【技术实现步骤摘要】
本专利技术涉及深度学习、计算机视觉、遥感影像水体识别领域，特别涉及一种基于双通道分割网络的遥感多光谱影像水体识别方法。
技术介绍
1、输电线路是电力系统的重要组成部分，用于传输电能从发电站到各个用户。在输电线路走廊的维护和管理中，水体的存在可能会引发多种问题，如设备损坏、绝缘性能下降和事故风险增加，随着电力系统的不断发展，输电线路走廊的安全问题越来越受到关注。因此，及早发现和准确识别输电线路走廊中的水体区域对于确保电力系统的可靠性和稳定性至关重要。
2、传统的遥感方法通常依赖于手动分析或规则基础的图像处理技术，这些方法可能效率低下且容易受到主观因素的干扰。随着深度学习技术的迅速崛起，基于语义分割网络的自动化水体识别方法为解决这一问题提供了新的机会。本申请引入了双通道语义分割网络，以更好地捕获输电线路走廊遥感影像中的水体特征。本申请采用两个并行通道，使用原始遥感影像和水体指数，在最大程度上突出水体信息并抑制植被、土壤、建筑等信息，提升水体区域的识别准确性。
技术实现思路
1、本专利技术的目的在于提供一种基于双通道分割网络的遥感多光谱影像水体识别方法，以解决现有技术通用性和自适应性差的问题。
2、为实现上述目的，本专利技术的技术方案是：一种基于双通道分割网络的遥感多光谱影像水体识别方法，包括如下步骤：
3、步骤s1、数据预处理，对收集到的遥感影像进行预处理，并对遥感影像中的水体进行像素级的标注，获得标签，建立多光谱影像水体数据集；
4、步
5、步骤s3、构建水体指数数据，水体指数是用于遥感图像分析中水体检测和监测的指标，通过计算不同波段之间的比值或指数，突出水体的光谱特征，从而与其他地物进行区分；选择多光谱影像水体数据的近红外nir、红外red、绿green、短波红外swir波段的数据，分别计算归一化植被指数ndvi、归一化水体增强指数awelnsh和归一化差异水体指数ndwi，并将三种指数组成一个三通道的水体指数数据；
6、步骤s4、构建双通道语义分割神经网络，双通道语义分割神经网络包括特征提取模块、分层特征融合模块、特征输出模块，分别将步骤s2生成的rgb影像数据与步骤s3生成的水体指数数据作为两个通道的数据输入，分别经过特征提取模块，并使用分层特征融合模块融合两个输入通道的特征，获得深层次的特征，再经过特征输出模块输出多光谱影像的水体分割结果；
7、步骤s5、构建双通道语义分割神经网络的损失函数，即使用改进的focal loss损失函数构建双通道语义分割网络的损失函数；
8、步骤s6、训练双通道语义分割神经网络，将步骤s2生成的rgb影像数据和步骤s3生成的水体指数数据作为双通道语义分割神经网络的输入，将步骤s1标注的标签作为输出，训练双通道语义分割神经网络；使用pytorch作为深度神经网络学习框架，并利用nvdiageforce rtx4060作为gpu进行模型的训练，使用adam优化器，初始学习率设置为0.001，并采用阶层性下降学习率方法，训练次数为200个epoch；
9、步骤s7、识别多光谱影像中的水体，将待识别的多光谱影像，经过步骤s2和s3处理后，输入到步骤s6训练的双通道语义分割神经网络中，得到多光谱影像识别水体的结果。
10、在本专利技术一实施例中，步骤s1中数据预处理，具体方法为：对收集到的遥感影像进行预处理，包括辐射校正、大气校正和地理校正，以消除影像中的噪声和误差
11、在本专利技术一实施例中，步骤s3中，归一化植被指数ndvi计算如下：
12、ndvi＝(nir-red)/(nir+red)
13、式中：ndvi为归一化植被指数，nir为近红外波段的反射率，red为红外波段的反射率；
14、归一化水体增强指数awelnsh计算如下：
15、awelnsh＝4*(green-swir)-(0.25*nir+2.75*swir)
16、式中：awelnsh为归一化水体增强指数，green为绿光波段的反射率，swir代表短波红外波段的反射率，nir为近红外波段的反射率；
17、归一化差异水体指数ndwi计算如下：
18、ndwi＝(nir-swir)/(nir+swir)
19、式中：ndwi为归一化差异水体指数，nir为近红外波段的反射率，swir代表短波红外波段的反射率。
20、在本专利技术一实施例中，步骤s4中，所述特征提取模块，为了充分捕获输入数据的空间信息，从不同层次获取不同尺度的数据特征，依次使用三个由两个卷积核大小为3×3的卷积层和一个核大小为3×3的最大池化层组成的网络，输出特征大小为输入图像的1/2、1/4、1/8的s1、s2、s3三个特征层，rgb影像通道得到特征层为s11、s12、s13，水体指数影像通道得到特征层为s21、s22、s23。
21、在本专利技术一实施例中，步骤s4中，所述分层特征提取模块，将特征提取模块提取的特征层s11、s12、s13、s21、s22、s23都经过注意力模块，通过学习权重分配，使网络能够更加关注水体区域的特征，从而提升水体区域的识别准确性，并从低分辨率的特征图s11和s21开始融合，经过上采样后与s12和s22融合，再经过上采样后与s13和s23融合。其中注意力模块将特征层经过最大池化和平均池化，再将这2个池化结果拼接在一起后经过全局平均池化、卷积层和激活函数，得到的特征与输入特征相乘，将该权重应用到原来的每个特征空间上，便得到注意力机制的新特征。
22、在本专利技术一实施例中，步骤s4中，所述特征输出模块，由一个全局平均池化层、2个卷积核大小为3×3的卷积层和一个卷积核大小为2×2的反卷积层组成，采用反卷积层对最后一个卷积层的特征图进行上采样，得到与输入图像相同的尺寸，最后在上采样的特征图上进行逐像素分类。
23、在本专利技术一实施例中，步骤s5中，构建双通道语义分割神经网络的损失函数具体方法为：为了能够有效解决正负样本不均衡以及难易分类样本之间的不平衡问题，使用改进的focal loss损失函数，其数学表达式如下：
24、
25、fl(pt)＝(1-pt)γ*lg(pt)*pt2
26、式中：fl为损失值，p为模型对类别估计概率；y＝1为真实类；γ为调节难易分类样本之间的平衡因子，γ＞0。
27、相较于现有技术，本专利技术具有以下有益效果：本专利技术方法，采用rgb遥感影像和水体指数结合双通道语义分割网络来解决遥感多光谱影像水体识别的问题，利用rgb遥感影像和水体指数的特性，通过构建双通道语义分割神经网络，引入多层特征融合模块和注意力模块，从不同尺度、不同特征层次融合原始遥感影像和水体指数特征，在最大程度上突出水体本文档来自技高网...
【技术保护点】
1.一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤S1中数据预处理，具体方法为：对收集到的遥感影像进行预处理，包括辐射校正、大气校正和地理校正，以消除影像中的噪声和误差。
3.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤S3中，归一化植被指数NDVI计算如下：
4.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤S4中，所述特征提取模块，为了充分捕获输入数据的空间信息，从不同层次获取不同尺度的数据特征，依次使用三个由两个卷积核大小为3×3的卷积层和一个核大小为3×3的最大池化层组成的网络，输出特征大小为输入图像的1/2、1/4、1/8的S1、S2、S3三个特征层，RGB影像通道得到特征层为S11、S12、S13，水体指数影像通道得到特征层为S21、S22、S23。
5.根据权利要求4所述的一种基于双通道分割网络的遥感多光谱影像
6.根据权利要求5所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤S4中，所述特征输出模块，由一个全局平均池化层、2个卷积核大小为3×3的卷积层和一个卷积核大小为2×2的反卷积层组成，采用反卷积层对最后一个卷积层的特征图进行上采样，得到与输入图像相同的尺寸，最后在上采样的特征图上进行逐像素分类。
7.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤S5中，构建双通道语义分割神经网络的损失函数具体方法为：为了能够有效解决正负样本不均衡以及难易分类样本之间的不平衡问题，使用改进的Focal loss损失函数，其数学表达式如下：
...【技术特征摘要】
1.一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤s1中数据预处理，具体方法为：对收集到的遥感影像进行预处理，包括辐射校正、大气校正和地理校正，以消除影像中的噪声和误差。
3.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤s3中，归一化植被指数ndvi计算如下：
4.根据权利要求1所述的一种基于双通道分割网络的遥感多光谱影像水体识别方法，其特征在于，步骤s4中，所述特征提取模块，为了充分捕获输入数据的空间信息，从不同层次获取不同尺度的数据特征，依次使用三个由两个卷积核大小为3×3的卷积层和一个核大小为3×3的最大池化层组成的网络，输出特征大小为输入图像的1/2、1/4、1/8的s1、s2、s3三个特征层，rgb影像通道得到特征层为s11、s12、s13，水体指数影像通道得到特征层为s21、s22、s23。
5.根据权利要求4所述的一种基于双通道分割网络的...
【专利技术属性】
技术研发人员：王晓杰，陈少康，张静，王利伟，王森，徐瑞，闫皓炜，程燕胜，燕正亮，陈艳芳，许军，谢文炳，方超颖，吴晓杰，郑钟楠，黄友聪，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
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。