【技术实现步骤摘要】
遥感影像水体提取方法、遥感影像水体提取的交互方法
[0001]本申请涉及遥感领域，具体而言，涉及一种遥感影像水体提取方法、遥感影像水体提取的交互方法。
技术介绍
[0002]利用遥感影像对大尺度的城市、自然地区的水体（河流、湖泊和湿地等）进行及时、准确地检测，可为城市规划建设、自然环境与农业政策等相关事项的协调与平衡提供有效的信息支持。目前，遥感领域多通过深度学习算法实现水体部分的识别与分割，但是，在上述基于深度学习算法对水体部分进行识别与分割的过程，大多需要对用于训练的遥感图像样本进行大量的人工标记处理，以进行强监督训练，其不仅需要预先耗费相当的人力与时间成本进行标注工作，并且使得具有海量、多样等特点的遥感影像难以被准确地识别。
[0003]对此，相关技术中引入迁移学习或弱监督学习策略，利用其他数据集上获取的预训练模型作为主干网络来提取图像特征，或者弱标记信息作为先验知识和判别信息，弥补少量样本产生的信息缺失缺点。然而，上述训练方式需要可迁移模型的训练数据与目标域数据具有相似分布，同时需要对源—目标域进行特征对齐处...
【技术保护点】
【技术特征摘要】
1.一种遥感影像水体提取方法，其特征在于，包括：获取多个第一遥感图像样本，并根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像；其中，所述第一水体图像用于指示所述第一遥感图像样本中的水体部分；至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，以确定所述神经网络模型的损失函数；其中，所述损失函数根据全局损失与局部损失确定，所述局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；通过所述神经网络模型对目标遥感图像进行识别，以生成所述遥感图像对应的目标水体图像；其中，所述目标水体图像用于指示所述目标遥感图像中的水体部分。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像，包括：根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数；其中，所述光谱信息包括以下至少之一：绿光波段、近红外波段、中红外波段；根据所述归一化水体指数对所述第一遥感图像样本对应的指数特征图进行处理，以得到所述第一遥感图像样本对应的水体提取结果；根据所述水体提取结果得到所述第一水体图像；所述根据所述水体提取结果得到所述第一水体图像，包括：对于水体提取结果进行剪裁以得到预设尺寸的图像切片；对所述图像切片中的独立像素进行聚类，根据聚类结果消除所述图像切片中的空洞区域，以得到所述第一水体图像。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数，包括：在所述第一遥感图像样本包括近红外波段的情形下，根据以下公式计算归一化水体指数NDWI：；其中，所述表示所述第一遥感图像样本的绿光波段信息，所述表示所述第一遥感图像样本的近红外波段信息；在所述第一遥感图像样本包括中红外波段的情形下，根据以下公式计算归一化水体指数MNDWI：；其中，所述表示所述第一遥感图像样本的绿光波段信息，所述表示所述第一遥感图像样本的中红外波段信息。4.根据权利要求1至3任一项所述的方法，其特征在于，所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练之前，还包括：根据所述第一遥感图像样本得到多个第二遥感图像样本；其中，所述第二遥感图像样本包括以下至少之一：所述第一遥感图像样本进行季节变化处理后的图像、所述第一遥感
图像样本进行裁剪/放大/缩小/平移/错切/镜像/旋转处理后的图像；根据所述第二遥感图像样本的光谱信息生成所述第二遥感图像样本对应的第二水体图像；其中，所述第二水体图像用于指示所述第二遥感图像样本中的水体部分；所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，包括：根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模...
【专利技术属性】
技术研发人员：李璐，刘庆杰，胡征慧，范时朝，傅泽华，李世伟，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：
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。