基于深度学习的遥感图像海洋养殖区自动化提取方法技术

本发明专利技术公开了一种基于深度学习的遥感图像海洋养殖区自动化提取方法，属于海洋观测和人工智能相结合的技术领域。本发明专利技术耦合深度学习方法从原始遥感图像中提取特征，建立遥感图像与海洋养殖区复杂的映射关系，构建从遥感图像到海洋养殖区的“端到端”提取模型，实现海洋养殖区的准确提取，提高了遥感图像海洋养殖区提取的精度和效率。本发明专利技术简化了传统的海洋养殖区提取方式，实现了从遥感图像中直接提取海洋养殖区信息，提高了遥感图像近岸海洋养殖区提取的效率和精度，且提取误差控制在像素级别。别。别。

【技术实现步骤摘要】
基于深度学习的遥感图像海洋养殖区自动化提取方法


[0001]本专利技术属于海洋观测和人工智能相结合的
，具体地说，尤其涉及一种基于深度学习的遥感图像海洋养殖区自动化提取方法。

技术介绍

[0002]海水养殖，是海洋经济的重要组成部分。除了对沿海地区经济做出巨大贡献外，也会对海洋环境造成一定负面影响。因此，及时有效地监测海洋养殖区可以有效地协助规划海洋水产养殖资源，从而有效地预警海洋环境问题。
[0003]卫星遥感技术能够提供连续、稳定、大范围的信息，是监测海洋养殖区的常用手段。利用遥感图像的海洋养殖区的提取是一个二值化的过程，即将遥感图像分为养殖区和非养殖区两类。常用的方法包括：视觉判读法、信息增强方法、面向对象方法、深度学习方法等。对于苏北近岸海洋养殖区的提取，2018年魏振宁等利用Landsat系列光学图像，通过信息增强与视觉判读结合法对苏北近岸海洋养殖区进行长时间序列提取，具有较高的准确性；2022年Jie Cheng等利用Sentinel
‑
1合成孔径雷达图像和Sentinel
‑
2光学图像，计算归一化水体指数等指数，并通过随机森林方法对苏北近岸海洋养殖区进行提取，该方法具有更快的速度和更高的自动化性。
[0004]但利用上述方法进行高精度海洋养殖区提取，都对使用人员的专业经验有较高的要求，而且自动化较低、提取速度较慢；此外光学图像的质量受到云雨天气的影响，遥感数据可用性较低。
[0005]因此，针对近岸海洋养殖区的提取，目前缺少一种从遥感图像到提取结果的自动化高效的提取方法。

技术实现思路

[0006]本专利技术提供了一种基于深度学习的遥感图像海洋养殖区自动化提取方法，以弥补现有技术的不足。
[0007]本专利技术基于合成孔径雷达(SAR，Synthetic Aperture Radar)图像，结合全卷积网络深度学习方法，得到一种近岸海洋养殖区提取新方法。
[0008]为达到上述目的，本专利技术是通过以下技术方案实现的：一种基于深度学习的遥感图像海洋养殖区自动化提取方法，该方法包括以下步骤：S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行预处理，并利用灰度共生矩阵获取养殖区纹理特征图像；在专家经验指导下对养殖区进行标注，与遥感图像及养殖区纹理特征相结合建立遥感图像海洋养殖区训练集；S2：构建遥感图像海洋养殖区自动化提取模型，选取卷积深度学习模型（Convolution Neural Network，CNN）U
‑
Net为基础进行改进；S3：模型训练：基于所述训练集，对所述自动化提取模型进行训练，得到训练好的
自动化提取模型；S4：利用训练好的自动化提取模型，对遥感图像进行海洋养殖区的自动化提取。
[0009]进一步的，所述方法S1中，所述预处理包括对获得的遥感图像进行裁剪、辐射校正、降噪滤波、地理校正、陆地掩膜。
[0010]进一步的，所述方法S2中，对基础模型U
‑
Net的改进具体为：S2
‑
1：在编码器结构中，使用双分支编码器结构，分别接受遥感图像和所述养殖区纹理特征，通过两个分支分别对各自特征进行处理和提取，并在解码器结束的时候将两种语义特征进行叠加；S2
‑
2：将模型卷积模块替换为多特征卷积模块，该模块包括U
‑
Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；S2
‑
3：在解码器部分中，双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联。
[0011]进一步的，在所述S3中，S3
‑
1：所述遥感图像和所述养殖区纹理特征输入所述自动化提取模型，在U
‑
Net的编码器部分对遥感信息进行下采样，过滤噪音并提取其中的有效信息（高层特征），并经过注意力机制为各个特征设置权重；S3
‑
2：通过解码器部分对有效信息进行插值放大，得到与输入遥感图像长宽相同的结果；最后经过argmax函数得到最终的二值化提取结果；S3
‑
3：对模型进行训练，进而得到最优模型参数组合；S3
‑
4：模型经过多次迭代训练，根据模型训练指数来判断S2中模型的所有可训练参数（如权重）是否达到最优，迭代至最优为止。
[0012]与现有技术相比，本专利技术的优点和有益效果是：本专利技术耦合深度学习方法从原始遥感图像中提取特征，建立遥感图像与海洋养殖区复杂的映射关系，构建从遥感图像到海洋养殖区的“端到端”提取模型，实现海洋养殖区的准确提取，提高了遥感图像海洋养殖区提取的精度和效率。
[0013]本专利技术简化了传统的海洋养殖区提取方式，实现了从遥感图像中直接提取海洋养殖区信息，提高了遥感图像近岸海洋养殖区提取的效率和精度，且提取误差控制在像素级别。
附图说明
[0014]图1为本专利技术的技术路线图。
[0015]图2为基于深度学习模型的海洋养殖区提取示意图。
[0016]图3为实施例2中的苏北亮月沙及附近养殖区提取效果图。
具体实施方式
[0017]下面结合实施例对本专利技术所述的技术方案作进一步地描述说明。
[0018]实施例1：一种基于深度学习的遥感图像苏北近岸海洋养殖区自动化提取方法，如图1所示，该方法包括以下步骤：
S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行包括陆地掩膜、降低噪声等的预处理，并利用灰度共生矩阵获取养殖区纹理特征；在专家经验指导下对养殖区进行标注，与遥感图像及其纹理特征相结合建立遥感图像中的苏北海洋养殖区训练集；S2：构建基于深度学习的遥感图像苏北海洋养殖区自动化提取模型，如图2所示，具体为：将遥感图像和其纹理特征与深度学习模型相连接，形成基于深度学习的苏北近岸海洋养殖区的自动化提取模型。选取卷积深度学习模型（Convolution Neural Network，CNN）U
‑
Net为基础，针对提取对象特征，对模型进行优化改进，包括以下方面：（1）在编码部分中，使用双分支结构，分别接受遥感图像和S1处理得到的纹理特征图像，通过两个分支分别对各自特征进行处理和提取，并在编码器结束的时候将两种语义特征进行叠加；（2）将模型卷积模块替换为多特征卷积模块，该模块包括U
‑
Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；（3）在模型的编码部分结束处，即双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联。
[0019]S3：模型训练及测试：（1）所述遥感图像和所述养殖区纹理特征输入所述自动化提取模型，在编码器部分对遥感信息进行下采样，过滤噪音并提取其中的有效信息（高层特征），并经过注意力机制为各个特征设置权重；（2）通过解码器部分对有效信息进行插值放大，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遥感图像海洋养殖区自动化提取方法，其特征在于，该方法包括以下步骤：S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行预处理，最终建立遥感图像海洋养殖区训练集；S2：构建遥感图像海洋养殖区自动化提取模型，选取卷积深度学习模型U
‑
Net为基础进行改进；对基础模型U
‑
Net的改进具体为：S2
‑
1：在编码器结构中，使用双分支编码器结构，分别接受遥感图像和养殖区纹理特征，通过两个分支分别对各自特征进行处理和提取，并在解码器结束的时候将两种语义特征进行叠加；S2
‑
2：将模型卷积模块替换为多特征卷积模块，该模块包括U
‑
Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；S2
‑
3：在解码器部分中，双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联；S3：模型训练：基于所述训练集，对所述自动化提取模型进行训练，得到训练好的自动化提取模型；S4：利用训练好的自动化提取模型，对遥感图像进行海洋养殖区的自动化提取。2.如权...

【专利技术属性】
技术研发人员：陈万泰，张双尚，张旭东，李晓峰，
申请(专利权)人：中国科学院海洋研究所，
类型：发明
国别省市：