一种基于深度学习的遥感图像水体提取方法及系统与流程

本发明涉及遥感图像处理技术领域，特别是涉及一种基于深度学习的遥感图像水体提取方法及系统。

背景技术：

随着我国航天航空事业的发展，对地观测获取地物信息也越来越多，卫星影像、航拍影像等获取的图像分辨率也越来越高。提取地球表面的水体一直是遥感图像分析的基本任务。作为水文循环的关键组成部分，水的范围对于监测极端事件和了解气候变化的机制至关重要。

对于区域而言，水的变化对生态系统和人类生活都有重大影响。对水位状态的准确感知对于成功定量评估时空监测，变化检测和洪水预警等非常关键。因此，有效提取水位以进一步监测其动态或量化其体积至关重要。

现有的水体提取遥感方法主要依赖于受到经验限制的复杂的光谱分析和经过大量训练得到的最佳阈值，且最佳阈值对于不同影像变化较大，总体上自动化和智能化水平不高，不能满足高空间分辨率图像自动化，高精度图像快速处理、水体精准检测的要求。

技术实现要素：

本发明的目的在于提供一种基于深度学习的遥感图像水体提取方法及系统，能够提高分类精度和智能化水平，精准识别地表水体信息。

根据本发明的一个方面，提供了一种基于深度学习的遥感图像水体提取方法，包括以下步骤：

获取遥感图像；

对所述遥感图像中的部分高分影像中的水体进行预标注，作为训练样本；

建立卷积神经网络cnns的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；

根据训练得到的深度学习模型对遥感图像进行水体提取，得到二值化图像；

对所述二值化图像进行水体提取和目标标定。

所述获取遥感图像，包括：

通过卫星或航拍器获取目标区域的遥感图像。

所述对所述遥感图像中的部分高分影像中的水体进行预标注，包括：

根据监督分类结合人工手动修正标注，得到水体标注结果，水体与非水体在图像中的像素值不同。

所述卷积神经网络cnns的深度学习模型，包括：

结合u-net和densenet两种卷积神经网络的结构特征，建立卷积神经网络cnns的深度学习模型。

所述卷积神经网络cnns的深度学习模型，包括：

输入层，用于将输入图像以向量形式进行输出；

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

所述根据所述训练样本对所述深度学习模型进行训练，包括：

卷积神经网络初始化；

根据所述训练样本进行前行计算；

采用最小化残差的原理调整权重以及偏置。

所述卷积神经网络初始化，包括：

初始化卷积核、权重及偏置的大小。

所述根据所述训练样本进行前行计算，包括：

通过输入层将所述水体样本以向量形式进行输出；

通过卷积层计算其与所述输入水体样本的内积，并将内积的结果进行输出；

通过池化层对所述内积的结果进行聚合统计，完成空间的下采样。

根据本发明的另一个方面，提供了一种基于深度学习的遥感图像水体自动提取系统，包括图像获取单元、预标注单元、模型训练单元、提取单元和标定单元，其中，

所述图像获取单元，用于获取遥感图像；

所述预标注单元，用于对所述遥感图像中的部分高分影像中的水体进行预标注，作为训练样本；

所述模型训练单元，用于建立卷积神经网络cnns的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；

所述提取单元，用于根据训练得到的深度学习模型对遥感图像进行水体提取，得到二值化图像；

所述标定单元，用于对所述二值化图像进行水体提取和目标标定。

所述模型训练单元，还用于：

结合u-net和densenet两种卷积神经网络的结构特征，建立卷积神经网络cnns的深度学习模型；

所述卷积神经网络cnns的深度学习模型，包括：

输入层，用于将输入图像以向量形式进行输出；

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

采用本发明的技术方案，通过利用我国高分-1号/2号(gf-1/gf-2)以及资源-3号(zy-3)卫星影像，结合u-net和densenet两种深度学习的卷积神经网络(cnns)结构的优势，建立了一种新型的提取水体的cnns模型。通过对大量的高分遥感图像中的水体进行标注，得到影像中水体标注的结果作为训练集；用建立的cnns模型对高分遥感图像进行训练试验并得到水体的二值化图像；将二值图像中识别出的像素值进行标识得到水体目标。本发明能够实现高精度、自动化的快速提取高分遥感影像中的水体信息，提升了水体提取的智能化、自动化水平和提取精度，能够广泛应用于水体提取相关的各个领域。

本发明建立了一种新型的卷积神经网络cnns结构，结合了u-net和densenet两种卷积神经网络的结构优势特征，从而将原始图像输入至训练完成的卷积神经网络内，从而实现水体的自动化、高精度提取，可用于水上交通快速制图、水体变化检测、资源与环境调查等领域。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中基于深度学习的遥感图像水体提取方法原理流程图；

图2为本发明实施例一中基于深度学习的遥感图像水体提取方法步骤示意图；

图3为本发明实施例一中卷积神经网络训练过程的步骤流程图；

图4为本发明实施例二中基于深度学习的遥感图像水体提取系统结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

深度学习是利用计算机模拟人类学习行为，获取新的知识技能，重新组织已有的知识结构并不断优化知识库，最终做出最优决策。深度学习图像识别，是利用卷积神经网络从图像中随机选取一小块区域作为训练样本，从该样本中学习到一些特点信息的特征，然后将这些特征作为滤波器与原始图像作运算，从而得到原始图像中任一位置上的不同特征的激活值，再将值输入分类器中进行训练，可实现图像分类，最终经连通区域、滤噪等方式可提高分类精度，从而识别地物信息。

图1为本发明实施例一中基于深度学习的遥感图像水体提取方法原理流程图。如图1所示，该基于深度学习的遥感图像水体提取流程包括以下步骤：

步骤101、获取遥感图像。

通过卫星或航拍器获取目标区域的遥感图像。

步骤102、对所述遥感图像中的部分高分影像中的水体进行预标注，作为训练样本。

步骤103、建立卷积神经网络cnns的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练。

步骤104、根据训练得到的深度学习模型对遥感图像进行水体提取，得到二值化图像。

步骤105、对所述二值化图像进行水体提取和目标标定。

具体的，所述对所述遥感图像中的部分高分影像中的水体进行预标注，包括：

根据监督分类结合人工手动修正标注，得到水体标注结果，水体与非水体在图像中的像素值不同。

所述卷积神经网络cnns的深度学习模型，包括：

结合u-net和densenet两种卷积神经网络的结构特征，建立卷积神经网络cnns的深度学习模型。

所述卷积神经网络cnns的深度学习模型，包括：

输入层，用于将输入图像以向量形式进行输出；

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

所述根据所述训练样本对所述深度学习模型进行训练，包括：

卷积神经网络初始化；

根据所述训练样本进行前行计算；

采用最小化残差的原理调整权重以及偏置。

所述卷积神经网络初始化，包括：

初始化卷积核、权重及偏置的大小。

所述根据所述训练样本进行前行计算，包括：

通过输入层将所述水体样本以向量形式进行输出；

通过卷积层计算其与所述输入水体样本的内积，并将内积的结果进行输出；

通过池化层对所述内积的结果进行聚合统计，完成空间的下采样。

如图2所示，为本发明实施例中基于深度学习的遥感图像水体提取方法步骤示意图。其中，

第一步，通过卫星或航拍器获取遥感图像；

第二步，对高分影像中的水体进行标注，作为训练样本；

第三步，建立新的深度学习卷积神经网络cnns模型，结合u-net和densenet两种模型的优势，卷积神经网络主要包括：

输入层，用于将输入图像以向量形式进行输出

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

第四步，采用建立的深度学习模型和水体标注样本，对高分影像进行训练试验；如图3所示，其中所述的训练过程为：

s1、卷积神经网络初始化；

s2、进行前行计算；

s3、采用最小化残差的原理调整权重以及偏置。

其中，在s1中，卷积神经网络初始化主要包括初始化卷积核、权重及偏置的大小，在s2中所述的进行前行计算主要包括：

s21、通过输入层将所述水体样本以向量形式进行输出；

s22、通过卷积层计算其与所述输入水体样本的内积，并将内积的结果进行输出；

s23、通过池化层对所述内积的结果进行聚合统计，完成空间的下采样。

第五步，用训练得到的深度学习神经网络模型对高分遥感图像进行水体提取并得到二值化图像；

第六步，对二值化图像进行水体目标标定。

本发明实施例，建立了一种新型的高分遥感水体提取的cnns深度学习模型；

标注了大量的遥感图像并得到水体标注结果；

采用建立的深度学习cnns对多源遥感数据进行训练；

用训练得到的cnns对多源高分遥感图像进行水体提取并得到二值图像；

将二值图像中识别出的像素值进行标识；

建立的cnns能够应用于gf-1/-2、zy-3多源高分辨率遥感影像；

实现了水体的高精度、自动化的提取。

所述深度学习模型为卷积神经网络(cnns)。

所述得到的大量遥感图像标注包括根据监督分类结合人工手动修正标注得到的水体标注结果，水体与非水体在图像中的像素值不同。

所述深度学习提取水体的训练试验是以标注的水体结果为输入，采用建立的cnns模型进行训练。

将本发明所述的方法与传统的水体指数法ndwi方法进行对比，来分析分类精度，采用kappa系数、f-1值以及总体精度三项指标来评价两种方法的结果，见表1。

表1传统遥感水体指数法(ndwi)与深度学习方法精度对比

影像中存在的云、阴影、山体和建筑物等地物，会对分类精度有所影响，但通过表1可知两种方法都能够将水体信息提取出来，本发明所述的方法在提取水体的一致性(kappa系数)和二分类模型精确度(同时兼顾分类模型的准确率和召回率的f-1分数)上都显著高于ndwi水体法，且本发明所述的方法的总体精度比ndwi高2.4％。

如图4所示，为本发明实施例提供的一种基于深度学习的遥感图像水体提取系统结构示意图，包括图像获取单元201、预标注单元202、模型训练单元203、提取单元204和标定单元205，其中，

所述图像获取单元201，用于获取遥感图像；

所述预标注单元202，用于对所述遥感图像中的部分高分影像中的水体进行预标注，作为训练样本；

所述模型训练单元203，用于建立卷积神经网络cnns的深度学习模型，并根据所述训练样本对所述深度学习模型进行训练；

所述提取单元204，用于根据训练得到的深度学习模型对遥感图像进行水体提取，得到二值化图像；

所述标定单元205，用于对所述二值化图像进行水体提取和目标标定。

所述模型训练单元203，还用于：

结合u-net和densenet两种卷积神经网络的结构特征，建立卷积神经网络cnns的深度学习模型；

所述卷积神经网络cnns的深度学习模型，包括：

输入层，用于将输入图像以向量形式进行输出；

卷积层，通过滑动窗口的方式计算其与图像的内积，并将内积的结果进行输出；

池化层，位于卷积层之后，用于对所述内积的结果进行聚合统计，完成空间的下采样；

输出层，用于将所述类别得分结果进行输出。

本发明各个实施例，通过利用我国高分-1号/2号(gf-1/gf-2)以及资源-3号(zy-3)卫星影像，结合u-net和densenet两种深度学习的卷积神经网络(cnns)结构的优势，建立了一种新型的提取水体的cnns模型。通过对大量的高分遥感图像中的水体进行标注，得到影像中水体标注的结果作为训练集；用建立的cnns模型对高分遥感图像进行训练试验并得到水体的二值化图像；将二值图像中识别出的像素值进行标识得到水体目标。本发明能够实现高精度、自动化的快速提取高分遥感影像中的水体信息，提升了水体提取的智能化、自动化水平和提取精度，能够广泛应用于水体提取相关的各个领域。

本发明建立了一种新型的卷积神经网络cnns结构，结合了u-net和densenet两种卷积神经网络的结构优势特征，从而将原始图像输入至训练完成的卷积神经网络内，从而实现水体的自动化、高精度提取，可用于水上交通快速制图、水体变化检测、资源与环境调查等领域。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。