基于SAH-Unet的高分辨率遥感影像不透水面提取方法技术

本发明专利技术公开了基于SAH

【技术实现步骤摘要】
基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法


[0001]本专利技术涉及城市遥感影像数据的信息提取技术，具体是基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法。

技术介绍

[0002]近年来，随着世界城市化进程的不断加快，造成了城镇面积不断扩张，引发了生物栖息地减少和退化、生物多样性丧失、地表下沉、水源污染等一系列环境问题。快速的城市化造成了不透水面面积增加，美国地质调查局(USGS)将不透水面定义为不允许水渗透的坚硬区域。具体而言，不透水面是指任何天然或人为造成的可以阻碍水源渗透，进而改变洪水径流、物质沉淀和污染剖面的物质，如覆盖有防水材料的建筑物屋顶、停车场和人行道等。总体而言，伴随着全球范围内城市化速度的不断增长，城市不透水面的扩张对城市区域的生态平衡、水文状况及自然生态环境均有着极为重要的影响。为了监测和评估城市可持续发展，2015年联合国提出了17项可持续发展目标(SDGs)，其中SDG11即可持续城市和社区，具体指建设包容、安全、由抵御灾害能力和可持续的城市和人类住区。因此，实时且准确的自动提取不透水面数据对于城市规划以及环境和资源管理都十分重要，开展不透水面自动提取的相关研究对城市生态建设、监测城市动态及实现城乡地区的可持续发展均有着重要的意义。
[0003]早期的不透水面研究主要是通过人工测绘的方法，这种方式虽有着较高的精准度，但成本高、实时性差。相比于传统的测绘方式，遥感技术成本更低、实用性强、覆盖面广，故随着遥感卫星技术的快速发展，其已被广泛应用于不透水面提取的相关研究中，成为了城市可持续发展研究的重要途径。传统的利用遥感影像提取不透水面的方法是通过光谱分析和混合像素分解来分析不同地物的反射光谱特征的差异，如光谱混合分析法、指数法、回归分析法等。但由于数据分辨率及不同地物光谱干扰的影响，降低了不透水面提取的精度。

技术实现思路

[0004]本专利技术的目的在于解决现有利用遥感影像提取不透水面信息精度低的问题，提供了一种基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，其应用时能提升提取不透水面信息精度。
[0005]本专利技术的目的主要通过以下技术方案实现：
[0006]基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，包括如下步骤：
[0007]S1、获取目标区域高分辨率遥感影像和对应的OSM数据，基于OSM数据对高分辨率遥感影像进行标注，得到不透水面标签图像；
[0008]S2、对高分辨率遥感影像及对应不透水面标签图像进行数据预处理，得到不透水面样本数据集；
[0009]S3、构建用于高分辨率遥感影像特征提取的SAH
‑
Unet模型，其中，SAH
‑
Unet模型以U
‑
Net为骨干网络，在每个编码器的卷积计算之后引入CBAM注意力模块，在解码器添加了支
路径以结合上采样步骤中不同尺度的分类结果并进行反向传播和权重更新，采用深度可分离卷积代替U
‑
Net原有卷积运算；
[0010]S4、将步骤S2得到的目标区域不透水面样本数据集作为网络输入，通过最小化损失函数，利用神经网络优化器对SAH
‑
Unet模型参数进行迭代优化，直至SAH
‑
Unet模型准确检测高分辨率遥感影像中的不透水面；
[0011]S5、将待识别不透水面的目标高分辨率遥感影像输入训练得到的SAH
‑
Unet模型中，提取影像融合特征并进行逐像素的地物类别预测，得到地物类别为不透水面的区域。
[0012]近些年，深度学习成为机器学习领域的热点之一，其特点是具有独特的自动特征学习能力和对非线性函数极强的表示和拟合能力，可以通过对低级特征的处理整合，生成更抽象的高级表示、属性或特征。由于其相对于传统机器学习算法的巨大优势，深度学习及相关方法已成功应用于各种计算机视觉任务，如图像分类、实例分割、目标检测等领域。其中卷积神经网络(CNN)因能自动的挖掘图像的相关上下文表征、深层次的学习抽象影像特征，逐渐已被应用到图像处理中。全卷积神经网络(FCN)的提出进一步将图像级分类延伸到像素级分类，极大的促进了语义分割类网络的发展。基于编码器(encoder)
‑
解码器(decoder)架构的Unet网络模型结合了反卷积与跳跃网络的特点，大量研究将其应用于遥感影像研究均取得了较为不错的效果。FPN是结合多层级特征来解决多尺度问题的特征金字塔模型，其通过高层特征向低层特征融合，增加底层特征的表达能力以提升网络性能，使得不同尺度的目标可以分配到不同层预测，达到分而治之的效果。Deeplabv3网络架构增加了多尺度分割物体的模块，且设计了串行和并行的空洞卷积模块，采用多种不同的空洞率来获取多尺度的内容信息，提升了对多尺度物体实例分割的性能。LinkNet通过将编码器与解码器链接在一起的架构，在大规模减少参数量的同时也保证了网络模型的精度。PSPNet网络通过基于不同区域的上下文聚合，提升了网络模型充分利用上下文信息的能力，提升了网络在不同场景解析任务下的性能。Deeplabv3+架构在Deeplabv3架构基的础上，加入了新的解码模块，更加精确的重构了影像分割中物体的边界。PAN架构则是在FPN的基础上添加了一个自下而上的金字塔，将底层特征传递上去，使得模型既结合了语义信息又拥有定位信息，从而提升性能。与经典方法相比，深度学习方法具有独特的自动特征学习能力和对非线性函数极强的表示和拟合能力，可以通过对低级特征的处理整合，生成更抽象的高级表示、属性或特征，故在图像分割方面具有更好的性能。因此，利用深度学习方法可以解决高分辨率遥感影像的数据量大、地物类型复杂等问题，对于城市不透水面提取的研究具有实际意义。在网络模型用于不透水面提取方面，随着网络层次的加深，会丢失细小的不透水面和边缘等细节信息。此外由于高分辨遥感影像的拍摄的局限性，对于拍摄不全的地物，模型会出现错分、漏分的现象。为尽可能保留细节不透水面信息，达到更高精度的不透水面提取效果，本专利技术对网络模型进一步探索，本专利技术的SAH
‑
Unet(Small Attention Hybrid
‑
Unet)模型为多尺度融合网络模型，其以U
‑
Net为骨干网络，在每个编码器的卷积计算之后引入CBAM(convolutional block attention module)注意力模块，以放大图像尺度上的重要特征并抑制相对不重要的特征；在解码器添加了支路径以结合上采样步骤中不同尺度的分类结果，使得模型可以在反向传播和权重更新过程中使用多尺度信息；最后，本专利技术在网络模型中使用深度可分离卷积代替普通卷积操作，从而在提取不透水面的多尺度特征时，在保证精度的同时大大减少网络模型参数的数量和计算量。如此，本专利技术保证对影像多尺
度特征的提取能力，以适用于高分辨率遥感影像的不透本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，其特征在于，包括如下步骤：S1、获取目标区域高分辨率遥感影像和对应的OSM数据，基于OSM数据对高分辨率遥感影像进行标注，得到不透水面标签图像；S2、对高分辨率遥感影像及对应不透水面标签图像进行数据预处理，得到不透水面样本数据集；S3、构建用于高分辨率遥感影像特征提取的SAH
‑
Unet模型，其中，SAH
‑
Unet模型以U
‑
Net为骨干网络，在每个编码器的卷积计算之后引入CBAM注意力模块，在解码器添加了支路径以结合上采样步骤中不同尺度的分类结果并进行反向传播和权重更新，采用深度可分离卷积代替U
‑
Net原有卷积运算；S4、将步骤S2得到的目标区域不透水面样本数据集作为网络输入，通过最小化损失函数，利用神经网络优化器对SAH
‑
Unet模型参数进行迭代优化，直至SAH
‑
Unet模型准确检测高分辨率遥感影像中的不透水面；S5、将待识别不透水面的目标高分辨率遥感影像输入训练得到的SAH
‑
Unet模型中，提取影像融合特征并进行逐像素的地物类别预测，得到地物类别为不透水面的区域。2.根据权利要求1所述的基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，其特征在于，所述步骤S1中基于OSM数据对高分辨率遥感影像进行标注时，以OSM数据作为掩膜数据并结合目视解译进行纠正，利用ENVI对影像不透水面区域进行标记，并与原始影像位置进行严格配准。3.根据权利要求1所述的基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，其特征在于，所述步骤S2包括以下步骤：将高分辨率遥感影像裁剪为图像块，并得到对应的不透水面标签图像块，再将对应裁剪得到的高分辨率遥感影像图像块和不透水面标签图像块作为样本，通过样本筛选、数据增强后，构建为不透水面样本数据集。4.根据权利要求3所述的基于SAH
‑
Unet的高分辨率遥感影像不透水面提取方法，其特征在于...

【专利技术属性】
技术研发人员：常睿春，侯栋，陈喆，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：