卫星影像水体要素提取与水系矢量要素生成方法及系统技术方案

本发明专利技术公开了一种卫星影像水体要素提取与水系矢量要素生成方法及系统，通过多视场自适应融合网络，进行水体要素提取，获取水体掩膜结果；通过桥梁位置检测网络，进行桥梁检测，获取桥梁位置矩形框；基于水体掩膜结果，通过轮廓点移动网络，获取水系轮廓；结合水体掩膜结果

【技术实现步骤摘要】
卫星影像水体要素提取与水系矢量要素生成方法及系统


[0001]本专利技术属于遥感数据与人工智能的交叉
，涉及一种卫星影像水体要素提取与水系矢量要素生成方法及系统，具体涉及一种基于语义分割与矢量生成一体化的大幅面卫星影像水体要素提取与水系矢量要素生成方法及系统，包含多视场自适应融合与跨窗口一致性约束的大幅面水体提取方案，基于样本采样优化策略的桥梁旋转检测方案，以及基于融合桥梁信息的轮廓点移动模型的水系
(
水体
+
桥梁
)
矢量生成方案
。

技术介绍

[0002]水体作为地球的基本组成要素之一，不仅在自然生态系统中必不可少，而且与人类生活密切相关，例如健康
、
能源
、
发电等方面
。
近年来，随着遥感对地观测能力和人工智能等多领域技术的快速发展，从遥感影像中自动提取水体目标成为可能
。
在全球水资源日益匮乏的背景下，面向大幅面遥感影像的水体提取
、
水系矢量要素生成技术能够被广泛应用于水资源评估
、
环境保护
、
城市规划等任务，引起了遥感领域众多研究人员的重视
。
其中，提取水体掩膜
、
生成水系矢量要素是后续空间统计分析
、
模拟水体动态变化和制定决策规划等工作的基础
。
[0003]面向卫星影像的水体要素提取与水系矢量要素生成的难点主要由遥感影像中水体要素的形状
、<br/>尺度
、
分布多样性
、
场景复杂性
、
边界复杂性与光谱多样性等因素引起
。
水体包括河流
、
灌溉渠
、
池塘
、
湖泊与海洋等形状与尺度差异较大的子类别
。
若只依赖光谱特性或形态学算法，很难用同一个范式去提取所有的水体信息
。
相较于自然图像，遥感影像具有幅面大
、
通道多
、
附有成像时间及地理坐标等元数据信息等特点
。
随着遥感传感器技术的快速发展，从观测平台获取的整景影像覆盖范围面积可达约
500
至
2500
平方公里以上
。
大幅面卫星影像能够同时提供宏观结构信息与微观细节信息
。
全局视角能够帮助对大幅面图像的整体理解，而局部视角则能够提供精确的细节信息
。
如同人眼视觉模式一样，对这二者的综合考虑能够达到更好的水体要素提取效果
。
针对大幅面卫星影像，由于
GPU
显存的限制，目前占据主流的基于深度学习的语义分割方法通常采用降采样或裁剪为小幅面影像瓦片两种处理方式
。
其一，影像降采样势必会损失大量的细节信息，导致提取的水体要素细节表现较差；其二，裁剪为小幅面的影像瓦片会破坏水体要素的连续性与完整性
。
经过系统的文献调研，已有方法大都停留在对深度分割网络进行改进，旨在有效编码全局与局部信息
。
但如何结合水体要素的特点在数据利用层面进行优化仍然有很大的研究空间
。
因此，综合考虑大幅面遥感影像数据特性及水体要素拓扑连续性特点，研究可以挖掘大范围上下文的深度语义分割网络的结构设计与优化方法，消除网络推理阶段的分块效应显得十分重要
。
[0004]此外，相较于栅格数据，矢量数据具有方便空间分析与相关信息快速查询的优势，并且像素级语义分割结果与制图级地物提取要求仍然存在很大的差距
。
因此，如何通过遥感影像实现高精度自动化自然地物矢量要素制图同样是研究热点问题
。
首先，相较于一般实例或者建筑物，水体地物呈现更加复杂的几何形态
。
遥感影像中主要有湖泊
、
大小型河流等典型形态类型，包括面状
、
块状
、
长条状等各异的几何特征，还有圆环等特殊形状
。
此外，
卫星影像中水体要素具有较强的连通性，面向大幅面卫星影像去生成水系矢量是必要的
。
现有方法无法针对大幅面影像直接进行矢量建模
。
对于水系等需要考虑更大上下文信息的自然地物要素而言，更加有效地利用大幅面卫星影像中蕴含的全局上下文信息能够提升复杂场景下的矢量提取效果，同时能尽可能地避免影像瓦片之间矢量要素的拼接问题
。
此外，水系中的跨水桥梁作为水体存在的表示，往往无法被语义分割方法提取，造成水系矢量结果失准
。
因此，还需进一步考虑和补全水系中的跨水桥梁等目标，形成完整连通的水系矢量
。

技术实现思路

[0005]本专利技术主要是解决现有面向卫星影像的水体要素提取技术方案存在模型较难适应大规模水体提取场景
、
水体要素提取的稳定性与普适性较差
、
模型没有针对大幅面遥感影像进行方法优化等问题
。
而现有面向卫星影像的水系矢量生成技术方案存在算法无法适应复杂场景条件下的水系矢量生成任务
、
无法处理跨水体的桥梁等目标
、
无法直接处理大幅面卫星影像等局限性
。
针对上述问题与挑战，本专利技术提出了一种基于语义分割与矢量生成一体化的大幅面卫星影像水体要素提取与水系矢量要素生成方法及系统，能够实现面向大幅面卫星影像水体要素的高精度提取与跨水桥梁目标检测，综合生成准确的水系矢量
。
[0006]本专利技术的方法采用的技术方案是：一种卫星影像水体要素提取与水系矢量要素生成方法，通过多视场自适应融合网络，进行水体要素提取，获取水体掩膜结果；通过桥梁位置检测网络，进行桥梁检测，获取桥梁位置矩形框；基于水体掩膜结果，通过轮廓点移动网络，获取水系轮廓；结合水体掩膜结果
、
桥梁位置矩形框及水系轮廓，得到水系全要素的矢量提取结果
。
[0007]作为优选，所述多视场自适应融合网络，整体由影像金字塔构建模块和特征自适应融合模块构成
。
所述影像金字塔构建模块，用于将原始大幅面图像下采样
N2倍
、N
倍以及保持原分辨率，分别裁剪得到具有相同幅面大小的图像组，构建包含三种视场的图像金字塔，记为
View1,View2
和
View3
；所述特征自适应融合模块由基础特征提取网络
、CBRCS
模块与注意力模块共同构成
。
[0008]所述基础特征提取网络为经典的
DeepLabv3+
网络，它包括一个
Encoder
和一个
Decoder
，用于对三个视场的图像进行基础特征提取
。
[0009]所述
...

【技术保护点】

【技术特征摘要】
1.
一种卫星影像水体要素提取与水系矢量要素生成方法，其特征在于：通过多视场自适应融合网络，进行水体要素提取，获取水体掩膜结果；通过桥梁位置检测网络，进行桥梁检测，获取桥梁位置矩形框；基于水体掩膜结果，通过轮廓点移动网络，获取水系轮廓；结合水体掩膜结果
、
桥梁位置矩形框及水系轮廓，得到水系全要素的矢量提取结果
。2.
根据权利要求1所述的卫星影像水体要素提取与水系矢量要素生成方法，其特征在于：所述多视场自适应融合网络，整体由影像金字塔构建模块和特征自适应融合模块构成
。
所述影像金字塔构建模块，用于将原始大幅面图像下采样
N2倍
、N
倍以及保持原分辨率，分别裁剪得到具有相同幅面大小的图像组，构建包含三种视场的图像金字塔，记为
View1,View2
和
View3
；所述特征自适应融合模块由基础特征提取网络
、CBRCS
模块与注意力模块共同构成；所述基础特征提取网络，为
DeepLabv3+
网络，包括一个
Encoder
和一个
Decoder
，用于对三个视场的图像进行基础特征提取；所述
CBRCS
模块，包括串联设置的五个网络层，用于对三个视场提取到的基础特征进行细化特征提取，得到水体概率图，第一层是卷积层，第二层是
Batch Normalization
标准化层，第三层是
Relu
激活层，第四层是卷积层，第五层是
Sigmoid
激活层；所述注意力模块，用于对于所述基础特征提取网络输出的特征进行像素级权值图计算，对于三个视场对应的特征图在通道维度拼接，然后通过卷积核进行特征降维，接着进行
softmax
激活操作，得到像素级权值图；最终将来自三个视场的水体概率图和像素级权值图相乘再相加，得到最终自适应融合后的水体预测结果
。3.
根据权利要求2所述的卫星影像水体要素提取与水系矢量要素生成方法，其特征在于：所述多视场自适应融合网络，是训练好的网络；训练过程中采用的损失函数
L
由交叉熵损失
L
CE
和跨窗口一致性约束损失
L
BCC
构成；
L
＝
L
CE
+
λ
BCC
·
L
BCC
；其中，
λ
BCC
为偏置跨窗口一致性损失的权重
。
针对
View1
和
View2
仅采用交叉熵损失函数对输出的水体概率图与对应的水体标签进行监督；其中，
y
i
为类别真值标签，
x
i
是经过多视场自适应融合网络的预测概率值，
N
为像素总数；针对
View3
，定义相邻的互相有重叠的影像瓦片为一个四元组
(X1,X2,X3,X4)
，挖掘其重叠区域之间像素级一致性依赖关系，并引入标签先验信息对水体与非水体区域
、
难易样本以不同权重进行约束，使网络更加注重难水体区域的训练；其中，
l2表示相邻瓦片的重叠区域特征的欧式距离的平方，定义为
x
k
与
x
l
分别表示相邻瓦片之间的重叠区域的预测概率值；
y
k
表示重叠区域之间的类别标签，1表示水体，0表示非水体；
λ
为类别权重因子；
γ
为另一个调节因子，它能使网络更偏重于难
样本的训练；为重要性因子，帮助网络只关注于语义类别发生改变的重要性差异，为重要性因子，帮助网络只关注于语义类别发生改变的重要性差异，为两个相邻瓦片之间的重叠区域的预测类别值，
0.5
为默认的类别区分的阈值，“1”表示满足中括号内等式时取1，不满足取
0。4.
根据权利要求1所述的卫星影像水体要素提取与水系矢量要素生成方法，其特征在于：所述桥梁位置检测网络，采用常规旋转目标检测网络，并采用正负样本采样优化策略；首先令真值框范围内的像素点作为候选样本点，设第
j
个真值框被分配给第
i
个候选样本点，计算该样本点到对应真值框的中心的二维距离
d
ij
；根据第
j
个真值标签框的宽度和高度
w
j
,h
j
将其分配到对应尺度的特征图上，在该层特征图上按
d
ij
降序排序该真值标签对应的候选样本点，按照比例
ratio
取前
topk
个样本，作为候选正样本；根据类别预测分支得到某一候选正样本
p
k
对应候选预测框的语义关键点类别得分
Pt_cls
k
，得到该候选预测框的整体类别得分
Pre_cls
k
；其中，
λ
c
为平衡参数，用于调整类别得分的占比；
n

【专利技术属性】
技术研发人员：李彦胜，罗俊伟，李万春，党博，张永军，
申请(专利权)人：武汉大学，
类型：发明
国别省市：