一种基于卷积神经网络的形变区边界自动提取方法技术

本发明专利技术涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的形变区边界自动提取方法，首先对原始SAR遥感影像进行数据预处理，得到年平均地表形变相位图像，在预处理后的年平均地表形变相位图像基础上构建地表形变聚集区的样本数据集；接着使用地表形变聚集区的样本数据集对Deeplabv3+卷积神经网络模型和ResNet残差网络模型进行训练，得到训练后的地表形变聚集区初步提取结果；最后对训练后的地表形变聚集区初步提取结果，进一步优化处理，得到边界平滑的地表形变聚集区。本发明专利技术利用深度学习网络模型对复杂背景下显著性形变区强语义特征进行提取和学习，确定出显著性地表形变区边界。变区边界。变区边界。

【技术实现步骤摘要】
一种基于卷积神经网络的形变区边界自动提取方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于卷积神经网络的形变区边界自动提取方法。

技术介绍

[0002]地表形变监测主要早期以地面监测技术为主，基于地面监测技术，如利用 GNSS 观测站、精准水准仪、裂缝计等监测边坡地表的移位变形，这类监测方法受地形条件、人力成本等因素制约，导致观测仪器视野、监测点数量或配套的辅助电子远程监测网络受限，只能获取离散点观测数据，对局部地质灾害隐患区的监测防范有效，但无法进行大范围的形变监测。
[0003]随着遥感技术的发展，遥感技术以其全面、快速等优势弥补了上述方法的不足，被广泛地应用于地质灾害普查中，特别是干涉合成孔径雷达（interferometric synthetic aperture radar）技术的发展，目前，地表形变聚集区识别主要基于 PS
‑
InSAR、DS
‑
InSAR或者两种联合点时序分析方法获取形变信息，结合专家经验对相干目标的年平均形变速率图和时序数据进行目视解译，识别显著性形变区。这种方法存在以下缺陷：主要依赖专业人员，工作量大、效率较低、受人工主观因素影响、精度难以保证等问题。

技术实现思路

[0004]本专利技术提供了一种基于卷积神经网络的形变区边界自动提取方法，基于获得年平均地表形变相位图像，利用深度学习网络模型对复杂背景下显著性形变区强语义特征进行提取和学习，确定出显著性地表形变区边界。
[0005]为了实现本专利技术的目的，所采用的技术方案是：一种基于卷积神经网络的形变区边界自动提取方法，所述的方法包括以下步骤：S1、对原始SAR遥感影像进行数据预处理，得到年平均地表形变相位图像，在预处理后的年平均地表形变相位图像基础上构建地表形变聚集区的样本数据集；S2、使用地表形变聚集区的样本数据集对Deeplabv3+卷积神经网络模型和ResNet残差网络模型进行训练，得到训练后的地表形变聚集区初步提取结果；S3、对训练后的地表形变聚集区初步提取结果，进一步优化处理，得到边界平滑的地表形变聚集区。
[0006]作为本专利技术的优化方案，在步骤S1中，具体实现步骤为：S1
‑
1、地表形变聚集区的样本数据集包括影像数据和标签数据，首先将年平均地表形变相位图像裁剪成512*512的子影像来适配Deeplabv3+卷积神经网络模型和ResNet残差网络模型训练；S1
‑
2、利用ArcGIS 软件完成标签数据的制作；S1
‑
3、得到多组一一对应的影像数据和标签数据，形成地表形变聚集区的样本数据集。
[0007]作为本专利技术的优化方案，在步骤S1
‑
2中，标签数据的制作步骤为：S1
‑2‑
1、目视解译预处理后的年平均地表形变相位图像，勾画出典型地表形变聚集区的矢量范围；S1
‑2‑
2、再将勾画好的矢量文件转成栅格文件；S1
‑2‑
3、将栅格文件裁剪成与子影像相同尺寸的标签数据。
[0008]作为本专利技术的优化方案，在步骤S2中，Deeplabv3+卷积神经网络模型的训练步骤为：A、采用并联的空洞卷积和深度卷积对年平均地表形变相位图像进行编码；B、通过双线性插值对编码后的年平均地表形变相位图像进行解码。
[0009]作为本专利技术的优化方案，ResNet残差网络模型的训练步骤为：a、采用ResNet101为主干模型提取特征，对Deeplabv3+卷积神经网络的解码部分进行微调；b、在训练过程中采用early stopping和学习率衰减策略进行训练。
[0010]作为本专利技术的优化方案，在步骤S3中，优化处理包括二值栅格图转面状矢量、小图斑面积过滤和边界平滑处理，如下步骤：S3
‑
1、二值栅格图转面状矢量，通过开源GDL命令调用相应Raster_To_Vector的函数，实现栅格数据转为矢量数据，确定出地表形变聚集区矢量边界的提取；S3
‑
2、得到地表形变聚集区矢量边界提取结果，设定面积阈值t，大于面积阈值的地表形变聚集区图斑保留，从而筛除掉面积过小的矢量斑块，达到剔除干扰的目的；S3
‑
3、边界平滑处理，利用贝塞尔插值算法，对提取的地表形变聚集区矢量进行边界平滑处理，从而消除矢栅转换带来的边界锯齿。
[0011]作为本专利技术的优化方案，贝塞尔插值算法的具体实现为：把三阶贝塞尔曲线的P0和P3视为原始数据，找到P1和P2两个控制点，根据如下公式，计算出P0和P3之间平滑曲线上的任意点；B(t) = P0(1
‑
t)3+ 3 P1t(1
‑
t)2+ 3 P2t2(1
‑
t) + P3t3，t∈[0,1]其中：t为插值参数，用于控制曲线的位置；B(t)是曲线在t处的坐标。
[0012]本专利技术具有积极的效果：1）本专利技术采用Deeplabv3+卷积神经网络和ResNet101模型相结合的提取算法，ResNet101辅助作用，ResNet101作为Deeplabv3+中的主干网络特征提取，在Deeplabv3+网络解码中可以进行参数的微调，结合网络可以加快神经网络的训练，能够较好实现地表形变聚集区快速提取，提高提取效率；2）相较于人工目视解译技术：本专利技术无需依赖专业人员，工作量降低，提高了提取效率；3）相较于阈值分割技术：本专利技术无需多次阈值设置，就能确定最佳阈值，在不同的区域，无需设置不同的阈值，具有普适性；4）本专利技术避免了采用阈值分割法造成的大量的噪声点被误判为隐患显著性形变区，提取精度较低的问题，提取精度较高。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附
图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图，其中：图1为本专利技术的流程示意图；图2为Deeplabv3+卷积神经网络的原理图；图3是人工标注的部分样本数据图；图4是本专利技术实施例的算法自动提取结果图；图5是人工目视解译提取结果图；图6是三阶贝塞尔插值算法示意图。
具体实施方式
[0014]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0015]如图1所示，本专利技术公开了一种基于卷积神经网络的形变区边界自动提取方法，方法包括以下步骤：S1、对原始SAR遥感影像进行数据预处理，得到年平均地表形变相位图像，在预处理后的年平均地表形变相位图像基础上构建地表形变聚集区的样本数据集；其中：原始SAR遥感影像获取的是地表形变聚集区的原始SAR遥感影像。
[0016]数据预处理主要为利用Stacking InSAR技术，主要步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的形变区边界自动提取方法，其特征在于：所述的方法包括以下步骤：S1、对原始SAR遥感影像进行数据预处理，得到年平均地表形变相位图像，在预处理后的年平均地表形变相位图像基础上构建地表形变聚集区的样本数据集；S2、使用地表形变聚集区的样本数据集对Deeplabv3+卷积神经网络模型和ResNet残差网络模型进行训练，得到训练后的地表形变聚集区初步提取结果；S3、对训练后的地表形变聚集区初步提取结果，进一步优化处理，得到边界平滑的地表形变聚集区。2.根据权利要求1所述的一种基于卷积神经网络的形变区边界自动提取方法，其特征在于：在步骤S1中，具体实现步骤为：S1
‑
1、地表形变聚集区的样本数据集包括影像数据和标签数据，首先将年平均地表形变相位图像裁剪成512*512的子影像来适配Deeplabv3+卷积神经网络模型和ResNet残差网络模型训练；S1
‑
2、利用ArcGIS 软件完成标签数据的制作；S1
‑
3、得到多组一一对应的影像数据和标签数据，形成地表形变聚集区的样本数据集。3.根据权利要求2所述的一种基于卷积神经网络的形变区边界自动提取方法，其特征在于：在步骤S1
‑
2中，标签数据的制作步骤为：S1
‑2‑
1、目视解译预处理后的年平均地表形变相位图像，勾画出典型地表形变聚集区的矢量范围；S1
‑2‑
2、再将勾画好的矢量文件转成栅格文件；S1
‑2‑
3、将栅格文件裁剪成与子影像相同尺寸的标签数据。4.根据权利要求2所述的一种基于卷积神经网络的形变区边界自动提取方法，其特征在于：在步骤S2中，Deeplabv3+卷积神经网络模型的训练步骤为：A、采用并联的空洞卷积和深度卷积对年平均地表形变相位图像进行编码；B、通...

【专利技术属性】
技术研发人员：汤玲，储扬静，
申请(专利权)人：南京北斗创新应用科技研究院有限公司，
类型：发明
国别省市：