融合多源高分辨率卫星遥感影像的海上养殖区域分类方法技术

本发明专利技术涉及一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，获取设定时间段内，覆盖我国海岸线30km范围的多种卫星遥感影像；对卫星遥感影像进行预处理以及数据归一化后获得标准米级高分辨率图像；将标准图像划分为训练集、测试集以及检测集；由训练集中选择样本分别对U2

【技术实现步骤摘要】
融合多源高分辨率卫星遥感影像的海上养殖区域分类方法


[0001]本专利技术涉及图像处理
，尤其涉及一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法。

技术介绍

[0002]近年来，随着市场需求的持续增加、国家政策支持以及养殖技术的不断进步，我国水产养殖产业得以迅速发展，海上养殖产业及逐渐成为我国农业以及“蓝色经济”的重要组成部分，然而快速、无序的扩张也对生态环境和海上交通带来了一系列负面影响。因此快速、准确的获取海上养殖区域的分布和位置范围变化，对防控养殖污染、保障通航安全、优化养殖空间布局具有重要的现实意义。目前已有大量学者针对海上养殖区域的空间分布进行提取分析：
[0003]从使用的方法来看：现有的海水养殖区域提取方法主要是基于不同类型的卫星传感器数据，方法主要包括目视解译法、指数法、空间结构信息分析以及面向对象的分类方法等。这些方法还存在一定的缺陷，如目视解译过程往往费时费力，难以满足大范围、高频次、快速化监测，指数法存在“椒盐效应”明显的缺陷，基于空间结构信息分析方法和面向对象的分类方法缺乏稳定性、普适性且自动化程度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，其特征在于，包括：获取设定时间段内，覆盖我国海岸线30km范围的多种卫星遥感影像；对卫星遥感影像进行预处理、存储格式统一以及数据归一化后获得标准图像；将标准图像划分为训练集、测试集以及检测集；对训练集和测试集中的标准图像进行养殖区域和类型标注；构建用于识别海上养殖区域类型的U2
‑
Net和HRNet
‑
OCR深度学习卷积神经网络模型；由训练集中选择样本分别对U2
‑
Net和HRNet
‑
OCR深度学习卷积神经网络模型进行训练，满足精度要求后，由测试集中选择样本进行测试，测试满足精度要求后，封装U2
‑
Net和HRNet
‑
OCR深度学习卷积神经网络模型；采用封装的U2
‑
Net和HRNet
‑
OCR深度学习卷积神经网络模型分别对检测集中的影像进行检测，输出检测结果进行融合后，获得植物型和动物型海上养殖区域分布结果。2.根据权利要求1所述的融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，其特征在于，多种卫星遥感影像包括GF
‑
1、GF
‑
2、GF
‑
6和GF
‑
1B、C、D，0.8
‑
2米高分辨率遥感影像。3.根据权利要求1或2所述的融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，其特征在于，对卫星遥感影像进行预处理，包括：对每个卫星遥感影像的全色影像和多光谱影像，分别进行辐射定标和正射校正，正射校正后的全色影像和多光谱影像自动配准后，进行图像融合，对融合后的图像进行几何校正。4.根据权利要求1或2所述的融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，其特征在于，进行存储格式统一，包括：将预处理后遥感影像16位存储的原始数据使用百分比线性拉伸的方法得到8位存储数据，每个波段的计算公式如下：result表示以8位存储的影像灰度值，grey是以16位存储的影像灰度值，假如直方图的百分比为k，min
in
表示以16位存储数据k对应的灰度值，max
in
表示以16位存储数据(1
‑
k)对应的灰度值，min
out
和max
out
分别表示像素的最小值和最大值，其中i表示波段编号，0、1、2、3波段分别表示蓝波段、绿波段、红波段和近红波段。5.根据权利要求4所述的融合多源高分辨率卫星遥感影像的海上养殖区域分类方法，其特征在于，进行数据归一化，包括：将原始数据线性化等比例的缩放到[0，1]范围内：其中X
norm
为归一化之后的数据，X为以8位存储的影像各个波段...

【专利技术属性】
技术研发人员：徐崇斌，赵晓庆，孙晓敏，吴俣，陈前，胡银博，
申请(专利权)人：北京航天创智科技有限公司，
类型：发明
国别省市：