一种融合光谱特征及多尺度空间特征的冰湖提取方法技术

本发明专利技术提供了一种融合光谱特征及多尺度空间特征的冰湖提取方法，主要解决现有的冰湖提取方法需进行后处理及辅助数据，而无法实现仅利用遥感图像自动化提取冰湖的技术问题。本发明专利技术基于卷积神经网络，采用在ImageNet上预训练好的VGG16网络，接着取出其中的浅层、中层和深层卷积特征，并对每一个层次的图像特征做上采样操作，并将上采样的结果和较浅一层的特征相连，重复上述过程，获得的最后一个卷积层包含了不同尺度的冰湖特征，并将最浅一层的结果做softmax操作，得到每一个像素类别属于冰湖像元的概率，进而得到冰湖模型，通过对模型进行训练，最终得到冰湖提取的网络模型，通过输入遥感图像完成冰湖的自动化提取。入遥感图像完成冰湖的自动化提取。入遥感图像完成冰湖的自动化提取。

【技术实现步骤摘要】
一种融合光谱特征及多尺度空间特征的冰湖提取方法


[0001]本专利技术涉及遥感图像处理及计算机视觉领域，具体涉及一种融合光谱特征及多尺度空间特征的冰湖提取方法。

技术介绍

[0002]冰湖是关乎气候变化的一类敏感因子，监测冰湖的状态，可对全球气候变化的发展提供重要依据，对冰湖溃决灾害的预测预警具有指导价值，对高原地区的生态规划提供辅助。由于冰湖发育在高原人迹罕至的冰川周围，因此监测冰湖多采用遥感手段。遥感图像中包含丰富的地物信息，但很多地物信息(比如云层，山体阴影，融化冰川等)表现出与冰湖相似的光谱特征或空间特征，因此使用传统方法提取冰湖时，往往需要进行预处理或后处理等操作去除干扰因素的影响。
[0003]目前，冰湖提取方法可大致分为以下几类：
[0004]①
基于人工辅助的方法：即人工对冰湖边界进行矢量化，获得冰湖的信息。这类方法精度较高，但需要标记人员具有一定的专业知识，且耗时耗力，只适用于小范围的冰湖提取。
[0005]②
基于像素的方法：由于冰湖像元在蓝光波段的反射率较高，而在近红外波段的反射率较低，因此以图像中的每个像素为目标，判断该像素是否符合冰湖像素的光谱分布规律，并设定阈值来区分冰湖像素和背景像素，代表方法包括阈值分割方法，随机森林，水体指数等方法。这类方法的问题在于仅用到了冰湖的光谱特征，而忽略了图像本身的空间特征，导致提取出的冰湖边界不完整，容易受到噪声的影响，需一定的辅助数据(如高程数据DEM)及后处理工作优化提取结果。
[0006]③
基于区域的方法：由于冰湖表面是均质的，因此一些方法考虑了捕捉冰湖的均质区域，代表方法包括面向对象法，改进C
‑
V模型等。然而这类方法仅利用了冰湖目标的空间特征，难以直接去除具有同样表面均质的物体干扰(比如冰川)，同时分割尺度也需要多次实验设定，仍需要一定的辅助数据(如高程数据DEM)及后处理工作优化提取结果。
[0007]④
基于特征的方法：由于冰湖不仅仅只有光谱特征和空间特征，还包含很多高级特征，如纹理，粗糙度等，因此这类方法使用卷积神经网络，挖掘影像中冰湖的高级特征，利用特征来精确提取冰湖，代表方法为U
‑
Net网络，但这类方法仍在发展阶段，缺乏具有专门针对冰湖所设计的深度学习网络，且需要制作大量训练样本。
[0008]综上，传统的冰湖提取方法，大多需要辅助数据或者额外的处理以去除其他因素的干扰，比如山体阴影，云层，融化冰川等，目前难以实现仅利用遥感图像自动化的提取冰湖。

技术实现思路

[0009]本专利技术公开一种融合光谱特征及多尺度空间特征的冰湖提取方法，主要解决现有的冰湖提取方法需进行后处理及辅助数据，而无法实现仅利用遥感图像自动化提取冰湖的
技术问题。
[0010]本专利技术一种融合光谱特征及多尺度空间特征的冰湖提取方法，其特殊之处在于，包括以下步骤：
[0011]步骤1，将冰湖遥感图像输入到预训练好的VGG16网络中，得到不同尺度的卷积层；同时得到冰湖遥感图像的水体指数NDWI光谱特征图；所述卷积层包括深层卷积层、中层卷积层和浅层卷积层，每个卷积层包括不同尺度的冰湖空间特征；
[0012]步骤2，抽取步骤1中的深层卷积层，对该层的卷积特征进行卷积计算和两次上采样处理，得到和步骤1中的中层卷积层的卷积特征大小相同的第一特征层；
[0013]步骤3，抽取步骤1中的中层卷积层，将步骤2中得到的第一特征层的卷积特征链接至中层卷积层中，对加入链接的中层卷积层的卷积特征进行卷积计算和两次上采样处理，得到和步骤1中浅层卷积层的卷积特征大小相同的第二特征层；
[0014]步骤4，抽取步骤1中的浅层卷积层，将步骤3中得到的第二特征层的卷积特征及步骤1得到的水体指数NDWI光谱特征图链接至浅层卷积层中，对加入链接的浅层卷积层的卷积特征进行两次卷积处理，将处理结果输入到softmax层，输出冰湖区域图；所述冰湖区域图用于确定冰湖边界的准确位置；
[0015]步骤5，将步骤1得到的冰湖不同尺度的空间特征和水体指数NDWI光谱特征图、步骤2得到的第一特征层、步骤3得到的第二特征层及步骤4得到的冰湖区域图的信息组合到一起，构成冰湖模型；
[0016]步骤6，使用Landsat
‑
8数据集对步骤5构成的冰湖模型进行训练，进而得到冰湖提取网络模型；
[0017]步骤7，将步骤1中的冰湖遥感图像再次输入到步骤6得到的冰湖提取网络模型中，即可提取准确的冰湖信息。
[0018]进一步地，步骤1中，所述VGG16网络采用ImageNet进行预训练；所述预训练好的VGG16网络接收图像的像素大小为448
×
448。
[0019]进一步地，所述深层卷积层的卷积特征包括目标类别信息，其卷积特征大小为28
×
28；
[0020]所述中层卷积层的卷积特征包括目标的位置信息，其卷积特征大小为112
×
112；
[0021]所述浅层卷积层的卷积特征包括目标的边界信息，其卷积特征大小为448
×
448。
[0022]进一步地，所述水体指数NDWI光谱特征图的计算公式为，
[0023][0024]其中，ρ
Green
表示绿光波段的大气顶层表观反射率，0＜ρ
Green
＜1；ρ
NIR
表示近红外波段的大气顶层表观反射率，0＜ρ
NIR
＜1。
[0025]进一步地，步骤2中，所述第一特征层的卷积特征大小为112
×
112。
[0026]进一步地，步骤3中，所述第二特征层的卷积特征大小为448
×
448。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]1、本专利技术一种融合光谱特征及多尺度空间特征的冰湖提取方法，利用卷积神经网络提取不同尺度的冰湖空间特征，同时结合冰湖的水体指数NDWI光谱特征，可更为准确得到冰湖区域，无需多余的预处理或后处理，大大提升了冰湖提取的效率，从而实现冰湖的自
动化提取。
[0029]2、本专利技术一种融合光谱特征及多尺度空间特征的冰湖提取方法，结合冰湖的空间特征，不仅能够较好的还原冰湖的边界信息，同时采用归一化水体指数，引入冰湖的光谱特征，能够进一步加强模型的抗噪性，提取效果更好。
附图说明
[0030]图1为本专利技术一种融合光谱特征及多尺度空间特征的冰湖提取方法实施例的冰湖提取过程示意图。
具体实施方式
[0031]本专利技术提出一种融合多尺度信息的冰湖提取方法。旨在利用遥感影像中冰湖的空间特征、光谱特征及潜在高级视觉特征(如纹理，粗糙度等)，准确提取影像中的冰湖区域；同时考虑到冰湖作为小目标，尺度信息和边界信息非常重要，因此本专利技术基于卷积神经网络，设计一种融合光谱特征及多尺度空间特征的冰湖提取方法，实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合光谱特征及多尺度空间特征的冰湖提取方法，其特征在于，包括以下步骤：步骤1，将冰湖遥感图像输入到预训练好的VGG16网络中，得到不同尺度的卷积层；同时得到冰湖遥感图像的水体指数NDWI光谱特征图；所述不同尺度的卷积层包括深层卷积层、中层卷积层及浅层卷积层，每个卷积层包括不同尺度的冰湖空间特征；步骤2，抽取步骤1中的深层卷积层，对该层的卷积特征进行卷积计算和两次上采样处理，得到和步骤1中的中层卷积层的卷积特征大小相同的第一特征层；步骤3，抽取步骤1中的中层卷积层，将步骤2中得到的第一特征层的卷积特征链接至中层卷积层中，对加入链接的中层卷积层的卷积特征进行卷积计算和两次上采样处理，得到和步骤1中浅层卷积层的卷积特征大小相同的第二特征层；步骤4，抽取步骤1中浅层卷积层，将步骤3中得到的第二特征层的卷积特征及步骤1得到的水体指数NDWI光谱特征图链接至浅层卷积层中，对加入链接的浅层卷积层的卷积特征进行两次卷积处理，将处理结果输入到softmax层，输出冰湖区域图；所述冰湖区域图用于确定冰湖边界的准确位置；步骤5，将步骤1得到的冰湖不同尺度的空间特征和水体指数NDWI光谱特征图、步骤2得到的第一特征层、步骤3得到的第二特征层及步骤4得到的冰湖区域图的信息组合到一起，构成冰湖模型；步骤6，使用Landsat
‑
8数据集对步骤5构成的冰湖模型进行训练，进而得到冰湖提取网络模型；步骤7，将任意冰湖遥感图像输入到步骤6得到的冰湖提取网络模型中，即可提取准确的冰湖信息。2.根据权利要求1所述的一种融合光谱特征及多...

【专利技术属性】
技术研发人员：王爽，赵航，程娟，安玲坪，于粲，王燕恒，刘学斌，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：