一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于UNetMFormer网络的遥感影像水体提取方法、系统及设备


[0001]本专利技术属于遥感技术与计算机视觉技术交叉领域，涉及一种遥感影像水体提取方法
、
系统及设备，具体涉及一种基于
UNetMFormer
网络的遥感影像水体提取方法
、
系统及设备
。

技术介绍

[0002]随着技术的进步，传感器体量的不断增长和无人机的广泛应用，遥感技术正在进一步发展壮大
(
文献
1)。
许多传感器，特别是高分辨光学卫星和无人机，成为了地球观测的重要平台
。
美国航天局在
1972
年发射了第一颗用于测量和研究地球表面的卫星，这一事件标志着人们开始从太空角度监测地球表面陆地覆盖
(
文献
2)。
之后，哨兵
、SPOT、
高分等大量卫星被发射用于各自目的
。
根据传感器成像波段的不同，遥感传感器可以分为光学遥感传感器和合成孔径雷达传感器
。
光学遥感传感器根据空间分辨率的不同又可分为粗分辨率
、
中分辨率和高分辨率
(
文献
2)。
此外，无人机作为一种传统遥感技术的补充正在成为新一代的传感器
。
通过上述传感器，研究人员获得高分辨光学遥感图像并广泛应用于遥感的具体任务中
(
文献
3)。
[0003]在遥感图像中，河流
>、
湖泊区域是重要的地标，在水资源调查
、
区域水资源管理
、
洪水监测和水资源保护规划等方面具有重要的现实意义
(
文献
4)。
河流
、
湖泊探测的研究越来越受到重视
。
同时，水体的准确分割是进行湖泊
、
河流研究中非常重要的一步
。
传统的分割方法主要有基于阈值的分割
、
基于边缘的分割
、
基于活动区域的分割和基于支持向量机的分割等
(
文献5‑
7)。
朱等人利用滤波和形态学的方法，结合区域生长算法来检测河流区域的变化
(
文献
8)。
然而，该算法是一种迭代方法，时间和空间开销大，不具有通用性
。Sun
提出了一种新的合成孔径雷达
(SAR)
图像河流检测算法
(
文献
9)
，该算法在小波域提取边缘，并通过脊线跟踪合并水域
。
虽然该算法在一定程度上提高了河流边缘检测的效果，但方法的参数设置受人为影响较大
。McFeeters
提出了归一化差分水指数
(NDWI)
方法
(
文献
10)
，该方法利用图像的近红外光和绿光增强图像特征，然后进行精确的分割，但这种方法极易受到环境影响
。
总之，上述方法存现泛化能力差，需要大量人工参与，信息不准确等问题
。
[0004]深度学习技术的出现为水体分类带来了新的希望
。
当深度学习被开发出来时，它主要被用于图像级别的分类，主要方法通过连续卷积和池化，获得输入图片的特征信息，并最终获得每个类别的概率
(
文献
11)。
然而，这些模型很难对细节进行精确分割
。
为了解决这些问题，一些学者提取出了图像像素级的网络，这些网络可以获得更加详细的特征信息
。2014
年，
Long
等提出可以实现图像像素级分类的
FCN
分割网络模型
(
文献
12)
，该模型为图像分类带来质的飞跃
。
但是，该网络因为忽略像素之间的关系，导致了结果不够准确，同时对细节和全局特性信息不够敏感
。SegNet
通过池化过程存储位置索引保留图像详细信息
(
文献
13)
，但是效果偏低
。Unet
语义分割模型
(
文献
14)
，通过上采样获得丰富的特征信息，并实现精确的分割任务，但是上采样过程中很难恢复图像丰富的特征，容易产生信息冗余
。
data with neural networks[J].science,2006,313(5786):504
‑
7.
[0017][
文献
12]LONG J,SHELHAMER E,DARRELL T.Fully convolutional networks for semantic segmentation
；
proceedings of the Proceedings of the IEEE conference on computer vision and pattern recognition,F,2015[C].
[0018][
文献
13]BADRINARAYANAN V,KENDALL A,CIPOLLAR.Segnet:A deep convolutional encoder
‑
decoder architecture for image segmentation[J].IEEE transactions on pattern analysis and machine intelligence,2017,39(12):2481
‑
95.
[0019][
文献
14]RONNEBERGER O,FISCHER P,BROX T.U
‑
net:Convolutional networks for biomedical image segmentation
；
proceedings of the Medical Image Computing and Computer
‑
Assisted Intervention
–
MICCAI 2015:18th International Conference,Munich,Germany,October 5
‑
9,2015,Proceedings,Part III 18,F,2015[C].Springer.
[0020][
文献
15]ZHAO H,SHI J,QI X,et al.Pyramid scene parsing network
；
proceedings of the Proceedings of the IEEE conference on computer v本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
UNetMFormer
网络的遥感影像水体提取方法，其特征在于，包括以下步骤：步骤1：获取目标流域遥感影像并对遥感影像中的水体进行标注；步骤2：通过直方图匹配标注后的遥感影像；步骤3：将匹配后的遥感影像输入
UNetMFormer
网络，对遥感影像中的水体进行预测
。2.
根据权利要求1所述的基于
UNetMFormer
网络的遥感影像水体提取方法，其特征在于：步骤3中，所述
UNetMFormer
网络，包括优化下采样结构
、
全局和局部特征提取结构
、
结合多输出的优化上采样结构；所述优化下采样结构，包括五级下采样模块，每一级下采样模块均以2的比例因子对特征图进行下采样，每一级下采样模块后都设置有归一化操作层和加入激活层；所述全局和局部特征提取结构，包括第一全局和局部特征提取模块
、
第一加权和运算模块
、
第二全局和局部特征提取模块
、
第二加权和运算模块
、
第三全局和局部特征提取模块
、
第三加权和运算模块和卷积层；第五级下采样模块输出输入所述第一全局和局部特征提取模块，所述第一全局和局部特征提取模块输出与第四级下采样模块输出经过所述第一加权和运算模块后输入所述第二全局和局部特征提取模块；所述第二全局和局部特征提取模块输出与第三级下采样模块输出经过所述第二加权和运算模块后输入所述第三全局和局部特征提取模块；所述第三全局和局部特征提取模块输出与第二级下采样模块输出经过所述第三加权和运算模块后输入所述卷积层；所述结合多输出的优化上采样结构，包括第一上采样模块
、
第二上采样模块
、
第三上采样模块
、
第四上采样模块
、
第一融合模块和第二融合模块；所述第一全局和局部特征提取模块
、
第二全局和局部特征提取模块
、
第三全局和局部特征提取模块的输出分别经过所述第一上采样模块
、
第二上采样模块
、
第三上采样模块后经过所述第一融合模块融合特征输出；所述卷积层的输出分别经过所述第四上采样模块后，与所述第一融合模块的输出经过第二融合模块融合特征后输出最终的实体提取结果
。3.
根据权利要求2所述的基于
UNetMFormer
网络的遥感影像水体提取方法，其特征在于：每一级下采样模块产生的语义特征与解码器的全局和局部特征提取模块产生的特征使用加权和运算进行聚合，加权求和运算根据两个特征对分割精度的贡献有选择地对其进行加权；加权的计算公式为：
F
＝
φ
.R+(1
‑
φ
).MT
；其中，
F
代表融合特征，
R
代表每一级下采样模块产生的特征，
MT
代表解码器的全局和局部特征提取模块产生的特征，
φ
代表权重比例
。4.
根据权利要求2所述的基于
UNetMFormer
网络的遥感影像水体提取方法，其特征在于：所述第一全局和局部特征提取模块，为全局
‑
局部多尺度上下文结构，包括全局分支
、
局部分支
、
融合层
、
卷积层
、
批量归一化操作层和卷积层，所述全局分支
、
局部分支输出经过所述融合层融合后，依次通过卷积层
、
批量归一化操作层和卷积层后输出；所述全局分支，包括窗口分割层
、
第一点积层
、
归一化指数函数层
、
第二点积层和十字形窗口上下文交互模块，输出全局上下文特征；所述窗口分割层由顺序连接的卷...

【专利技术属性】
技术研发人员：陈智雄，高贤君，杨栋杰，杨元维，王锦洋，张永年，王军德，陈小鸿，尹成，黄仡凡，史少远，冯宣，董斯源，
申请(专利权)人：长江大学，
类型：发明
国别省市：