一种基于语义分割的冰上湖提取的方法技术

本申请公开了一种基于语义分割的冰上湖提取的方法，包括：基于数据增广的冰上湖提取训练数据制作，对下载的冰上湖影像制作标签图像并通过数据增广方法增大样本量；训练冰上湖提取模型，将原始影像作为输入，标签影像作为输出，训练基于U‑Net和SegNet堆叠网络的冰上湖提取模型；模型测试，对于需要实际进行冰上湖提取的区域，选取少量样本图片，制作标签数据，将样本图片输入冰上湖提取模型，将结果与标签数据对比，评价模型效果；模型应用，将需要进行冰上湖提取的区域的影像输入冰上湖提取模型，获取最终的冰上湖提取结果。本申请提供的一种基于语义分割的冰上湖提取的方法，实现了基于深度学习的语义分割算法在冰上湖提取上的首次应用。

A method of extracting lake on ice based on semantic segmentation

【技术实现步骤摘要】
一种基于语义分割的冰上湖提取的方法
本专利技术属于冰上湖遥感图像处理
，具体涉及一种基于语义分割的冰上湖提取的方法。
技术介绍
冰川对气候变化具有很高的敏感性。冰川湖提取可以帮助我们了解其空间分布和动态变化信息，对于分析湖泊变化与冰川波动的关系、评估冰川湖爆发洪水的风险具有重要意义。遥感技术由于其规模大、周期性强等特点，常被用于冰川湖的提取。目前，基于卫星图像的冰川湖提取研究主要集中在基于Landsat等中等分辨率的多光谱卫星图像来进行冰上湖提取。这类方法通常需要对冰川湖泊的物理化学特征及其周围环境特征进行大量复杂的综合分析，实现过程较为复杂。并且，由于图像分辨率的限制，最终提取的结果精度不高。语义分割(SemanticSegmentation)是将标签分配给图片中的像素的过程。这里的标签主要是指像素的类别，应用到冰上湖提取中则是指像素为：冰上湖或非冰上湖。全卷积网络(FullConvolutionNetwork,FCN)的提出,将深度学习引入语义分割领域并大大提高了语义分割算法的精度。语义分割算法已经被广泛应用于各种需要精确和高本文档来自技高网...

【技术保护点】
1.一种基于语义分割的冰上湖提取的方法，其特征在于，包括以下步骤：/nS1、利用高分辨率的冰上湖的历史遥感图像，通过特征提取的方式制作历史标签影像，利用所述历史遥感图像和历史标签影像建立初始训练数据集；/nS2、在步骤S1的基础上，通过数据增广的方式增加训练样本数量，从而获得最终训练数据集；/nS3、搭建基于U-Net和SegNet的堆叠网络，在步骤S2的基础上，将所述最终训练数据集输入所述堆叠网络进行训练，从而得到冰上湖提取模型；/nS4、获取目标区域的遥感图像，所述遥感图像不同于上述训练过程所用的历史遥感图像，剪裁部分所述遥感图像，并通过特征提取的方式相应地制作部分目标标签影像，在步骤S3...

【技术特征摘要】
1.一种基于语义分割的冰上湖提取的方法，其特征在于，包括以下步骤：
S1、利用高分辨率的冰上湖的历史遥感图像，通过特征提取的方式制作历史标签影像，利用所述历史遥感图像和历史标签影像建立初始训练数据集；
S2、在步骤S1的基础上，通过数据增广的方式增加训练样本数量，从而获得最终训练数据集；
S3、搭建基于U-Net和SegNet的堆叠网络，在步骤S2的基础上，将所述最终训练数据集输入所述堆叠网络进行训练，从而得到冰上湖提取模型；
S4、获取目标区域的遥感图像，所述遥感图像不同于上述训练过程所用的历史遥感图像，剪裁部分所述遥感图像，并通过特征提取的方式相应地制作部分目标标签影像，在步骤S3的基础上，将部分的所述遥感图像输入所述冰上湖提取模型进行测试，获取相应的测试结果，即测试部分目标标签影像，并根据所述测试结果和所述部分目标标签影像，对所述冰上湖提取模型进行优化，从而得到冰上湖优化提取模型；
S5、获取目标区域的遥感图像，在步骤S4的基础上，将所述目标区域的遥感图像输入到所述冰上湖优化提取模型中，从而完成对整个目标区域的冰上湖提取。


2.根据权利要求1所述的一种基于语义分割的冰上湖提取的方法，其特征在于，步骤S1具体为：
对一幅从GoogleEarth上下载的包含冰上湖的2-3m分辨率历史遥感图像，通过标注工具Labelme对其依据水体的光谱特征曲线，通过人工标注判别每个像素是否为冰上湖，在Lbaleme上将判断为冰上湖的区域圈出，生成背景区域值为0，冰上湖区域值为1的二值化图像制作对应的历史标签影像。


3.根据权利要求2所述的一种基于语义分割的冰上湖提取的方法，其特征在于，步骤S2具体为：
对这幅历史遥感图像及其历史标签影像使用同样的数据增广，数据增广即：尺寸为256×256的随机裁剪、图像平移、图像旋转以及灰度变换，将由于冰上湖数量限制而样本较少的数据增加样本量，得到大量的尺寸为256×256的历史遥感图像及其对应历史标签影像，使之具有足够的数量作为基于深度学习的语义分割算法的训练数据。


4.根据权利要求3所述的一种基于语义分割的冰上湖提取的方法，其特征在于，步骤S3具体为：
基于U-Net和SegNet的堆叠网络的搭建方法为，网络的输入端将输入的历史标签影像同时传入U-Net网络和SegNet网络，在输出...

【专利技术属性】
技术研发人员：郑泽忠，牟范，刘佳玺，李锴，谢晨，王丹阳，李慕杰，李江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51