一种基于语义分割模型的高分遥感影像水体提取方法技术

本发明专利技术公开了一种基于语义分割模型的高分遥感影像水体提取方法，涉及遥感影像技术领域，包括以下步骤：获取遥感影像数据；对遥感影像数据进行水体光谱特征提取；将水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；构建改进的DeepLabV3+网络模型；根据水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过最优DeepLabV3+网络模型对水体信息进行提取。本发明专利技术首次提出了联合GF

【技术实现步骤摘要】
一种基于语义分割模型的高分遥感影像水体提取方法


[0001]本专利技术涉及遥感影像
，特别是涉及一种基于语义分割模型的高分遥感影像水体提取方法。

技术介绍

[0002]水体信息的遥感提取对城市规划、灾害防控、土地开发、农作物生长等与人类生产生活方面有着十分重要的影响，其中水体信息在水资源调查、洪涝灾害评估、水环境保护和水体动态变化分析等方面发挥着举足轻重的作用。
[0003]当前水体遥感提取由于受遥感影像空间分辨率的限制、地形地貌或人为因素干扰导致“同物异谱”、“异物同谱”现象发生，水体提取结果出现自动化程度低、精度差等问题，难以及时准确的提取水体信息，对长时间序列观测水体信息提出了巨大挑战。随着我国高分系列遥感卫星组网，遥感影像空间分辨率、光谱分辨率和时间分辨率得到大幅提高，因此应用高分辨率遥感手段进行水体信息提取显得尤为重要，为精确高效地提取水体信息提供了一种可行的技术手段。
[0004]水体遥感提取算法经历了经典的阈值分割法、水体指数法、基于面向对象法和机器学习算法的发展历程，随着水体提取算法的逐渐深入，经典的水体提取方法难以满足精度上和效率上的要求，亟待寻求一种新技术以求解决快速、高精度的生产要求成为当前研究的一个新方向和难题。
[0005]随着我国高分辨率遥感技术的进步，遥感数据种类和数量日益丰富，影像质量和分辨率得到了明显的提高，如何在大数据背景下进行有效处理和分析信息是遥感技术应用的关键。基于卷积神经网络的遥感影像语义分割方法能够有效地提取水体信息，在效率和精度上均取得了较为卓越的效果。然而，基于遥感影像的语义分割仍面临着巨大挑战，下采样过程中易造成图像细节信息丢失问题；网络结构的加深以及模型参数的扩大，带来的是计算量非常复杂，对计算机硬件性能要求也越来越高；且现有满足需求条件的公开数据集数量极少等问题。因此如何选取合适的网络结构，减少计算量提高计算性能，探索精度高、泛化性能好的网络模型是当前深度学习语义分割亟待解决的问题。

技术实现思路

[0006]本专利技术实施例提供了一种基于语义分割模型的高分遥感影像水体提取方法，可以解决现有技术中存在的问题。
[0007]本专利技术提供一种基于语义分割模型的高分遥感影像水体提取方法，包括以下步骤：
[0008]获取遥感影像数据；
[0009]对所述遥感影像数据进行水体光谱特征提取；
[0010]将所述水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；
[0011]将DeepLabV3+网络模型中的Xception骨干网络替换为改进后的Aligned Xception骨干网络，构建改进的DeepLabV3+网络模型，Aligned Xception骨干网络具体包括以下改进：
[0012]增加网络层数，使网络变深，用于提取图像中丰富的语义信息；
[0013]采用stride＝2的深度可分离卷积替换掉原有Xception网络Entry flow中所有stride＝2的最大池化层；
[0014]在3
×
3深度可分离卷积后通过增加BN和ReLu激活函数，在middle flow中重复16次替换掉原来的8次操作；
[0015]根据所述水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；
[0016]通过所述最优DeepLabV3+网络模型对水体信息进行提取。
[0017]优选的，所述改进的DeepLabV3+网络模型中的参数调整包括设置不同的损失函数和学习率。
[0018]优选的，所述遥感影像数据为高分六号卫星GF
‑
6遥感影像数据，在水体光谱特征提取之前对所述GF
‑
6遥感影像数据进行预处理；所述GF
‑
6遥感影像预处理包括辐射定标、大气校正、正射校正和影像融合。
[0019]优选的，对预处理后的所述GF
‑
6遥感影像数据进行重采样，使得GF
‑
6和GF
‑
3的空间分辨率相同。
[0020]优选的，所述双极化模式为高分三号卫星GF
‑
3的HH和HV双极化模式。
[0021]优选的，所述水体光谱特征为NIR波段。
[0022]优选的，将所述水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集具体包括以下步骤：
[0023]对水体光谱特征与HH和HV双极化方式的特征组合进行水体形态特征分析，构建影像数据集；
[0024]根据所述影像数据集提取粗水体信息；
[0025]对所述粗水体信息进行精修；
[0026]根据精修后的所述粗水体信息得到水体和非水体信息的面图层；
[0027]将所述面图层叠加至影像数据集上，生成栅格标签图像；
[0028]对所述栅格标签图像进行批量化剪裁得到样本标签子集，根据所述样本标签子集对影像数据集进行剪裁得到水体样本影像集；
[0029]对剪裁后的所述样本标签子集进行筛选，制作水体样本标签集；
[0030]对所述水体样本影像集和水体样本标签集进行扩充，最终得到水体样本数据集。
[0031]优选的，将所述水体样本数据集按照6：2：2的比例来分割样本数据集，并分别赋予训练集、验证集和测试集。
[0032]与现有技术相比，本专利技术的有益效果是：
[0033]本专利技术首次提出了联合GF
‑
3SAR影像和GF
‑
6光学遥感影像，制作水体样本数据集，并通过替换改进的骨干网络、损失函数类型及设置不同的学习率值，寻找不同超参数设置组合下的最佳网络性能，实现DeepLabV3+网络的改进及优化，对于复杂背景下水环境问题研究提供了强有力的技术支持和数据支撑。通过从水体提取类型、结果精度和效率等多个
角度与经典遥感水体提取方法阈值分割法、NDWI水体指数法、SVM分类法等进行对比，本专利技术方法能够准确地识别出研究区域内的大型水体(如长江流域)、中型水体(河流、湖泊等)和小型水体(农田沟渠等)信息，且各方面性能均高于经典的水体提取方法，具有显著优势。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术的整体流程框架图；
[0036]图2为本专利技术的DeepLabV3+语义分割网络图；
[0037]图3为本专利技术的改进后的Aligned Xception网络结构图；
[0038]图4(a)为本专利技术的方法对芜湖市水体提取结果图；
[0039]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，包括以下步骤：获取遥感影像数据；对所述遥感影像数据进行水体光谱特征提取；将所述水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；将DeepLabV3+网络模型中的Xception骨干网络替换为改进后的Aligned Xception骨干网络，构建改进的DeepLabV3+网络模型，Aligned Xception骨干网络具体包括以下改进：增加网络层数，使网络变深，用于提取图像中丰富的语义信息；采用stride＝2的深度可分离卷积替换掉原有Xception网络Entry flow中所有stride＝2的最大池化层；在3
×
3深度可分离卷积后通过增加BN和ReLu激活函数，在middle flow中重复16次替换掉原来的8次操作；根据所述水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过所述最优DeepLabV3+网络模型对水体信息进行提取。2.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，所述改进的DeepLabV3+网络模型中的参数调整包括设置不同的损失函数和学习率。3.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，所述遥感影像数据为高分六号卫星GF
‑
6遥感影像数据，在水体光谱特征提取之前对所述GF
‑
6遥感影像数据进行预处理；所述GF
‑
6遥...

【专利技术属性】
技术研发人员：陈冬花，李虎，邹陈，汪左，刘赛赛，谢以梅，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：