【技术实现步骤摘要】
本专利技术涉及遥感影像识别，尤其涉及一种基于segnet深度学习模型的海草床遥感识别方法、装置。
技术介绍
1、海草床生态系统是近海沿岸最重要的蓝碳生态系统之一，不仅在海洋碳汇方面具有重要价值，其每年固碳量占海洋总固碳量的10%，还能够为海洋生物提供栖息地，促进海洋物质循环、减缓水流速度并稳固近海底质。然而自1990年以来，全球海草床以每年大约7%的速率在减少，目前超过1/3的海草床已经消失，14%的海草物种也正在面临灭绝。由于海草床生态系统的功能完整性和稳定性受到了极大的冲击，碳储量和碳汇能力下降，已引起了国内外学者的高度重视。因此，快速准确地监测获取海草床分布情况迫在眉睫，这对于海草床生态系统的保护管理以及评估其在全球碳循环中的功能价值等具有重要的实践意义。
2、针对海草床遥感识别，已有研究者提出了基于辐射传输过程的物理模型反演法和多光谱指数法等遥感识别方法。然而，物理模型反演法过程复杂且需要多个水体光学参数作为输入，在推广应用方面受限；多光谱指数法在识别海草床时需要指数阈值作为识别依据，而准确的阈值确定往往较难，这给海草床的识别带来一定的不确定性。
3、近年来，随着计算机技术的快速发展，诸多深度学习模型已被提出。深度学习方法可以从输入数据中自动提取目标地物特征，不仅可以减少人工提取带来的主观影响，还可以实现高精度的地物自动识别提取，大大提高了效率。因此，近年来已有许多研究人员结合遥感大数据和深度学习模型，提出了基于深度学习模型的目标地物自动化识别新技术，并将其广泛应用到卫星遥感影像地物识别和分类中，
4、然而，深度学习模型方法往往依赖于训练样本，在样本空间分布不均匀及样本数量有限的情况下，样本类别不平衡问题是影响深度学习提取精度的关键问题之一。在海草床提取中，由于海草床分布存在区域性以及季节性差异，这都会导致在海草床图像上出现样本类别不平衡问题，进而影响深度学习模型在海草床提取上的表现性能，并且不同的深度学习模型在海草床提取的表现上也有所差异。
技术实现思路
1、专利技术目的：本专利技术提供一种基于segnet深度学习模型的海草床遥感识别方法、装置，旨在解决现有技术中在利用深度学习模型进行海草床遥感识别的过程中，由于训练样本在不同特征类别上分布不平衡所导致的识别准确度较低的技术问题，并且解决现有技术中应用的深度学习模型在训练样本在不同特征类别上分布不平衡情况下，训练效果较差的技术问题。
2、技术方案：本专利技术提供一种基于segnet深度学习模型的海草床遥感识别方法，包括：获取目标区域的卫星遥感影像，对卫星遥感影像中的像元进行特征标注，形成标签样本集；将标签样本集划分为训练集和验证集，对训练集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸训练集和第二影像尺寸训练集；对验证集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸验证集和第二影像尺寸验证集；对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量；使用第一影像尺寸训练集训练第一segnet深度学习模型，使用第二影像尺寸训练集训练第二segnet深度学习模型；使用第一影像尺寸验证集输入第一segnet深度学习模型，使用第二影像尺寸验证集输入第二segnet深度学习模型，获得相应的识别结果，根据识别效果，确定第一segnet深度学习模型和第二segnet深度学习模型中的最优识别模型；使用最优识别模型，用于识别目标区域的实际卫星遥感影像中的海草床区域；实际卫星遥感影像经过最优影像尺寸切割，最优影像尺寸与最优识别模型训练时用于切割的影像尺寸对应。
3、具体的，在目标区域的卫星遥感影像中，确定海草、海水、云和砂质底质像元的光谱曲线，确定能够反映海草与海水、云和砂质底质光谱差异的波段为特征波段，使用特征波段对卫星遥感影像进行特征波段合成。
4、具体的，对卫星遥感影像中每张影像的像元，进行海草、海水、云和砂质底质的类别标注。
5、具体的，对于第一影像尺寸训练集和第二影像尺寸训练集，在两个集合中分别进行如下的冗余去除步骤：将占比最高的特征类别作为冗余类别，卫星遥感影像切割后得到的影像块中，保留不包括冗余类别的影像块，对于集合中包括冗余类别的影像块，计算冗余类别在影像块中的占比，将占比高于去除阈值的影像块去除；去除阈值与影像块所在集合相对应。
6、具体的，获取实际卫星遥感影像，分别按照第一segnet深度学习模型和第二segnet深度学习模型对应的影像尺寸进行切割后，输入相应的模型，分别将识别结果和实际结果进行比对，分别评估第一segnet深度学习模型和第二segnet深度学习模型的海草床识别性能。
7、具体的，分别计算第一segnet深度学习模型和第二segnet深度学习模型的总体精度、精确度和f1分数，加权求和评估海草床识别性能；所述总体精度oa的计算公式如下：
8、oa=（tp＋tn）/（tp＋tn+fp+fn），
9、其中，tp表示实际类别为海草且被模型识别为海草的像元个数，fn表示实际类别为海草且被模型识别为非海草的像元个数，tn表示实际类别为非海草且被模型识别为非海草的像元个数，fp表示实际类别为非海草且被模型识别为海草的像元个数；
10、所述精确度p的计算公式如下：
11、p=tp/（tp＋fp）；
12、所述f1分数的计算公式如下：
13、f1score=2tp/（2tp＋fp+fn）。
14、具体的，不断调整第一影像尺寸训练集的去除阈值和第二影像尺寸训练集的去除阈值，直到第一segnet深度学习模型的海草床识别性能不能再提高，以及第二segnet深度学习模型的海草床识别性能不能再提高，确定对应的去除阈值。
15、具体的，所述对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量，包括：计算训练集中每个特征类别的像元数量，按照每个特征类别的像元数量之间比例的反比，对每个特征类别进行加权。
16、具体的，所述根据识别效果，确定第一segnet深度学习模型和第二segnet深度学习模型中的最优识别模型，包括：按照预设权重对模型训练时间和识别结果准确度进行加权求和，根据求和结果的最大值，确定对应的模型作为最优识别模型。
17、本专利技术还提供一种基于segnet深度学习模型的海草床遥感识别装置，包括：影像获取单元、尺寸切割和平衡单元、训练单元、筛选单元和应用单元，其中：所述影像获取单元，用于获取目标区域的卫星遥感影像，对卫星遥感影像进行特征标注，形成标签样本集；所述尺寸切割和平衡单元，用于将标签样本集划分为训练集和验证集，对训练集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸训练集和第二影像尺寸训练集；对验证集按照第一影像尺寸和第二影像尺寸分别进行切割，得到第一影像尺寸验证集和第二影像尺寸验证集；对训练集和验证集中各个特征类别的像元进行加权，平衡每个特征类别的本文档来自技高网...
【技术保护点】
1.一种基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，包括：
2.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，在所述获取目标区域的卫星遥感影像，之后包括：
3.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述对卫星遥感影像进行特征标注，包括：
4.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述得到第一影像尺寸训练集和第二影像尺寸训练集，包括：
5.根据权利要求4所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述使用第一影像尺寸训练集训练第一SegNet深度学习模型，使用第二影像尺寸训练集训练第二SegNet深度学习模型，包括：
6.根据权利要求5所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述分别评估第一SegNet深度学习模型和第二SegNet深度学习模型的海草床识别性能，包括：
7.根据权利要求6所述的基于SegNet深度学习模型
8.根据权利要求7所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述对训练集中各个特征类别的像元进行加权，平衡每个特征类别的像元数量，包括：
9.根据权利要求1所述的基于SegNet深度学习模型的海草床遥感识别方法，其特征在于，所述根据识别效果，确定第一SegNet深度学习模型和第二SegNet深度学习模型中的最优识别模型，包括：
10.一种基于SegNet深度学习模型的海草床遥感识别装置，其特征在于，包括：影像获取单元、尺寸切割和平衡单元、训练单元、筛选单元和应用单元，其中：
...【技术特征摘要】
1.一种基于segnet深度学习模型的海草床遥感识别方法，其特征在于，包括：
2.根据权利要求1所述的基于segnet深度学习模型的海草床遥感识别方法，其特征在于，在所述获取目标区域的卫星遥感影像，之后包括：
3.根据权利要求1所述的基于segnet深度学习模型的海草床遥感识别方法，其特征在于，所述对卫星遥感影像进行特征标注，包括：
4.根据权利要求1所述的基于segnet深度学习模型的海草床遥感识别方法，其特征在于，所述得到第一影像尺寸训练集和第二影像尺寸训练集，包括：
5.根据权利要求4所述的基于segnet深度学习模型的海草床遥感识别方法，其特征在于，所述使用第一影像尺寸训练集训练第一segnet深度学习模型，使用第二影像尺寸训练集训练第二segnet深度学习模型，包括：
6.根据权利要求5所述的基于segnet深度学习模型的海草床...
【专利技术属性】
技术研发人员：王璐璐，梁涵玮，王胜强，孙德勇，张海龙，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。