顾及波段信息的多光谱遥感影像沙地智能提取方法及系统

本发明涉及深度卷积神经网络在波段组合后的多光谱遥感影像信息提取领域，尤其涉及一种顾及波段信息的多光谱遥感影像沙地智能提取方法。

背景技术：

1、沙漠化是最严重的生态环境、社会、经济的潜在问题之一，已经威胁到中国北方的生态环境安全和社会经济发展。多光谱遥感影像是指利用多个传感器对地观测生成的影像，得到的影像数据中会有多个不同传感器的光谱信息。多光谱影像所特定的光谱信息不但能够反应物体对于光谱信息的反射率，同时可以弥补在光照不足的情况下，对沙地提取性能的影响。相较于可见光影像来说，多光谱影像可以同时获取空间信息和光谱维度信息，它以多维立体形式存在，除了对可见光波段成像外，还可以在近红外、热红外、紫外线等波段同时成像。

2、目前许多研究是基于目视解译和遥感影像信息提取手段来监测沙漠化过程，通过实地调查和经验判断，对遥感数据进行解译，确定荒漠化指标。虽然目视解译精度较为准确，但是由于沙漠存在流动性大、范围广等问题，其难以满足广域范围内的沙地变化监测。基于深度学习技术进行遥感地物智能提取较为广泛，最为广泛的模型为2015年提出的全卷积神经网络(fully convolutional networks,fcn)模型。u-net作为其第一个改进模型，在减少数据成本的同时，保证了提取精度，但其主要应用于医学影像二分类提取。对于沙地与背景地物存在较大光谱相似性的情况，基于可见光影像的沙地识别精度会大大降低。

3、鉴于此，本发明提出一种顾及波段信息的多光谱遥感影像沙地智能提取方法，结合可变形卷积及u-net模型构建适应于沙地提取的网络模型y-net。同时在基于沙地轮廓信息的前提下通过波段组合的方式顾及影像波段信息，实现沙地信息的高鲁棒性提取。

技术实现思路

1、本发明提供了一种顾及波段信息的多光谱遥感影像沙地智能提取方法，以解决现有技术中存在的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、一方面，一种顾及波段信息的多光谱遥感影像沙地智能提取方法，包括以下步骤：

4、s101：在u-net网络模型中加入可变形卷积，获得y-net网络模型；并将所述y-net网络模型在已知沙地信息的各波段沙地遥感影像上，进行训练、预测以及性能评估，获得各波段沙地遥感影像对沙地信息提取的精准程度；

5、s102：根据各波段沙地遥感影像对沙地信息提取的精准程度，确定各波段沙地遥感影像权重值，对覆盖沙地的原始多光谱遥感影进行加权重构，产生新的沙地遥感影像；

6、s103：对加权重构后的遥感影像中的沙地信息进行专家标注，生成样本标签，构建波段融合多光谱沙地遥感影像数据集；

7、s104：将y-net网络模型在所述波段融合多光谱遥感影像数据集上进行训练，得到组合波段的y-net网络模型的最佳参数；

8、s105：利用最佳参数的组合波段的y-net网络模型对待识别的沙地遥感影像进行预测，得到不同年份的沙地信息检测结果；

9、所述待识别的沙地遥感影像，是将待识别的各波段沙地影像按照s102进行加权重构获得。

10、进一步地，所述y-net网络模型由8个3×3可变形卷积模块和4个最大池化模块组成；其中，可变形卷积模块是指标准卷积操作中采样位置增加的一个偏移量，偏移量是通过额外的卷积层学习影像特征得到；

11、可变形卷积中在采样位置增加的偏移量，使卷积核在训练过程中可以扩展到很大的范围，不局限于固定网格采样。常规的卷积操作主要可以分为两部分：(1)在输入的feature map上使用规则网格r进行采样；(2)进行加权运算，r定义了感受野的大小和扩张，如下面公式

12、r＝{(-1,-1),(-1,0),...,(0,1),(0,-1)}

13、其中偏移量是通过额外的卷积层学习影像特征得到的，不同影像地物通过卷积学习得到的偏移量大小各不相同。

14、普通卷积公式如下，对输出特征图y上的每个位置p0：

15、

16、其中，pk为网格k中枚举的采样位置，x为输入特征影像，wk为对应的卷积核权重系数，y(p0)表示p0点输出的特征影像，p0为输出特征影像点。

17、增加偏移量的可变形卷积公式如下，对输出特征图y上的每个位置p0：

18、

19、其中，pk为网格k中枚举的采样位置，δpk表示可变卷积模块中的偏移量，x为输入特征影像，wk为对应的卷积核权重系数，y(p0)表示p0点输出的特征影像，p0为输出特征影像点。

20、进一步地，s101中利用所述的y-net网络模型，对沙地遥感影像中沙地信息进行特征提取，具体过程如下：

21、首先，利用y-net网络模型中特征提取网络的不同卷积在采样点位置对某波段沙地原始影像进行初步特征影像提取：

22、

23、其中，i为输入的某波段沙地原始遥感影像，m为卷积核，p为输出特征影像点，r为影像的宽，a、b为输入的某波段沙地原始遥感影像i在水平和垂直方向上的偏移量，x,y分别i中某点的横、纵坐标值；x(p)表示某波段沙地原始遥感影像i中点(x,y)在输出的初步特征影像中的对应p的影像值；

24、之后，在所述初步特征影像上使用标准的规则网格点k进行特征采样，再使用可变形卷积获取高阶特征影像y：

25、

26、其中，wk为网格点k的卷积核权重系数，网格点k表示采样位置，y(p)表示p点输出的高阶特征影像值，p0为原始采样位置，pk表示采样点在自适应可变形卷积核中的位置，sk表示pk的学习率，δpk表示可变形卷积中的偏移量，δmk表示可调节量，ck表示可调节量δmk的学习率，sk∈[0,1]，δmk∈[0,1]，ck∈[0,1]。

27、进一步地，所述确定各波段沙地遥感影像对沙地信息提取的精准程度的过程如下：

28、利用y-net网络模型在各波段沙地遥感影像数据集上进行训练，得到各波段的y-net网络模型的最优模型参数；

29、基于各波段的y-net网络模型的最优模型参数，对各波段沙地遥感影像数据测试集进行预测，得到各波段沙地信息预测结果；

30、利用性能评估指标对各波段沙地信息提取结果进行评估，得到各波段沙地遥感影像对沙地信息提取的精准程度。

31、精准程度，是指哪个波段的影像对于提取沙地信息更为精准，借助y-net网络模型选出来的；

32、精准程度是几种性能评估指标的综合计算值；

33、为实现对各波段沙地提取结果精准程度的客观评价，本发明通过性能评估指标，即计算对比精准率(precision)、召回率(recall)的调和平均，得到评估指标f1值，对沙地信息提取结果进行评估，f1指标值越大，说明该波段对沙地提取精度越高，精准程度即为f1指标值。

34、获取覆盖沙地的原始多光谱遥感影像，是从地理空间数据云网站中免费获取公开多光谱遥感影像。

35、进一步地，s102中利用所述各波段沙地遥感影像对沙地信息提取的精准程度确定波段权重，是利用各波段沙地遥感影像提取沙地信息的精准程度，采用方差倒数法计算各波段权重；

36、第t个波段的权重计算公式如下：

37、

38、其中，qt表示第t个波段沙地遥感影像的沙地信息真实值与预测值之间差值的平方和，wt代表t波段的权重值，m表示有几个波段，t＝1,2,...,m；

39、

40、式中，为第t个波段的最优y-net网络模型对当前波段第i个沙地遥感影像测试集预测得到的精准程度，n表示测试集影像数量，i＝1,2,...,n。

41、第t个波段的最优y-net网络模型对第t个波段中第i个沙地遥感影像测试集预测得到的精准程度，为百分比值，即表示预测的可信程度，作为第t个波段沙地遥感影像的沙地信息的预测值，而真实值视为1；进一步地，s102中对相应波段的沙地遥感影像进行加权重构，得到波段融合后的新沙地遥感影像，具体过程如下：

42、波段组合融合计算公式如下：

43、an＝a1×w1+a2×w2+…+an×wn

44、式中，an表示波段融合后的新沙地遥感影像，a1、a2...an代表第1、2...n个波段的沙地遥感影像，w1、w2...wn表示第1、2...n个波段权重。

45、进一步地，所述各波段沙地遥感影像对沙地信息提取的精准程度为f1值，f1值是指precision和recall的调和平均评估指标，公式如下：

46、

47、

48、

49、f1调和平均评估即表示倒数之和的平均值的倒数、精准率和回召率等评估指标，f1值即代表各波段对沙地提取精准程度的大小，f1值越大，说明该波段对地物影响程度越明显；

50、其中，precision表示精准率，recall表示召回率，tp为检测影像和专家影像中像素值均为255的像素点数量，即检测算法正确识别的像素数量；fp为检测影像像素值为255但专家影像像素值为0的像素点数量，即检测算法误识别的像素数量；fn为检测影像像素值为0但专家影像像素值为255的像素点数量，即检测算法遗漏的沙地所占像素点的数量；tn为检测影像和专家影像中像素值均为0的像素点数量，即检测算法正确判断为背景区域的像素数量。

51、本文采用三个性能指标对沙地提取方法进行评价，即精准率(precision)、召回率(recall)、准确率(accuracy)，f1同时考虑了准确率和召回率，让二者同时达到最高，取一个平衡，即调和平均值。f1与精准率(查准率)无关，他们为不同的评估指标。

52、进一步地，所述沙地信息至少包括位置、面积、形状。

53、另一方面，一种采用上述一种顾及波段信息的多光谱遥感影像沙地智能提取方法的顾及波段信息的多光谱遥感影像沙地智能提取系统，包括：

54、y-net网络模型构建模块：在u-net网络模型中加入可变形卷积，获得y-net网络模型；

55、沙地遥感影像波段精准程度确定模块：将所述y-net网络模型在已知沙地信息的各波段沙地遥感影像上，进行训练、预测以及性能评估，获得各波段沙地遥感影像对沙地信息提取的精准程度；

56、影像加权重构模块：根据各波段沙地遥感影像对沙地信息提取的精准程度确定各波段沙地遥感影像权重值，对覆盖沙地的原始多光谱遥感影像进行加权重构，产生新的沙地遥感影像；

57、样本数据集构建模块：对加权重构后的遥感影像中的沙地信息进行专家标注，生成样本标签，构建波段融合多光谱沙地遥感影像样本数据集；

58、训练模块：将y-net网络模型在所述波段融合多光谱遥感影像数据集上进行训练，得到组合波段的y-net网络模型的最佳参数；

59、预测模块：利用最佳参数的组合波段的y-net网络模型对待识别的沙地遥感影像进行预测，得到不同年份的沙地信息检测结果；

60、所述待识别的沙地遥感影像，是将待识别的各波段沙地影像按照s103进行加权重构获得。

61、再一方面，一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以实现：上述一种顾及波段信息的多光谱遥感影像沙地智能提取方法的步骤。

62、有益效果

63、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种顾及波段信息的多光谱遥感影像沙地智能提取方法及系统，有益效果包括：

64、1、本发明通过获取覆盖沙地的原始多光谱遥感影像，对波段进行重构，产生新的遥感影像，可以增大沙地与其他光谱相似地物的区分度；

65、2、根据单波段对沙地信息提取的精准程度确定波段权重值，构建波段组合多光谱遥感影像数据集，提高遥感影像沙地提取的准确性，实现高鲁棒性提取；

66、3、通过在u-net模型中增加可变形卷积模块提出y-net模型，y-net模型在广域范围内、复杂背景下可实现沙地的高精度提取。