【技术实现步骤摘要】
本专利技术属于遥感图像水冰分类，具体涉及基于双知识蒸馏的多光谱遥感图像的水冰分类方法及系统。
技术介绍
1、随着遥感技术和机器学习的进步，水冰分类研究在全球范围内受到越来越多的关注，尤其在北极和南极等极地地区的冰雪覆盖监测方面，取得了显著的成效。许多科研机构基于高分辨率卫星数据（如landsat、modis和sentinel），对冰川、冰盖和湖冰进行了长时间的监测，利用传统的遥感分类方法（如监督分类和无监督分类）及深度学习方法，来分割冰雪区域并对其动态变化进行分析。
2、近年来，深度学习在图像处理方面取得了重大突破，卷积神经网络（cnn）逐渐应用于水冰分类任务中，极大地提升了分类精度。例如，通过结合多光谱或多时相的遥感影像，基于cnn的自动化水冰分类研究大幅提高了对不同水冰类型的识别能力。尽管如此，水冰分类仍面临多种挑战。遥感图像中通常包含水冰以外的地物信息（如陆地），容易引入噪声并干扰分类精度。为解决这一问题，在现有文献《icy lakes extraction and water-iceclassification using landsat 8 oli multispectral data》中，提出了一种结合指数分析与分类的水冰分类方法：首先利用landsat 8 oli多光谱图像的波段计算出冰湖识别指数（ili），从而提取出冰湖区域，再进行水冰分类。这一方法有效地隔离了干扰区域，提高了分类的准确性。
3、目前，水冰分类领域的研究主要集中于采用卷积神经网络（cnn）、残差神经网络（resnet）等深
4、综上所述，水冰分类任务在面临地物干扰与标签缺乏等挑战的同时，复杂的深度学习模型对硬件资源的高需求也限制了其应用潜力。因此，对本领域而言，亟需在模型设计和算法优化上寻求新的突破，以实现更高效、更可靠的水冰分类技术。
技术实现思路
1、针对当前基于深度学习的遥感图像水冰分类任务中人工标注的标签值耗时费力，且在复杂条件下无法有效进行水冰分类等缺陷，本专利技术提供一种能够结合多光谱、多时相数据以提高水冰分类的精度和鲁棒性，且在缺少注释数据集条件下能够对模型进行有效训练，提升模型运行效率与精度的基于双知识蒸馏的多光谱遥感图像的水冰分类方法及系统。
2、本专利技术采取如下技术方案：
3、基于双知识蒸馏的多光谱遥感图像的水冰分类方法，包括如下步骤：
4、步骤1，获取多光谱遥感图像并实施数据预处理；
5、步骤2，构建冰湖提取无数据知识蒸馏网络，采取冰湖指数ili作为第一教师模型，搭建u-net网络作为第一学生模型，完成无数据的知识蒸馏；
6、步骤3，构建冰湖提取无数据知识蒸馏框架，将步骤1预处理好的数据作为训练集输入步骤2所述的冰湖提取无数据知识蒸馏网络中，分别输出冰湖提取的二元掩膜，将第一教师模型ili的冰湖掩膜输出与第一学生模型u-net的冰湖掩膜输出进行dice损失计算，作为监督损失；
7、步骤4，构建水冰分类教师-学生离线蒸馏网络，用于对提取冰湖后的图像进行水冰分类；其中，第二教师模型采用已训练好的u-net分类模型，第二学生模型则采用轻量化模型；
8、步骤5，构建水冰分类知识蒸馏框架，通过步骤3中训练好的第一学生模型对图像进行冰湖提取，并将第一学生模型的输出，作为步骤4水冰分类教师-学生离线蒸馏网络的输入进行水冰分类的训练；其中，水冰分类教师-学生离线蒸馏网络中的第二教师模型与第二学生模型分别输出水冰分类结果；
9、步骤6，将遥感图像作为输入，通过步骤3的冰湖提取无数据知识蒸馏框架进行冰湖提取，再通过步骤5的水冰分类教师-学生离线蒸馏框架进行水冰分类操作。
10、作为优选，步骤1包括如下步骤：
11、s11，对多光谱遥感图像以空间分辨率进行波段分组，同时对不同空间分辨率的多光谱遥感图像进行超分辨率重建，统一处理到最高空间分辨率；
12、s12，对步骤s11中重建好的图像进行切割处理并构成训练集。
13、作为优选，步骤2中，u-net网络包括编码器、解码器与输出层；所述第一学生模型的参数量小于第一教师模型的参数量。
14、作为优选，步骤3中，所述监督损失作为网络训练误差，用于对第一学生模型进行更新迭代训练，最大程度使第一学生模型学习第一教师模型的特征知识，进而达成无数据的知识蒸馏；所述监督损失使用dice函数进行计算，用于反向传播指导第一学生模型训练，具体表示为：
15、；
16、其中，为冰湖提取网络的损失函数，m表示图像中的像素总数，是预测分割结果在像素i的概率之和；是真实标签在像素i的二进制值。
17、作为优选，步骤4中，所述第二教师模型包括编码器、解码器与输出层；所述第二学生模型与第二教师模型的架构相同，所述第二学生模型的参数量小于第二教师模型的参数量。
18、作为优选，步骤5还包括如下步骤：
19、s51，通过傅里叶变化，将第二教师模型的域不变知识与域专有知识分离，在进行师生模型训练时，第二学生模型通过学习第二教师模型获取域不变知识，通过标签获得域专有知识；
20、s52，将第二教师模型的输出与第二学生模型的输出做损失作为教师监督损失，而数据监督则通过人工标注生成标签数据并与第二学生模型做损失作为数据监督损失；
21、所述教师监督损失和数据监督损失均采用dice函数进行计算，用于反向传播指导第二学生模型训练，具体表示为：
22、；
23、；
24、；
25、其中，为水冰分类的损失函数，为数据监督损失，为教师监督损失；n表示图像中的像素总数；是第二学生模型预测分割结果在像素i的概率之和；是第二教师模型预测分割结果在像素i的概率之和，是真实标签分割结果在像素i的二进制值；和均为平衡不同方面损失的权重系数。
26、本专利技术还公开了基于双知识蒸馏的多光谱遥感图像的水冰分类系统，基于上述方法，包括如下模块：
27、图像获取及预处理模块，获取多光谱遥感图像并实施数据预处理；
28、冰湖提取无数据教师-学生离线蒸馏网络构建模块，构建基于多光谱遥感图像的教师-学生离线蒸馏网络，采取冰湖指数ili作为第一教师模型，搭建u-net网络作为第一学生模型；
29、损失计算模块，构建面向多光谱遥感图像的冰湖提取知识蒸馏框架，将图像获取及预处理模块中的训练集输入冰湖提取无数据教师-学生离线蒸馏网络构建模块中的第一教师模型及第一学生模型中，分别输出冰湖掩膜，并将第一教师模型和第一学生模型的输出进行损失计算，作为监督损失；
30、水冰分类教师-学生离线蒸馏网络构建模块，构建基于多光谱遥本文档来自技高网...
【技术保护点】
1.基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤1包括如下步骤：
3.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤2中，U-net网络包括编码器、解码器与输出层；所述第一学生模型的参数量小于第一教师模型的参数量。
4.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤3中，所述监督损失作为网络训练误差，用于对第一学生模型进行更新迭代训练，最大程度使第一学生模型学习第一教师模型的特征知识，进而达成无数据的知识蒸馏；所述监督损失使用DICE函数进行计算，用于反向传播指导第一学生模型训练，具体表示为：
5.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤4中，所述第二教师模型包括编码器、解码器与输出层；所述第二学生模型与第二教师模型的架构相同，所述第二学生模型的参数量小于第二教师模型的参数量。
6.如权利要求1所述的基
7.基于双知识蒸馏的多光谱遥感图像的水冰分类系统，基于权利要求1-6任一项所述的方法，其特征在于，包括如下模块：
...【技术特征摘要】
1.基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤1包括如下步骤：
3.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤2中，u-net网络包括编码器、解码器与输出层；所述第一学生模型的参数量小于第一教师模型的参数量。
4.如权利要求1所述的基于双知识蒸馏的多光谱遥感图像的水冰分类方法，其特征在于，步骤3中，所述监督损失作为网络训练误差，用于对第一学生模型进行更新迭代训练，最大程度使第一学生模型学习第一教师模型的特征...
【专利技术属性】
技术研发人员：赵思远，胡淼，郭子璇，毕美华，陈坤，罗杰，耿秀琳，
申请(专利权)人：杭州电子科技大学，
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。