基于高分辨率影像剔除水面桥梁连续水面构造的方法技术

本发明专利技术公开了一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，涉及图像识别领域，包括以下步骤：S1、选取高分辨率遥感图像并预处理；S2、改进提取模型；S3、改进网络训练数据集；S4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；S5、转换为灰度影像，分离影像并拟合，导入检测算法；S6、计算影像像素点响应函数确定角点；S7、根据公共角点构建面，合并修复，得到连续水域。本发明专利技术摆脱传统人工手动提取、检测的方法，构建了快速提取与小样本预测的两类地物提取模型，优先提取关注对象再进行角点检测，可最大程度减少其他非关注地物对角点检测的干扰，减少算法的计算量，更具客观性、鲁棒性，对于打断水面的修复精准有效。效。效。

【技术实现步骤摘要】
基于高分辨率影像剔除水面桥梁连续水面构造的方法


[0001]本专利技术涉及图像识别领域，具体为一种基于高分辨率影像剔除水面桥梁连续水面构造的方法。

技术介绍

[0002]遥感图像是指记录各地物电磁波大小的胶片或者照片，通常由卫星拍摄或者航空拍摄得到，通过深度学习，目标检测和特征检测等技术，可对遥感图像进行处理，得到需要的信息；
[0003]传统水域信息提取通常依赖手工作业，专人巡查，耗费大量人力、时间和资金成本，且精度低时效性差，现将高分辨率遥感技术应用于水域轮廓提取与面积设计，可更高效提取水域信息；利用高分辨率影像监测水体信息时，通常因为水面上桥梁建筑等设施光谱和纹理特征与水体不同，导致水域被打断，影响模型的全局性；
[0004]因此，本专利技术提供一种基于高分辨率影像剔除水面桥梁连续水面构造的方法来提取完整的水域轮廓。

技术实现思路

[0005]本专利技术的目的在于提供基于高分辨率影像剔除水面桥梁连续水面构造的方法来解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：基于高分辨率影像剔除水面桥梁连续水面构造的方法，该构造方法包括以下步骤：
[0007]S1、选取高分辨率遥感图像，获取数据并预处理，辐射定标并校正输出，融合影像并剪裁；
[0008]S2、改进提取模型，使用PSPNet，改进使用ResNet模块作为骨干提取网络，添加辅助损失函数进行优化；
[0009]S3、改进网络训练数据集，对数据集进行归一化处理，进行网络训练；
[0010]S4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；
[0011]S5、转换为灰度影像，采用harris算子，分离影像并拟合得到不同灰度图像，导入检测算法；
[0012]S6、计算影像像素点梯度值，进行滤波计算，计算响应函数确定角点；
[0013]S7、根据公共角点，进行多边形构建面，合并修复，得到连续水域要素。
[0014]根据上述技术方案，在步骤S1中，选取建有基础设施的水域的高分辨率遥感图像，选取分辨率m米的多光谱MUX影像和分辨率n米的全色PAN影像，多光谱MUX影像有多个单波段，光谱分辨率高，全色PAN图像是单通道的灰度照片，空间分辨率高，选择这两种图片进行处理融合，以获得高分辨率和多光谱的影像；现分别对两种影像进行处理；对两种影像进行辐射定标，将图像的亮度灰度值转换为绝对的辐射亮度，该操作利于计算地物的光谱反射率和光谱辐射亮度；对辐射定标后的多光谱影像进行大气校正，由于遥感器测得的地面目
标的总辐射亮度包含了由大气吸收，特别是散射作用造成的辐射量误差，通过大气校正可以消除辐射误差，得到地物真实的表面反射率，在本方法中，使用ENVI5.6软件进行大气校正，输入辐射定标的影像，设定传感器基本信息，包括成像中心经纬度、传感器类型、传感器高度、成像区域平均高度、像元大小和成像时间，设定大气与气溶胶参数，该参数包括大气模型、气溶胶模型、气溶反演方法、初始能见度和高光谱参数，在设定完毕后，进行大气校正输出；对定标后全色影像与大气校正多光谱影像分别作正射校正，纠正几何畸变，通过ENVI5.6软件“RPC校正工作流”模块，设定输出分辨率，使用三次卷积法内插，设置输出路径和输出名称，完成地理校正；由于影像背景值为0，影像周边存在黑边现象，对其进行忽略背景值设定，去除黑边效应；利用NNDiffusePanSharpening工具，输入参数，进行影像融合，并设置融合影像的输出路径和影像名称，得到高分辨率和多光谱影像，根据x区域矢量，选择“ROIS外数据掩膜”，仅保留矢量内数据，进行剪裁，获取有效信息。
[0015]根据上述技术方案，在步骤S2中，首先根据特征进行提取，使用深度学习提取技术，卷积神经网络可共享深层的网络参数来减少网络的权重和偏差，通过结合不同地物的光谱、空间和形状特征综合分析，充分学习地物的深层次语义特征来精准提取地物轮廓，对复杂环境的多类地物提取效果佳，使用PSPNet分别对桥梁和水体进行提取，采用ResNet作为骨干网络进行提取，同时为了加快网络收敛速度，采用辅助损失函数，在常规使用softmax训练者最终分类器主要分支外，在骨干网络的第四阶段后应用另一个分类器，优化网络学习过程，其公式如下：Loss＝mainloss+auxloss*auxloss，其中mainloss表示对分割map使用的softmax损失，用于训练final分类器，auxloss是ResNet的第四阶段后应用的的另一个分类器所产生的的loss，用于优化模型训练；
[0016]根据上述技术方案，在步骤S3中，采用两类开源数据集进行模型训练，一类为ISPRS，一类为IGARSSS，对数据集中影像进行归一化处理，表达式如下：
[0017][0018]其中V代指像素值；式中M
i
为第i个像素值，min(M)，max(M)为该幅影像的最大像素值与最小像素值，经过该操作新的像素值V取值范围将会在0
‑
1之间，提高了影像的收敛速度；将开源数据集尺寸裁剪为n*n大小的影像集，便于网络学习全局影像特征，为防止样本数据过小导致模型训练过拟合，采取平移、旋转和对称手段来对数据增广；将预处理后的开源数据放入PSPNet进行训练，设置训练模式参数，数据集学习率，采用Adam作为优化器来训练binary_crossentropy损失函数，Adam优化器梯度下降速度快，易用性高，可实现快速便捷训练；
[0019]根据上述技术方案，在步骤S4中，采用Recall和OA两类指标来综合评定选取最优训练模型参数，Recall是查全率，用来评估所有正样本的像素中，被正确预测为正样本的像素所占的比重，其中TP表示正样本被正确预测为正样本的情况，TN表示为负样本被正确预测为负样本的情况；OA是像素准确率，用来评估正确预测的像素占所有像素的比重，FP表示负样本被错误预测为正样本，FN表示正样本被错误预测为负样本；通过反复试验，对比Recall和OA的最好实验结果，使用对应的模型。
[0020]根据上述技术方案，在步骤S5中，将彩色影像转换为灰度影像，导入检测算法；角
点检测算子都是基于像素点的灰度变化进行监测，为了最大限度提取公共角点，将多光谱影像分离，得到红通道、绿通道、蓝通道和近外红通道灰色图像，四通道取平均拟合全色通道影像，拟合公式如下：Gray＝[0.250.250.250.25][irrgb]T
，其中irrgb分别为该像素点对应的近红外、红色、绿色和蓝色波段像素值，Gray为四通道平均拟合后的像素值，将制作后的各个灰度影像图导入检测算法中，公共角点算法选取harris算子作为检测算法，harris算子基于信号的点特征提取算子，在图像中设计局部检测窗口，当检测窗口沿着各个方向做微小移动时，考察窗口的平均能量变化，当变化超过设定的阈值时，就将窗口的中心像素点提取为角点；其表达式如下：E(i,j)＝∑
x,y
ω(x,y本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，其特征在于：该构造方法包括以下步骤：S1、选取高分辨率遥感图像，获取数据并预处理，辐射定标并校正输出，融合影像并剪裁；S2、改进提取模型，使用PSPNet，改进使用ResNet模块作为骨干提取网络，添加辅助损失函数进行优化；S3、改进网络训练数据集，对数据集进行归一化处理，进行网络训练；S4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；S5、转换为灰度影像，采用harris算子，分离影像并拟合得到不同灰度图像，导入检测算法；S6、计算影像像素点梯度值，进行滤波计算，计算响应函数确定角点；S7、根据公共角点，进行多边形构建面，合并修复，得到连续水域要素。2.根据权利要求1所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤S1中，选取分光谱MUX影像和全色PAN影像，多光谱MUX影像有多个单波段，全色PAN图像是单通道的灰度照片，选择这两种图片进行处理融合；现分别对两种影像进行处理；对两种影像进行辐射定标，将图像的亮度灰度值转换为绝对的辐射亮度，对辐射定标后的多光谱影像设定基本信息，进行大气校正，得到地物真实的表面反射率；对定标后全色影像与大气校正多光谱影像分别作正射校正，纠正几何畸变；影像周边存在黑边现象，对其进行忽略背景值设定，去除黑边效应；进行影像融合，得到高分辨率和多光谱影像，根据该遥感图像拍摄区域矢量进行剪裁，获取有效信息。3.根据权利要求2所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤S2中，首先根据特征进行提取，使用深度学习提取技术，结合不同地物的光谱、空间和形状特征综合分析，使用PSPNet分别对桥梁和水体进行提取，采用ResNet作为骨干网络进行提取，采用辅助损失函数加快网络收敛速度，在常规使用softmax训练者最终分类器主要分支外，在骨干网络的第四阶段后应用另一个分类器，优化网络学习过程，其公式如下：Loss＝mainloss+auxloss*auxloss，其中mainloss表示对分割map使用的softmax损失，用于训练final分类器，auxloss是ResNet的第四阶段后应用的另一个分类器所产生的loss。4.根据权利要求3所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤S3中，采用两类开源数据集进行模型训练，一类为ISPRS，一类为IGARSSS，对数据集中影像进行归一化处理，表达式如下：其中V代指像素值；式中M
i
为第i个像素值，min(M)，max(M)为该幅影像的最大像素值与最小像素值；将开源数据集尺寸裁剪为n*n大小的影像集，采取平移、旋转和对称手段来对数据增广；将预处理后的开源数据放入PSPNet进行训练，设置训练模式参数，数据集学习率，采用Adam作为优化器来训练binary_crossentropy损失函数。5.根据权利要求4所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤S4中，采用Recall和OA两类指标来综合评定选取最优训练模型参数，
Recall是查全率，用来评估所有正样本的像素中，被正确预测为正样本的像素所占的比重，其中TP表示正样本被正确预测为正样本的情况，TN表示为负样本被正确预测为负样本的情况；OA是像素准确率，用来评估正确预测的像素占所有像素的比...

【专利技术属性】
技术研发人员：狄玮琪，闫泽川，陈燕婕，孙皓，
申请(专利权)人：江苏天汇空间信息研究院有限公司，
类型：发明
国别省市：