一种基于改进hrnet模型的湿地资源遥感识别算法制造技术

本发明专利技术公开了一种基于改进hrnet模型的湿地资源遥感识别算法，属于遥感智能解译领域，其方法如下：A、获取湿地资源的样本影像数据集与标注数据集；B、基于tensorflow2框架设计的改进hrnet模型语义分割研究区影像；C、根据步骤B所获取的初步分类结果，进行后处理，消除碎斑块、填充面孔洞。本发明专利技术将反瓶颈层模块及ECA注意力机制模块引入改进的hrnet神经网络，改进了原hrnet参数量较大的问题，减少训练参数的同时提高了神经网络的分类精度、识别精度与训练的速度。训练的速度。训练的速度。

【技术实现步骤摘要】
一种基于改进hrnet模型的湿地资源遥感识别算法


[0001]本专利技术属于遥感智能解译领域，具体涉及一种基于改进hrnet模型的湿地资源遥感识别算法。

技术介绍

[0002]随着遥感技术的快速发展和诸多高分辨率的遥感影像的出现，通过遥感影像快速获取需要的地物信息，已被各国所重视，而湿地在维持生态平衡、保护珍稀物种资源和保持湿地生物多样性以及调节气候、涵养水源、预防水土流失、蓄洪防旱等多个方面均起到重要作用，因此，需要对湿地的地理位置及面积进行准确的测量与提取，对已开发的湿地认识其变化的程度及原因，以便实施保护并调整土地利用规划。而对于基于遥感的湿地资源提取，人工解译是最常用，也是精度较高的一种方法，但是该方法要求解译者有丰富的经验，主观性强，工作量大，并且有些复杂的遥感信息靠人的视力很难去辨别。尤其在面对海量的遥感影像土地利用分类时，该方法费时、费力，不实用。因此借助计算机提高提取遥感图像信息的效率便成为解决这一瓶颈的关键。而目前较热门的深度学习方法中的语义分割方法非常适合解决这一问题。高分辨率遥感影像的土地分类实际对应于计算机视觉领域内的语义分割任务，实现像素级别的划分。常用的语义分割算法有很多。Long等人于2014年提出了全卷积神经网络(Fully Convolutional Networks ，FCN)，首次提出了有效的语义分割网络结构，为其发展奠定了基础。2015年Ronneberger等人提出的U
‑
net模型是对FCN网络的扩展，主要改进为引入对称的编码
‑
解码(Encoder
‑
Decoder)结构，编码器(Encoder)用于提取特征，解码器(Decoder)用来恢复原图，分割精度有所提高，获得了学者们的认可并进行了相应的应用和改进。Deeplab系列网络提出多尺度信息的融合方案，使用了空洞卷积(AtrousConvolutio)和带孔的空间金字塔池化(Atrous Spatial Pyramid Pooling，ASSP)层用来提高语义分割的精度。2019年，王井东等提出hrnet神经网络，该模型为一种多分支的网络结构，在各分支上同时维持从高分辨率到低分辨率的多个分辨率特征，从而获得多尺度特征的有效融合，得到更丰富的上下文信息，在遥感影像的语义分割任务中有较好的应用潜力，但目前FCN、UNET、Deeplab、 hrnet等网络涉及的参数量较大，训练起来较为困难，且精度有待提高与优化。
[0003]目前，利用hrnet及其改进神经网络应用于湿地遥感影像提取的论文和专利很少着眼于减少神经网络的训练参数量与添加跨通道信息融合的注意力机制。
[0004]专利申请公布号CN 112270213 A提出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
‑
Net和HRNet
‑
OCR深度学习卷积神经网络模型进行训练，由测试集中选择样本进行测试；采用封装的两种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。U2
‑
Net和HRNet
‑
OCR的训练参数较大，训练难度高，应用程度较难。
[0005]专利申请公布号CN 112906809 A提出一种利用组合损失函数hrnet解译高分辨率遥感影像的方法，包括以下步骤：高分辨率遥感影像士地利用分类数据集一语义分隔网络一分类结果—结果评价。此方法并没有考虑不同的地物类型于参数的设计，不适合应用于湿地遥感影像的提取。

技术实现思路

[0006]基于上述技术问题，本专利技术提供一种基于改进hrnet模型的湿地资源遥感识别算法。
[0007]本专利技术所采用的的技术解决方案是：一种基于改进hrnet模型的湿地资源遥感识别算法，包括以下步骤：步骤A：获取湿地资源的样本影像数据集与标注数据集，样本影像数据集中的数据为沿海湿地高分辨率遥感影像，标注数据集为人工目视解译湿地资源所得的栅格文件。
[0008]步骤B：基于tensorflow2设计构建改进hrnet模型的湿地资源遥感识别算法，基于改进hrnet模型的湿地资源遥感识别算法以hrnet作为基础网络结构，引入反瓶颈模块IB。将步骤A所获取的训练样本及验证样本输入改进hrnet模型中，得到初步分类结果。
[0009]步骤C：对步骤B所获取的初步分类结果进行后处理，消除碎斑块、填充面孔洞。
[0010]优选的，步骤A中获取湿地资源的样本影像数据集，具体采用以下方法得出：基于滑动窗口的重叠裁剪算法，根据获取的高分辨率湿地遥感影像，利用步长为128，尺寸为256*256的正方形滑动窗口，设置重叠率为0.5，对获取的高分辨率湿地遥感影像滑动裁剪完成样本影像数据集的制作。采用7：3的比例将湿地资源的样本影像数据集划分为训练样本集与验证样本集。训练样本用于学习湿地样本的形状特征与纹理特征，验证样本不参与到样本训练中但用于一轮训练完后对网络是否过拟合进行检测。
[0011]优选的，步骤A中获取湿地资源的标注数据集，具体采用以下方法得出：解译人工识别提取方法与滑动窗口的重叠裁剪算法：（1）根据获取的高分辨率湿地遥感影像，基于目视解译，对其进行湿地资源的标注，完成湿地样本数据集的标注数据；（2）根据获取的高分辨率湿地遥感影像，利用步长为128，尺寸为256*256的正方形滑动窗口，设置重叠率为0.5，对获取的高分辨率湿地遥感影像标注影像滑动裁剪完成样本影像标注数据集的制作。采用7：3的比例将湿地资源的样本标注数据集划分为训练标注样本集与验证标注样本集。训练样本用于学习湿地样本的形状特征与纹理特征，验证样本不参与到样本训练中但用于一轮训练完后对网络是否过拟合进行检测。
[0012]优选的，步骤B中引入的反瓶颈模块IB是对原瓶颈层的改进，改进的内容包括：卷积核大小、卷积滤子个数、非线性激活函数、ECA注意力机制模块、深度卷积模块。
[0013]优选的，反瓶颈层模块（IB）采用以下步骤得出：（1）基于深度可分离的卷积的非下采样模块；该卷积模块的非下采样模式的构建为第一层卷积为逐点卷积，该逐点卷积参数包括卷积核大小为1
×
1，卷积滤子个数为输入特征图通道数乘以缩放比例，跨步为1；该卷积模块的非下采样模式的构建为第二层为逐通道卷积，该逐通道卷积参数包括卷积核大小为3
×
3，卷积滤子个数与输入特征图通道数一致，跨步为1；
该卷积模块的非下采样模式的构建为第三层卷积为逐点卷积，卷积滤子个数依据不同分辨率的特征图设置为（32，64，128，256），跨步为1；该卷积模块的非下采样模式采用的激活函数为swish激活函数。
[0014]（2）基于深度可分离的卷积的下采样模块；该卷积模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进hrnet模型的湿地资源遥感识别算法，其特征在于，包括以下步骤：步骤A：获取湿地资源的样本影像数据集与标注数据集，其中，样本影像数据集中的数据为沿海湿地高分辨率遥感影像，标注数据集为人工目视解译湿地资源所得的栅格文件；步骤B：基于tensorflow2设计构建改进hrnet湿地资源遥感识别算法，然后基于改进hrnet模型的湿地资源遥感识别算法以hrnet作为基础网络结构，引入反瓶颈模块IB；将步骤A所获取的训练样本及验证样本输入改进hrnet模型中，得到初步分类结果；步骤C：对步骤B所获取的初步分类结果进行后处理，消除碎斑块、填充面孔洞。2.根据权利要求1所述的基于改进hrnet模型的湿地资源遥感识别算法，其特征在于，步骤A中获取湿地资源的样本影像数据集，具体采用以下方法得出：基于滑动窗口的重叠裁剪算法，根据获取的高分辨率湿地遥感影像，利用步长为128，尺寸为256*256的正方形滑动窗口，设置重叠率为0.5，对获取的高分辨率湿地遥感影像滑动裁剪完成样本影像数据集的制作。3.根据权利要求1所述的基于改进hrnet模型的湿地资源遥感识别算法，其特征在于，步骤A中获取湿地资源的标注数据集，具体采用以下方法得出：基于目视解译人工识别提取方法与滑动窗口的重叠裁剪算法：（1）根据获取的高分辨率湿地遥感影像，基于目视解译，对其进行湿地资源的标...

【专利技术属性】
技术研发人员：张立国，闫金明，王丽，季民，许建然，李婷，季含宇，宋鹏飞，
申请(专利权)人：山东省国土测绘院，
类型：发明
国别省市：