一种基于多层级金字塔网络结构的水体特征提取方法与流程

1.本发明涉及水体特征提取技术领域，尤其涉及一种基于多层级金字塔网络结构的水体特征提取方法。


背景技术：

2.水资源是生物体生存所需的物质，并且其也与人类社会密不可分，但是近几十年来，随着城镇化进程的不断推进，以及人类活动范围与强度的不断增加，在促进了社会进步和经济发展同时，也造成了自然水土流失、水资源污染、生态空间割裂、环境恶化和生物多样性锐减等一系列问题，因此，对水资源的精准检测以及有效管理是刻不容缓的，其将会对人类及其日常生活产生重要的影响，这其中对水体特征的提取是对水资源检测的重要环节之一，现有技术中，一般都是通过深度卷积算法进行水体特征的提取，然而，由于水体要素存在颜色、光谱和边界的各种差异，这会降低了模型大范围预测的准确度，从而导致不能准确提取到水体特征。


技术实现要素：

3.有鉴于此，本发明提出一种基于多层级金字塔网络结构的水体特征提取方法，可以解决现有水体特征提取方法所存在的提取准确度不高的缺陷。
4.本发明的技术方案是这样实现的：
5.一种基于多层级金字塔网络结构的水体特征提取方法，具体包括以下步骤：
6.步骤s1，构建多层级金字塔网络结构，所述多层级金字塔网络结构包括全局平均池化层、低通路层、中通路层和高通路层；
7.步骤s2，获取水体图像，并将水体图像进行降采样，得到初始特征图；
8.步骤s3，将初始特征图输入至多层级金字塔网络结构进行处理，得到低通路处理结果、中通路处理结果和高通路处理结果；
9.步骤s4，将低通路处理结果、中通路处理结果和高通路处理结果进行融合计算，得到水体特征，从而实现水体特征的提取。
10.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s2中的初始特征图包括1/4尺寸特征图、1/2尺寸特征图和原始图像。
11.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s3具体包括以下步骤：
12.步骤s31，将1/4尺寸特征图输入低通路层进行处理，得到低通路处理结果；
13.步骤s32，将1/2尺寸特征图输入中通路层进行处理，得到中通路处理结果；
14.步骤s33，将原始图像输入高通路层进行处理，得到高通路处理结果。
15.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s31具体包括以下步骤：
16.步骤s311，将1/4尺寸特征图输入三次残差神经网络，得到1/32尺寸特征图；
17.步骤s312，将1/32尺寸特征图输入降维通道进行降维操作，得到低通路处理结果。
18.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s311之后，步骤s312之前还包括对1/32尺寸特征图进行膨胀卷积处理。
19.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s32具体包括以下步骤：
20.步骤s321，将1/2尺寸特征图输入三次残差神经网络，得到1/16尺寸特征图，所述1/16尺寸特征图为中通路处理结果。
21.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s33具体包括以下步骤：
22.步骤s331，将原始图像输入残差神经网络，得到1/8尺寸特征图，所述1/8尺寸特征图为高通路处理结果。
23.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s4具体包括以下步骤：
24.步骤s41，将低通路处理结果和中通路处理结果进行融合计算，得到中低通路融合结果；
25.步骤s42，将中低通路融合结果和高通路处理结果进行融合计算，得到水体特征。
26.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s41具体包括以下步骤：
27.步骤s411，将低通路处理结果输入cx3x3卷积层进行膨胀卷积，得到膨胀卷积后的低通路处理结果；
28.步骤s412，将中通路处理结果输入cx1x1卷积层进行卷积操作，得到卷积操作后的中通路处理结果；
29.步骤s413，将膨胀卷积后的低通路处理结果和卷积操作后的中通路处理结果进行像素加和，得到中低通路融合结果。
30.作为所述基于多层级金字塔网络结构的水体特征提取方法的进一步可选方案，所述步骤s42具体包括以下步骤：
31.步骤s421，将中低通路融合结果输入cx3x3卷积层进行膨胀卷积，得到膨胀卷积后的中低通路融合结果；
32.步骤s422，将高通路处理结果输入cx1x1卷积层进行卷积操作，得到卷积操作后的高通路处理结果；
33.步骤s423，将膨胀卷积后的中低通路融合结果和卷积操作后的高通路处理结果进行像素加和，得到水体特征。
34.本发明的有益效果是：通过全局平均池化层、低通路层、中通路层和高通路层构建多层级金字塔网络结构，并依据多层级金字塔网络结构对水体图像进行处理，实现用三个通路分别进行水域提取运算，得到图像的粗糙语义信息和细节信息，不仅能够精确提取复杂图像中的特征信息，相较一般的水域提取办法具备更高的抗干扰性，误判率和漏检率更低。
附图说明
35.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明一种基于多层级金字塔网络结构的水体特征提取方法的流程示意图。
具体实施方式
37.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
38.参考图1，一种基于多层级金字塔网络结构的水体特征提取方法，具体包括以下步骤：
39.步骤s1，构建多层级金字塔网络结构，所述多层级金字塔网络结构包括全局平均池化层、低通路层、中通路层和高通路层；
40.步骤s2，获取水体图像，并将水体图像进行降采样，得到初始特征图；
41.步骤s3，将初始特征图输入至多层级金字塔网络结构进行处理，得到低通路处理结果、中通路处理结果和高通路处理结果；
42.步骤s4，将低通路处理结果、中通路处理结果和高通路处理结果进行融合计算，得到水体特征，从而实现水体特征的提取。
43.在本实施例中，通过全局平均池化层、低通路层、中通路层和高通路层构建多层级金字塔网络结构，并依据多层级金字塔网络结构对水体图像进行处理，实现用三个通路分别进行水域提取运算，得到图像的粗糙语义信息和细节信息，不仅能够精确提取复杂图像中的特征信息，相较一般的水域提取办法具备更高的抗干扰性，误判率和漏检率更低。
44.优选的，所述步骤s2中的初始特征图包括1/4尺寸特征图、1/2尺寸特征图和原始图像。
45.优选的，所述步骤s3具体包括以下步骤：
46.步骤s31，将1/4尺寸特征图输入低通路层进行处理，得到低通路处理结果；
47.步骤s32，将1/2尺寸特征图输入中通路层进行处理，得到中通路处理结果；
48.步骤s33，将原始图像输入高通路层进行处理，得到高通路处理结果。
49.优选的，所述步骤s31具体包括以下步骤：
50.步骤s311，将1/4尺寸特征图输入三次残差神经网络，得到1/32尺寸特征图；
51.步骤s312，将1/32尺寸特征图输入降维通道进行降维操作，得到低通路处理结果。
52.优选的，所述步骤s311之后，步骤s312之前还包括对1/32尺寸特征图进行膨胀卷积处理。
53.在本实施例中，输入1/4尺寸图片，通过三次残差神经网络rest net50，最后输出1/32尺寸特征图，将1/32尺寸特征图输入膨胀卷积，得到膨胀卷积后的1/32尺寸特征图，将
膨胀卷积后的1/32尺寸特征图输入降维通道，进行1/4降维，从而得到低通路处理结果；需要说明的是，通过膨胀卷积替代下采样池化层，避免了下采样操作对空间分辨率的损耗，同时成功增大感受野，进而使得分割算法实施更精确，提取的水体特征更精确，此外，降维通道为一个核大小为1
×
1的卷积层。
54.优选的，所述步骤s32具体包括以下步骤：
55.步骤s321，将1/2尺寸特征图输入三次残差神经网络，得到1/16尺寸特征图，所述1/16尺寸特征图为中通路处理结果。
56.在本实施例中，输入1/2尺寸特征图通过三次残差神经网络rest net50卷积运算，特征图尺寸经1/4、1/8、1/16尺度缩放，最后输出1/16尺寸特征图。
57.优选的，所述步骤s33具体包括以下步骤：
58.步骤s331，将原始图像输入残差神经网络，得到1/8尺寸特征图，所述1/8尺寸特征图为高通路处理结果。
59.在本实施例中，输入原始图像经过残差卷积运算后，输出1/8特征图。
60.优选的，所述步骤s4具体包括以下步骤：
61.步骤s41，将低通路处理结果和中通路处理结果进行融合计算，得到中低通路融合结果；
62.步骤s42，将中低通路融合结果和高通路处理结果进行融合计算，得到水体特征。
63.在本实施例中，通过步骤s41的通路卷积运算，得到的中低通路融合结果，其提取的是图像中较为粗糙的语义信息，高通路结果得到的是图像中的细节信息，为使得水体区域的划分更准确，需要融合粗糙语义信息和细节信息，即将高、中、低通路结果进行融合运算，得到更加准确的水体区域划分图像。
64.优选的，所述步骤s41具体包括以下步骤：
65.步骤s411，将低通路处理结果输入cx3x3卷积层进行膨胀卷积，得到膨胀卷积后的低通路处理结果；
66.步骤s412，将中通路处理结果输入cx1x1卷积层进行卷积操作，得到卷积操作后的中通路处理结果；
67.步骤s413，将膨胀卷积后的低通路处理结果和卷积操作后的中通路处理结果进行像素加和，得到中低通路融合结果。
68.在本实施例中，将低通路处理结果使用双线性插值算法进行双倍上采样，再经归一化层，归一化处理，得到膨胀卷积后的低通路处理结果，将中通路处理结果经过cx1x1卷积操作，使其输出通道数和低通路输出通道数一致，再经归一化层，归一化处理，得到卷积操作后的中通路处理结果，将膨胀卷积后的低通路处理结果和卷积操作后的中通路处理结果输入relu非线性激活层，得到中低通路融合结果。
69.优选的，所述步骤s42具体包括以下步骤：
70.步骤s421，将中低通路融合结果输入cx3x3卷积层进行膨胀卷积，得到膨胀卷积后的中低通路融合结果；
71.步骤s422，将高通路处理结果输入cx1x1卷积层进行卷积操作，得到卷积操作后的高通路处理结果；
72.步骤s423，将膨胀卷积后的中低通路融合结果和卷积操作后的高通路处理结果进
行像素加和，得到水体特征。
73.在本实施例中，将中低通路融合结果使用双线性插值算法进行双倍上采样，再经归一化层，归一化处理，得到膨胀卷积后的中低通路融合结果，将高通路处理结果经过cx1x1卷积操作，使其输出通道数和中低通路输出通道数一致，再经归一化层，归一化处理，得到卷积操作后的高通路处理结果，将膨胀卷积后的中低通路融合结果和卷积操作后的高通路处理结果输入relu非线性激活层，得到水体特征。
74.以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。