一种基于深度学习的水体自动识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的水体自动识别方法，包括：获取当前采集的卫星遥感图像；将当前采集的所述卫星遥感图像输入到训练好的水体语义分割模型中，以对当前采集的所述卫星遥感图像中的水体分布信息进行提取；所述训练好的水体语义分割模型是基于Bottleneck

【技术实现步骤摘要】
一种基于深度学习的水体自动识别方法及系统


[0001]本专利技术涉及遥感影像语义分割
，特别是涉及一种基于深度学习的水体自动识别方法及系统。

技术介绍

[0002]作为在自然界中分布最为广泛的物质，水是陆地生态系统中的重要一环，水体的动态变化与人类生活息息相关，因此，对于水体信息的快速准确识别一直都是一个研究热点。得益于卫星遥感技术的飞速发展，让大范围的水体动态监测成为可能，其迅速高效的特点也让基于遥感影像的水体识别成为了水体监测的主流方式。
[0003]目前，国内外学者都提出了多种利用遥感技术提取水体信息的方法，其中，水体指数法由于简单易用且能够很好的抑制背景地物而突出水体特征，因此，受到了广泛地研究和应用。McFeeters提出了归一化植被系数(NDWI)的方法，但是，此方法提高了水体区域的对比度的同时也放大了土壤和建筑物的影响；随后，徐涵秋在此基础上通过将NIR波段用MIR波段代替的方式提出了 MNDWI指数，能够在很大程度上解决上述问题，但由于MNDWI的构成采用了中红外波段，这使得其应用范围受到了很大限制，一部分遥感卫星本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水体自动识别方法，其特征在于，包括：获取当前采集的卫星遥感图像；将当前采集的所述卫星遥感图像输入到训练好的水体语义分割模型中，以对当前采集的所述卫星遥感图像中的水体分布信息进行提取；所述训练好的水体语义分割模型是基于Bottleneck
‑
Unet网络和样本数据集确定的；所述样本数据集包括卫星遥感样本图像以及相应的标注信息；所述标注信息包括：表征地物类别的信息；所述Bottleneck
‑
Unet网络为将U
‑
net网络中的四层降采样结构简化为三层降采样结构，并将简化后的U
‑
net网络中的每层降采样结构中的连续卷积层替换为UpBottleneck单元或DownBottleneck单元后形成的网络。2.根据权利要求1所述的基于深度学习的水体自动识别方法，其特征在于，所述Bottleneck
‑
Unet网络包括：4层卷积网络；其中，第1层卷积网络包括第一编码模块和输出模块，所述第一编码模块通过拼接结构与所述输出模块连接；第2层卷积网络和第3层卷积网络均包括第二编码模块和第一解码模块，且所述第二编码模块通过拼接结构与所述第一解码模块连接；第4层卷积网络包括第二解码模块；所述第一编码模块和所述第二编码模块均包括UpBottleneck单元和下采样单元，所述UpBottleneck单元和所述下采样单元连接；所述UpBottleneck单元包括2个1
×
1卷积子单元和设置在两个所述1
×
1卷积子单元之间的3
×
3卷积子单元；所述第一编码模块和所述输出模块均包括DownBottleneck单元，所述DownBottleneck单元包括2个1
×
1反卷积子单元和设置在两个所述1
×
1反卷积子单元之间的3
×
3反卷积子单元；所述第一编码模块还包括上采样单元，所述UpBottleneck单元和所述上采样单元连接；所述第一编码模块包括依次连接的第一1
×
1卷积单元、3
×
3卷积单元、第二1
×
1卷积单元、3
×
3反卷积单元和1
×
1反卷积单元。3.根据权利要求1所述的基于深度学习的水体自动识别方法，其特征在于，所述样本数据集的确定过程为：获取多张尺寸相同的卫星遥感图像；将每张卫星遥感图像中的每种地物类别分别进行标注，得到标注后的多张尺寸相同的卫星遥感图像；在所述标注后的多张尺寸相同的卫星遥感图像中选出水体均匀的图像进行换色处理，得到多张尺寸相同的二分类标签图；并将多张所述尺寸相同的二分类标签图进行随机裁剪处理，得到多张卫星遥感图像的样本数据集。4.根据权利要求1所述的基于深度学习的水体自动识别方法，其特征在于，所述训练好的水体语义分割模型的确定过程为：将所述样本数据集按照一定比例划分为训练集和测试集；构建基于Bottleneck
‑
Unet网络的水体语义分割模型；将所述训练集输入到所述基于Bottleneck
‑
Unet网络的水体语义分割模型中进行训练，当损失函数值和预测准确率达到期望水平时，训练结束，得到训练好的水体语义分割模
型；所述预测准确率为水体分布的像素占总像素的百分比；将所述测试集输入到所述训练好的...

【专利技术属性】
技术研发人员：安诗豪，芮小平，陈楠，
申请(专利权)人：河海大学，
类型：发明
国别省市：