基于特征提取的光学遥感图像水域分类方法技术

本发明专利技术公开了一种基于特征提取的光学遥感图像水域分类方法，主要解决现有水域分类无法利用水域全局信息，分类精细度低的问题。其实现步骤为：训练用于遥感图像水域检测的卷积神经网络模型；使用训练好的模型检测测试图像，得到测试水域集合；提取现有数据集中训练水域集合；分别标记测试水域集合和训练水域集合的联通域，得到测试联通域和训练联通域，并分别提取这两个联通域的特征，得到测试特征集合和训练特征集合；使用训练特征集合训练随机森林模型；将测试特征集合输入随机森林，得到初始分类结果；使用约束规则优化初始分类结果，得到最终水域分类结果。本发明专利技术分类精度高，计算速度快，可用于对渔业资源调查，地质灾害监测及国土资源调查。

Water area classification of optical remote sensing image based on feature extraction

【技术实现步骤摘要】
基于特征提取的光学遥感图像水域分类方法
本专利技术属于图像处理
，特别涉及一种光学遥感图像水域分类方法，可用于对渔业资源调查，地质灾害监测及国土资源调查。
技术介绍
光学遥感图像的水域检测分类是指，在已经获取的光学遥感卫星拍摄的图像上，提取出图像中的水域位置，并且将水域分为河流，湖泊，池塘等不同类别。目前，国内对于光学遥感图像的水域分类，集中在水域检测，即提取出遥感图像中的水域，而不对水域属于河流，湖泊，池塘中的某一类别进行分类。另一种少量水域类别精细分类的研究工作，是使用卷积神经网络直接对水域进行分类；或者是首先进行水域位置检测，再通过设计不同结构卷积神经网络来提取不同类别的水域。对光学遥感图像中的水域分类现有主要技术只进行检测而不进行分类，如国外学者C.A.Rishikeshan在《ISPRSJournalofPhotogrammetryandRemoteSensing》发表的基于数学形态学技术的检测方法，该方法通过动态选择滤波器完成对图像中水域边缘、形状等空间特征提取来检测水域，但是对形状复杂的水域检测效果不佳，其次，对水域只进行检测而不进行分类，损失了大量的可用信息，限制了该方法输出结果的应用范围。在少量对水域进行分类的工作中，如国外学者AbhishekChaurasia在2017IEEEVisualCommunicationsandImageProcessing(VCIP)发表的卷积神经网络结构LinkNet，使用该方法对水域进行分类时，由于不同类别水域成像的差距较小，并且卷积神经网络Linknet无法利用水域的全局特征信息，因此同一片水域会出现不同的类别分类，分类结果精度低。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于特征提取的光学遥感图像水域分类方法，以准确检测出水域位置，并对检测出的水域进行快速精确地分类，提高水域分类结果的稳定性与精度。实现本专利技术的技术方案是，首先通过设计卷积神经网络提取遥感图像中的水域位置；在卷积神经网络分类的基础上，利用自身的先验知识，设计特征算子，对卷积神经网络输出的水域进行特征提取；训练随机森林，获取性能最优模型后，将提取到的特征输入性能最优模型，输出分类结果；然后再通过设计约束规则，进一步优化分类结果，具体实现步骤包括如下：(1)从公开网站获取包含水域的光学遥感图像的训练集Train，并使用该训练集通过反向传播算法对用于遥感图像地物分类的卷积神经网络模型m0进行训练，得到一个训练好的网络模型m1，将待分类遥感图像输入训练好的网络模型m1，输出水域二值图A，该二值图包括测试水域集合W和背景b，其中W＝{w1,w2,...,wi,...,wn},其中，wi表示二值图A中的第i个水域，i的取值是从1到n，n表示测试水域个数,取值为正整数；(2)从公开网站获取水域分类数据集，提取该数据集的训练水域集合C＝{c1,...,cj,...,cm}，其中，cj表示该数据集中的第j个水域，j的取值是从1到m，m表示训练水域个数，取值为正整数；(3)利用联通域标记算法对测试水域集合W中每一个wi进行标记，得到测试联通域集合D＝{d1,...,di,...,dn}，利用联通域标记算法对训练水域集合C中每一个cj进行标记，得到训练联通域集合E＝{e1,...,ej,...,em}，其中，di表示测试联通域集合中的第i个联通域，ej表示训练联通域集合中的第j个联通域；(4)获取测试特征集合F和训练特征集合G：(4a)提取测试联通域集合D中每一个di的直接特征fi1和间接特征fi2，将di的直接特征fi1和间接特征fi2合并为fi，得到测试特征集合F＝{f1,...,fi,...,fn}，其中，fi表示测试特征集合的第i个特征；(4b)提取训练联通域集合E中每一个ej的直接特征和间接特征将ej的直接特征和间接特征合并为gj，得到训练特征集合G＝{g1,...,gj,...,gm}，其中gj表示训练特征集合中的第j个特征；(5)使用训练特征集合G对现有的随机森林模型RF进行训练，得到训练后的随机森林模型RF1；(6)将测试特征集合F中的每一个fi输入至训练后的随机森林模型RF1，得到初始分类结果集合H＝{h1,...,hi,...,hn}，其中，hi表示初始分类结果集合中的第i个初始分类结果；(7)添加约束规则，利用测试特征集合F对初始分类结果集合H中的每一个hi进行优化，得到优化后的分类结果集合J＝{j1,...,ji,...,jn}，其中，ji表示优化后的分类结果集合中的第i个优化后的分类结果。本专利技术与现有的技术相比具有以下优点：1、本专利技术通过随机森林模型对已经检测到的水域进行分类，能在不改变现有水域检测模型的前提下，对水域实现精细的分类。2、本专利技术通过图像联通域进行特征提取后分类，能有效的利用水域的全局特征，相较卷积神经网络，本专利技术鲁棒性强，并且计算代价小，分类速度快。附图说明图1是本专利技术的实现流程示意图；图2是仿真使用的“高分2号”光学遥感图像拍摄的多光谱图像；图3是用现有方法对图2进行水域分类的仿真结果图；图4是用本专利技术对图2进行水域分类的仿真结果图。具体实施方式以下结合附图，对本专利技术的实施例和效果作进一步说明。参照图1，本实施例的实现步骤包括：步骤1，训练用于遥感图像水域检测的卷积神经网络模型m0：1.1)从公开网站上获取包含水域的光学遥感图像数据集GID，该数据集GID包括训练集Train，随机获取训练集Train中的训练图像X和训练类标二值图Y；1.2)将训练图像X输入到基于Resnet的Unet卷积神经网络模型m0中，得到一幅与训练图像X大小一致的分类二值图Z；1.3)计算分类二值图Z与训练类标二值图Y之间的绝对误差，通过反向传播算法利用该绝对误差对卷积神经网络模型m0的参数进行更新，得到参数更新后的卷积神经网络模型m0；1.4)重复步骤1.2)到步骤1.3)共200000次，得到训练好的卷积神经网络模型m1。步骤2，使用训练好的模型m1预测待检测图像水域集合。将待检测光学遥感图像输入至训练好的卷积神经网络模型m1,输出水域二值图A，该二值图包括水域集合W和背景b，其中W＝{w1,w2,...,wi,...,wn},wi表示二值图A中的第i个水域，i的取值是从1到n，n表示水域个数。步骤3，提取训练数据集中水域集合。利用公开网站获取水域分类数据集，通过数据集里人工标注的标签，得到该数据集的水域集合C＝{c1,...,cj,...,cm}，cj表示该数据集中的第j个水域，j的取值范围是从1到m，m表示水域个数。步骤4，标记测试水域集合W的联通域和训练水域集合C的联通域。4.1)利用联通域标记算法对测试水域集合W中每一个wi进行标记，得到标记后的测试联通域集合D＝{d1,...,di,本文档来自技高网...

【技术保护点】
1.一种基于图像目标特征生成与提取的光学遥感图像水域分类方法，其特征在于，包括如下：/n(1)从公开网站获取包含水域的光学遥感图像的训练集Train，并使用该训练集通过反向传播算法对用于遥感图像水域检测的卷积神经网络模型m

【技术特征摘要】
1.一种基于图像目标特征生成与提取的光学遥感图像水域分类方法，其特征在于，包括如下：
(1)从公开网站获取包含水域的光学遥感图像的训练集Train，并使用该训练集通过反向传播算法对用于遥感图像水域检测的卷积神经网络模型m0进行训练，得到一个训练好的网络模型m1，将待分类遥感图像输入训练好的网络模型m1，输出水域二值图A，该二值图包括测试水域集合W和背景b，其中W＝{w1,w2,...,wi,...,wn},其中，wi表示二值图A中的第i个水域，i的取值是从1到n，n表示测试水域个数,取值为正整数；
(2)从公开网站获取水域分类数据集，提取该数据集的训练水域集合C＝{c1,...,cj,...,cm}，其中，cj表示该数据集中的第j个水域，j的取值是从1到m，m表示训练水域个数，取值为正整数；
(3)利用联通域标记算法对测试水域集合W中每一个wi进行标记，得到测试联通域集合D＝{d1,...,di,...,dn}，利用联通域标记算法对训练水域集合C中每一个cj进行标记，得到训练联通域集合E＝{e1,...,ej,...,em}，其中，di表示测试联通域集合中的第i个联通域，ej表示训练联通域集合中的第j个联通域；
(4)获取测试特征集合F和训练特征集合G：
(4a)提取测试联通域集合D中每一个di的直接特征fi1和间接特征fi2，将di的直接特征fi1和间接特征fi2合并为fi，得到测试特征集合F＝{f1,...,fi,...,fn}，其中，fi表示测试特征集合的第i个特征；
(4b)提取训练联通域集合E中每一个ej的直接特征和间接特征将ej的直接特征和间接特征合并为gj，得到训练特征集合G＝{g1,...,gj,...,gm}，其中gj表示训练特征集合中的第j个特征；
(5)使用训练特征集合G对现有的随机森林模型RF进行训练，得到训练后的随机森林模型RF1；
(6)将测试特征集合F中的每一个fi输入至训练后的随机森林模型RF1，得到初始分类结果集合H＝{h1,...,hi,...,hn}，其中，hi表示初始分类结果集合中的第i个初始分类结果；
(7)添加约束规则，利用测试特征集合F对初始分类结果集合H中的每一个hi进行优化，得到优化后的分类结果集合J＝{j1,...,ji,...,jn}，其中，ji表示优化后的分类结果集合中的第i个优化后的分类结果。


2.根据权利要求1所述的方法，其中(1)中利用训练集Train，通过反向传播算法对用于光学遥感图像水域检测的卷积神经网络模型m0进行训练，具体实现如下：
1a)随机获取训练集Train中的训练图像X和训练类标二值图Y；
1b)将训练图像X输入到卷积神经网络模型m0中，得到一幅与训练图像X大小一致的分类二值图Z；
1c)计算分类二值图Z与训练类标二值图Y之间的绝对误差,利用该绝对误差更新卷积神经网络模型m0的参数；
1d)重复1a)到1c)共200000次，得到训练好的卷积神经网络模型m1。


3.根据权利要求1所述的方法，其中(4a)中提取测试联通域集合D中每一个di的直接特征fi1和间接特征fi2，具体实现如下：
4a1)分别计算测试联通域集合D中每一个di的联通域面积t1、联通域周长t2、联通域凸包t3、与联通域di具有相同标准二阶中心矩的椭圆长轴长度t4、与该联通域di具有相同标准二阶中心矩的椭圆短轴长度t5、与该联通域di具有相同标准二阶中心矩椭圆的离心率t6，构成测试联通域集合D中每一个di的直接特征fi1；
4a2)分别计算测试联通域集合D中每一个di的联通域最小外接矩形的长t7、宽t8、面积t9、联通域面积t1与联通域最小外接矩形的面积t9之...

【专利技术属性】
技术研发人员：侯彪，容拓拓，焦李成，马文萍，马晶晶，杨淑媛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61