的影像特征，所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；对各样本影像分别进行逐像素类别预测，利用预测值与真值之间的误差构建损失函数，对网络参数进行更新训练；对测试影像通过深度卷积网络提取影像特征，进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到提取结果。本发明专利技术能够对遥感影像进行精确地自动化不透水面提取，符合实际的城市规划应用需求。

【技术实现步骤摘要】
联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统
本专利技术属于遥感影像数据的信息提取领域，涉及联合深度学习和语义概率的高分辨率遥感影像不透水面提取技术方案。
技术介绍
不透水面(ImperviousSurface)是指地面阻止水分向土壤渗透的人工地表,常见的有建筑、道路、广场、停车场等，是评价城市生态系统健康及人居环境质量的关键指标之一。深度学习，特别是卷积神经网络，通过模拟人脑的认知过程，对外部输入信号进行从低级到高级的特征提取与识别，已经在自然图像的分类、分割和内容理解等领域取得了一系列突破性应用成果。但是，对于空间分辨率较低、地物类型更加复杂的遥感影像，卷积神经网络难以有效建立不同地物间的空间关系，从而导致分类结果的破碎或不合理。因此，本领域亟待更符合实际需求的新技术方案出现。
技术实现思路
为了能够从遥感影像上准确地挖掘特征并用于不透水面提取，本专利技术的目的在于提供一种基于深度学习的不透水面遥感提取技术方案。本专利技术的技术方案提供一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，包括以下步骤：步骤一、获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将所得归一化后的目标区域影像分为样本影像和测试影像两部分；步骤二、构建用于高分辨率遥感影像特征提取的深度卷积网络，提取各样本影像的影像特征；所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；步骤三、利用提取所得的影像特征，对各样本影像分别进行逐像素类别预测；步骤四、利用样本影像的预测值与真值之间的误差构建损失函数，并对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练；步骤五、利用步骤四的训练结果，对测试影像通过深度卷积网络提取影像特征，利用提取所得的影像特征进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到分类结果，实现提取不透水面。而且，步骤一中，通过进行影像数据归一化，使得目标区域影像具有平稳的性质，消除奇异数据对模型学习的不良影响。而且，所述深度卷积网络的前半段由多个卷积和池化层交叉堆叠构成，此过程实现遥感影像的多尺度特征提取，后半段则由对应的反池化和反卷积层堆叠而成，用于在于将网络前半段所提取的特征重新映射到每个像素点，最终实现逐像素的特征提取及类别概率预测，得到各目标区域影像的影像特征。而且，利用提取所得的影像特征，进行逐像素类别预测，实现方式为，采用softmax回归对像素点属于每一类的概率进行预测，得到每个像素点对应各个地物类别的概率。而且，步骤四中，对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练时，采用梯度下降法实现迭代更新，直至损失函数降低至满足预设条件。而且，所述条件随机场模型的能量函数由数据项和光滑项组合而成，数据项惩罚预测类别与真实类别标签间的不一致性，光滑项惩罚相邻像素类别标签的不一致性，通过平衡二者关系，最终实现不透水面的准确提取。而且，设xi表示第i个像素的标签变量，xi为0-1向量，当其对应像素属于第k个地物类别时，则xi的第k个元素xi,k为1，其余为零，为标签变量集合，条件随机场模型表达为能量函数E(x)如下，其中，(i,j)∈E表示第i个像素和第j个像素是邻接的顶点；数据项Ψu(xi)对标签与预测概率间的距离进行约束，其中，预测概率表示预测得到的第i个像素属于第k个类别的概率；光滑项Ψp(xi,xj)则对相邻像素间标签的不一致性进行惩罚，Ψp(xi,xj)＝μ(xi,xj)(k(1)(Ii,Ij)+λk(2)(Ii,Ii))其中，为标签变量xi和xj的示性函数，k(1)(Ii,Ij)和k(2)(Ii,Ij)分别要求空间相邻像素的标签应该一致、相邻且光谱一致的像素类别应该一致，Ii表示第i个像素点的光谱特征，Ij表示第j个像素点的光谱特征，λ为可调控参数。本专利技术提供一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取系统，包括以下模块：第一模块，用于获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将所得归一化后的目标区域影像分为样本影像和测试影像两部分；第二模块，用于构建用于高分辨率遥感影像特征提取的深度卷积网络，提取各样本影像的影像特征；所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；第三模块，用于利用提取所得的影像特征，对各样本影像分别进行逐像素类别预测；第四模块，用于利用样本影像的预测值与真值之间的误差构建损失函数，并对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练；第五模块，用于利用第四模块的训练结果，对测试影像通过深度卷积网络提取影像特征，利用提取所得的影像特征进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到分类结果，实现提取不透水面。而且，所述深度卷积网络的前半段由多个卷积和池化层交叉堆叠构成，此过程实现遥感影像的多尺度特征提取，后半段则由对应的反池化和反卷积层堆叠而成，用于在于将网络前半段所提取的特征重新映射到每个像素点，最终实现逐像素的特征提取及类别概率预测，得到各目标区域影像的影像特征。而且，所述条件随机场模型的能量函数由数据项和光滑项组合而成，数据项惩罚预测类别与真实类别标签间的不一致性，光滑项惩罚相邻像素类别标签的不一致性，通过平衡二者关系，最终实现不透水面的准确提取。综上所述，本专利技术提出了一种不透水面遥感提取技术方案，针对高分辨率遥感影像构建深度卷积网络进行自动的特征提取，并创新性地将其与概率模型进行结合对其预测结果进行语义层面的优化，从而得到更为合理的不透水面提取结果。本专利技术能从数据出发进行自动特征提取，并将其与像素点的邻域语义关系进行关联，对遥感影像进行精确地不透水面提取，并且数据源便于获取，操作步骤明确可重复，该专利技术非常符合实际的城市规划应用需求。附图说明图1为本专利技术实施例的方法流程示意图。图2为本专利技术实施例的条件随机场概率模型。具体实施方式为了更好地理解本专利技术的技术方案，下面结合附图和实施例对本专利技术做进一步的详细说明。本专利技术为针对现有技术缺陷，提出利用深度卷积网络，将整个影像作为输入，引入全局优化和类别空间关系信息作为约束，训练深度学习模型对不透水面精确提取。参见图1，本专利技术实施例提供的一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，包括以下步骤：步骤一、获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将归一化后的目标区域影像分为样本影像和测试影像两部分：所述影像归一化预处理目的在于使得影像具有平稳的性质，消除奇异数据对模型学习的不良影响。高分辨率遥感影像一般是指分辨率在米级和亚米级的遥感影像，即空间分辨率在10m以内。具体实施时，本领域技术人员可自行预先设定目标区域，获取目标区域的多幅高分辨率遥感影像，如实施例采用高分2号卫星。实施例采用的归一化方法是特征标准化。特征标准化的目的是使影像数据中所有特征都具有零均值和单位方差，即数据的每一个维度具有零均值和单位方差，对影像数据进行归一化，使影像具有平稳的性质。特征标准化的具体做法是：首先计算每一个波段上数据的均值(使用全体影像计算)，之后在每一个波段上都减去该均值，然后在影像本文档来自技高网...

【技术保护点】
1.一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于，包括以下步骤：步骤一、获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将所得归一化后的目标区域影像分为样本影像和测试影像两部分；步骤二、构建用于高分辨率遥感影像特征提取的深度卷积网络，提取各样本影像的影像特征；所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；步骤三、利用提取所得的影像特征，对各样本影像分别进行逐像素类别预测；步骤四、利用样本影像的预测值与真值之间的误差构建损失函数，并对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练；步骤五、利用步骤四的训练结果，对测试影像通过深度卷积网络提取影像特征，利用提取所得的影像特征进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到分类结果，实现提取不透水面。

【技术特征摘要】
1.一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于，包括以下步骤：步骤一、获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将所得归一化后的目标区域影像分为样本影像和测试影像两部分；步骤二、构建用于高分辨率遥感影像特征提取的深度卷积网络，提取各样本影像的影像特征；所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；步骤三、利用提取所得的影像特征，对各样本影像分别进行逐像素类别预测；步骤四、利用样本影像的预测值与真值之间的误差构建损失函数，并对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练；步骤五、利用步骤四的训练结果，对测试影像通过深度卷积网络提取影像特征，利用提取所得的影像特征进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到分类结果，实现提取不透水面。2.根据权利要求1所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：步骤一中，通过进行影像数据归一化，使得目标区域影像具有平稳的性质，消除奇异数据对模型学习的不良影响。3.根据权利要求1所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：所述深度卷积网络的前半段由多个卷积和池化层交叉堆叠构成，此过程实现遥感影像的多尺度特征提取，后半段则由对应的反池化和反卷积层堆叠而成，用于在于将网络前半段所提取的特征重新映射到每个像素点，最终实现逐像素的特征提取及类别概率预测，得到各目标区域影像的影像特征。4.根据权利要求3所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：利用提取所得的影像特征，进行逐像素类别预测，实现方式为，采用softmax回归对像素点属于每一类的概率进行预测，得到每个像素点对应各个地物类别的概率。5.根据权利要求1或2或3或4所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：步骤四中，对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练时，采用梯度下降法实现迭代更新，直至损失函数降低至满足预设条件。6.根据权利要求1或2或3或4所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：所述条件随机场模型的能量函数由数据项和光滑项组合而成，数据项惩罚预测类别与真实类别标签间的不一致性，光滑项惩罚相邻像素类别标签的不一致性，通过平衡二者关系，最终实现不透水面的准确提取。7.根据权利要求6所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：设...

【专利技术属性】
技术研发人员：邵振峰，王磊，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42