【技术实现步骤摘要】
本申请属于图像处理，更具体地，涉及一种基于数据增强的影像水体识别方法及其识别模型构建方法。
技术介绍
1、青藏高原是世界上最大的高原，同时也是仅次于南北极地的全球最大的冰川区，含有丰富的固体冰川和高山水体液态淡水库，被誉为“亚洲水塔”，为下游河流如黄河、长江和雅鲁藏布江以及相关地区的近20亿居民提供重要的淡水资源，因此提取青藏高原水体有重要意义。随着卫星遥感技术的快速发展，遥感影像以其覆盖范围广、空间分辨率高和拥有丰富的光谱信息等特点，成为青藏高原水体提取的重要数据来源。
2、基于遥感影像的水体提取方法众多，而基于深度学习技术的遥感影像水体提取也成为遥感图像处理领域的研究热点之一。其中以二维图像作为直接输入的卷积神经网络(cnn)能通过损失函数、优化算法等方式从图像中学习复杂、抽象的特征，从而表达图像复杂的逻辑关系，实现水体提取。
3、在原始训练数据较少的情况下，数据增强是有一种非常有效的提高提取精度的方法。然而目前深度学习的数据增强方式大都局限于对图像进行旋转、翻转、缩放和裁剪等简单手段。由于高原水体具有海拔高，水色差异大、水体面积、形状等差别较大且空间分布不均匀等特点，一些颜色变换、随机擦除和添加噪声等较复杂的数据增强方式对于复杂多变的水体识别上的效果并不明显。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本申请提供了一种基于数据增强的影像水体识别方法及其识别模型构建方法，其目的在于提高水体提取精度。
2、一种基于数据增强的影像水体识
3、获取标签：获取影像的标签二值图，其中，水体标签为1，非水体标签为0；所述影像包括绿波段g和近红外波段nir；
4、数据增强：计算影像中每个像素点的水体指数ndwi，得到影像的水体指数结果图，水体指数ndwi为绿波段g和近红外波段nir之间的像素差值与绿波段g和近红外波段nir之间的像素和值相除所得的比值，-1≤ndwi≤1；
5、模型训练：以所述水体指数结果图和对应的标签二值图作为训练数据对神经网络模型进行训练，以使神经网络模型基于输入的水体指数结果图输出对应的预测二值图，预测二值图中1表示水体，0表示非水体，当预测二值图和标签二值图的误差损失收敛至预期时，完成训练，经训练后的神经网络模型作为卫星影像水体识别模型。
6、在其中一个实施例中，所述方法还包括：
7、构建影像的标签二值图，构建过程包括：
8、创建矢量图层；
9、利用影像为背景在矢量图层上勾勒水体边界；
10、对水体与非水体分别赋值1和0，形成对应影像的标签二值图。
11、在其中一个实施例中，所述标签二值图和所述水体指数结果图均保存为栅格文件。
12、在其中一个实施例中，在获取标签和数据增强之前，还包括：
13、对原始影像进行预处理，所述预处理包括对数据进行几何校正、地形校正、辐射定标和大气校正。
14、在其中一个实施例中，在训练之前，还包括：
15、裁剪：对所述水体指数结果图和对应的标签二值图进行裁剪，裁剪后的相邻水体指数结果图具有部分区域重叠，裁剪后的标签二值图与裁剪后的水体指数结果图对应。
16、在其中一个实施例中，所述神经网络模型包括下采样模块和上采样模块；
17、所述下采样模块包含依次连接的第1至第n下采样单元，每个下采样单元包括卷积层和残差结构，每个下采样单元用于接收输入信号x并通过卷积层进行卷积处理得到卷积结果f(x)后再通过残差结构将输入信号x与卷积结果f(x)相加得到对应下采样单元的输出结果g(x)，前一下采样单元的输出结果经池化后作为后一下采样单元的输入信号，第1下采样单元的输入信号为水体指数结果图；
18、所述上采样模块包括依次连接的第n-1至第1上采样单元，第i上采样单元与第i下采样单元对应，每个上采样单元包括拼接层和卷积层，每个上采样单元用于接收输入信号y并将输入信号y与对应下采样单元的输出结果g(x)拼接后再通过卷积层进行卷积处理得到输出结果g(y)，前一上采样单元的输出结果经反卷积后作为后一上采样单元的输入信号，第n下采样单元的输出结果经反卷积后作为第n-1上采样单元的输入信号；第1上采样单元的输出结果经分类器输出预测的标签二值图。
19、在其中一个实施例中，训练所用的损失函数为：
20、
21、式中，dice表示损失值，i为像素索引，y表示对应像素点的标签值，表示对应像素点的预测值，m为总像素个数。
22、一种基于数据增强的影像水体识别方法，包括：
23、数据增强：计算影像中每个像素点的水体指数ndwi，得到影像的水体指数结果图，水体指数ndwi为绿波段g和近红外波段nir之间的像素差值与绿波段g和近红外波段nir之间的像素和值相除所得的比值，-1≤ndwi≤1；
24、预测：将所述水体指数结果图输入影像水体识别模型，得到所述影像水体识别模型输出的预测二值图，其中，1表示水体，0表示非水体；所述影像水体识别模型为利用如上述的方法构建而成。
25、一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述的方法的步骤。
26、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法的步骤。
27、总体而言，通过本申请所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
28、本申请通过将数据增强技术和深度学习技术相结合，实现水体自动提取并水体提取精度。其中，通过深度学习技术训练神经网络模型，利用训练后的模型能够自动提取影像中的水体，反应速度快。而在进行模型训练之前，先对影像进行数据增强，以数据增强后的结果训练神经网络具体为选定绿波段和近红外波段并进行像素计算，得到每个像素点的水体指数ndwi，每个像素点的水体指数为当前像素点的绿波段g和近红外波段nir之间的像素差值与绿波段g和近红外波段nir之间的像素和值相除所得的比值，所有像素点的水体指数ndwi取值处于-1～1的范围内。实验表明，通过上述方式进行数据增强，可以提升神经网络提取水体的精度。
29、进一步地，将标签二值图和水体指数结果图均保存为栅格文件，便于使标签二值图和水体指数结果图的各像素点一一对应。
30、进一步地，神经网络模型采用上下采样结构、跳跃连接和残差结构，有效提取多尺度特征，有利于加深网络层数，提升网络性能。
本文档来自技高网...【技术保护点】
1.一种基于数据增强的影像水体识别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，所述标签二值图和所述水体指数结果图均保存为栅格文件。
4.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，在获取标签和数据增强之前，还包括：
5.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，在训练之前，还包括：
6.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，所述神经网络模型包括下采样模块和上采样模块；
7.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，训练所用的损失函数为：
8.一种基于数据增强的影像水体识别方法，其特征在于，包括：
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，
...【技术特征摘要】
1.一种基于数据增强的影像水体识别模型构建方法，其特征在于，包括：
2.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，所述标签二值图和所述水体指数结果图均保存为栅格文件。
4.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，在获取标签和数据增强之前，还包括：
5.根据权利要求1所述的影像水体识别模型构建方法，其特征在于，在训练之前，还包括：
6.根据权利要求1所述的影像水体识别模型构建方...
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。