【技术实现步骤摘要】
一种基于深度语义模型的水文遥感图像目标识别方法
本专利技术涉及深度学习
，尤其是涉及一种基于深度语义模型的水文遥感图像的目标识别方法。
技术介绍
在水文观测领域，针对于水环境的识别与观测一直是重要的研究任务之一，其可通过实地标定测量、远程视频监控等途径进行河道区域的数据获取和观测分析。传统的实地测量受到时间和人力资源的限制，对于河流观测的空间范围与时间频率存在极大的物理局限性。随着空间探测科学技术的不断发展与完善，以水文遥感卫星为主的对地遥感观测方式逐渐成为了更具竞争力的水文观测重要数据来源与分析途径。但同时，海量和高时空复杂度的水文遥感图像也对目标识别方法在时效性、精确度、深入度、多类别对象识别等方面提出了更高的要求。本专利技术技术所针对的水文遥感图像是一种多光谱类型的卫星影像，目标旨在对遥感图像中的水体区域进行高效、准确的标注，最终实现对于图像中河道的识别任务。现有的传统水文遥感图像分析方法主要包括人工分析识别与基于经验阈值的半自动分析为主。传统的人工标注准确率较高，但需要大量的人员、时间成本。基于经验阈值...
【技术保护点】
1.一种基于深度语义模型的目标识别方法，其特征在于包括以下步骤：/na)水文遥感图像读入与归一化预处理：/nStep1：定义水文遥感图像集合C，设C中的任意水文遥感图像矩阵I的维度为m*n*p，其中m为图像长，n为图像宽，p为图像的通道数；随后，沿p维度方向定义每个m*n的子矩阵为光谱特征矩阵F_i，其中i为自然数，F_1、F_2…；/nStep2：对于光谱特征矩阵F_i，首先得到F_i矩阵中的最大元素值F_max和最小元素值F_min；/nStep3：随后对于每个F_i中的矩阵元素a进行归一化尺度变换,先计算a’＝a-F_min，随后计算a”＝F_max-F_min，最后...
【技术特征摘要】
1.一种基于深度语义模型的目标识别方法，其特征在于包括以下步骤：
a)水文遥感图像读入与归一化预处理：
Step1：定义水文遥感图像集合C，设C中的任意水文遥感图像矩阵I的维度为m*n*p，其中m为图像长，n为图像宽，p为图像的通道数；随后，沿p维度方向定义每个m*n的子矩阵为光谱特征矩阵F_i，其中i为自然数，F_1、F_2…；
Step2：对于光谱特征矩阵F_i，首先得到F_i矩阵中的最大元素值F_max和最小元素值F_min；
Step3：随后对于每个F_i中的矩阵元素a进行归一化尺度变换,先计算a’＝a-F_min，随后计算a”＝F_max-F_min，最后a”’＝a’/a”；由此得到归一化光谱特征矩阵F_i’，其中i与F_i中的i相对应，表示同一光谱特征矩阵的归一化前后的结果；最终由I经过上述归一化方法，得到归一化遥感图像矩阵I’；
遍历前述过程，将C转化为归一化水文遥感图像集合C’，平均划分为训练集A和测试集B两个部分；同时对于训练集A，人工标注其中的区域作为训练的真值；
b)深度语义模型训练与语义特征提取：
首先，定义深度语义模型结构，设输入遥感图像的光谱通道数量为p，网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、卷积层7、输出层组成；其中，卷积层、输出层的卷积核尺寸为3*3，卷积深度依次为：4×p、8×p、4×p、1、4×p、8×p、4×p、1；基于深度语义模型结构，首先采用训练集A进行模型训练，训练过程的损失函数选择二元交叉熵；
基于已训练好的深度语义模型M，分别对训练集A和测试集B进行深度语义特征提取；以训练集A中的一副图像矩阵A_1为例，具体操作是将A_1作为模型M的图2所示输入层的输入，获取深度语义模型结构的语义特征层的输出S_1；
由此，得到A的语义特征集合AS，和B的语义特征集合BS；
重复该过程，对训练集A和测试集B的每幅图像进行深度语义特征提取；
c)基于K-means的语义空间度量：
Step1：对集合AS的各个语义特征矩阵进行空间维度变换，由长、宽分别为m、n的二维空间矩阵，开展为一维向量，长度为k，k＝m×n；
Step2：随后进行基于K-means的k维空间的空间...
【专利技术属性】
技术研发人员：贾克斌，魏之皓，张家琪，冯金超，孙中华，刘鹏宇，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。