一种多源遥感影像洪涝灾害信息提取与变化检测方法与流程

本发明涉及图像检测，具体是一种多源遥感影像洪涝灾害信息提取与变化检测方法。

背景技术：

1、在遥感领域中，变化检测是利用同一地区不同时刻的遥感影像，通过对比光谱反射值、纹理等特征的差异，获得变化区域的过程。利用遥感影像进行变化检测已被广泛应用于环境监测、农业调查、城市扩张研究、灾害监测、破坏评估等领域。

2、利用多源遥感影像对洪涝灾害信息进行提取和检测的方法根据其自动化程度可分为人工目视解译、半自动化提取和自动化提取三个阶段。早期提出的目视解译方法只适用数据量较小的检测工作，而现阶段人工目视解译需耗费大量时间和精力，且精度难以达到要求，已基本被淘汰。半自动化提取方法，例如svm决策树分类算法、k-means聚类算法适用的检测类别有限；经典的svm决策树分类算法只适用于图像的二分类，在应用到地表信息提取这一多分类问题中效果并不理想。自动化提取方法，如深度学习，具有较好的图像分类识别性能。主流的深度学习方法中，如cnn、unet、unet++等网络虽然在医学图像分割领域表现出优异的性能，但在遥感影像洪涝灾害信息提取方面效果不理想，存在着一些建筑物和细微水体的边缘提取不够完整、提取精度难以达到要求等诸多问题，导致提取的信息无法准确的反映出洪涝灾害的影响。

技术实现思路

1、为了避免和克服现有技术中存在的技术问题，本发明提供了一种多源遥感影像洪涝灾害信息提取与变化检测方法。本发明能够准确的提取洪涝灾害信息，进而真实的反映洪涝灾害的影响。

2、为实现上述目的，本发明提供如下技术方案：

3、一种多源遥感影像洪涝灾害信息提取与变化检测方法，包括以下操作步骤：

4、s1、获取检测区域内在洪涝灾害中各个时期的遥感影像，并为遥感影像制作影像标签，进而构成样本集；

5、s2、将样本集输入基础swin-unet网络中训练，以得到最优基础swin-unet网络模型；

6、s3、从样本集中随机选取不同数量的样本构成样本子集，将各个样本子集输入最优基础swin-unet网络模型中，以得到各个样本子集对应的样本预测精度；选取样本预测精度最高的样本子集，并将该样本子集定义为最优数据集；

7、s4、使用cross attention block替换基础swin-unet网络中的swin transformerblock，以形成改进swin-unet网络；将最优数据集输入改进swin-unet网络中训练，以得到最优改进swin-unet网络模型；

8、s5、使用最优改进swin-unet网络模型提取检测区域洪涝灾害中各时期遥感影像中的地表信息，根据该地表信息获取检测区域在洪涝灾害中的空间分布变化情况。

9、作为本发明再进一步的方案：步骤s1的具体步骤如下：

10、s11、首先选取已经发生洪涝灾害的区域作为检测区域；

11、s12、检测区域的各个时期分别为洪水来临前、洪水来临时和洪水来临后，且各个时期之间的时间间隔相同；依次获取检测区域洪水来临前、洪水来临时和洪水来临后的遥感影像；

12、s13、将遥感影像与dem融合，以获取对应的遥感影像数据；

13、s14、对遥感影像数据分析，根据分析结果对遥感影像中的各个物体制作能表示该物体地表类别的影像标签，影像标签包括水体、道路、建筑、农田和滩涂；

14、s15、将制作完影像标签的遥感影像分割成设定大小的图像，并将该图像作为样本保存在初步样本数据集中；

15、s16、对初步样本数据库中的样本进行垂直翻转、水平翻转、随机旋转和随机剪裁处理，处理后的样本保存在扩充样本数据集中；

16、s17、将初步样本数据集和扩充样本数据集合并，构成样本集。

17、作为本发明再进一步的方案：步骤s3的具体步骤如下：

18、s31、从样本集中随机选取不同数量的样本构成样本子集；

19、s32、将各个样本子集输入到最优基础swin-unet网络模型中，对各个样本上各个物体的地表类别进行预测，并输出各个样本子集的样本预测精度；

20、s33、对各个样本预测精度按照从高到低进行排序；

21、s34、将样本预测精度最高的样本子集定义为最优数据集，并按照预设的分割比例将该最优数据集分割成训练集、测试集和验证集。

22、作为本发明再进一步的方案：所述改进swin-unet网络由编码器、线性嵌入层、解码器和跳跃连接组成，改进swin-unet网络的基本单元是cross-attention block；

23、对于编码器，为了将输入图像转化为序列嵌入，将输入图像即遥感影像分割成输入分辨率为w×h的互不重叠的补丁，通过这种划分方法，每个补丁的特征维数转变为w×h×c，其中，w为输入图像宽度，h为输入图像高度，c为划分后的补丁的特征维度；

24、将线性嵌入层应用于将特征维度投影到任意维度；

25、特征维数转变后的补丁通过三个cross-attention block和补丁合并层生成分层特征表示；其中，cross attention block负责特征表示部分的学习，补丁合并层负责下采样和增加特征维度；

26、瓶颈部分特征维度和分辨率保持不变，只使用连续两个swin transformer block构造；

27、解码器部分，同样经过三个cross-attention block的特征部分学习，补丁扩展层用于上采样以减少特征维度；相邻维度的特征图通过补丁拓展层之后，特征维数变为原来一半，分辨率为2倍上采样的大型特征图；

28、最后一个补丁扩展层进行4倍上采样，将特征映射的分辨率恢复到原始输入分辨率w×h。

29、作为本发明再进一步的方案：cross attention block包含ipsa模块和cpsa模块，ipsa模块中参数量表达式为：

30、ω(ipsa)＝2w×h×c2+m2×w×h×c

31、cpsa模块中参数量表达式为：

32、ω(cpsa)＝m2×w×h×c+(h×w/m)2×c

33、其中，ω(ipsa)表示ipsa模块的参数量；ω(cpsa)表示cpsa模块的参数量；w表示输入图像的宽度；h表示输入图像的高度，c是划分后的补丁的特征维度；m是一个窗口里的补丁的数量。

34、作为本发明再进一步的方案：swin transformer block的参数量表示如下：

35、ω(transformer)＝4w×h×c2+2m2×w×h×c

36、cross attention block的参数量表示如下：

37、ω(attention)＝2m2×w×h×c+(h×w/m)2×c+2w×hxc2

38、其中，ω(transformer)表示swin transformer block的参数量；ω(transformer)表示swin transformer block的参数量。

39、作为本发明再进一步的方案：cross attention block与swin transformerblock的参数量比值表示如下：

40、

41、其中，a表示cross attention block与swin transformer block的参数量比值。

42、作为本发明再进一步的方案：步骤s4的具体步骤如下：

43、s41、使用cross attention block期待基础swin-unet网络中的swintransformer block，以使基础swin-unet网络转化为改进swin-unet网络；

44、s42、将训练集和测试集输入改进改进swin-unet网络中训练，更新改进swin-unet网络中的权重参数，以形成初步改进swin-unet网络模型；

45、s43、将验证集输入初步改进swin-unet网络模型中训练并验证样本预测精度，同时更新该网络模型中的权重参数，以达到预定的样本预测精度，并最终形成最优改进swin-unet网络模型。

46、作为本发明再进一步的方案：步骤s5的具体步骤如下：

47、s51、将样本集输入最优改进swin-unet网络模型中，以获取检测区域的洪水来临前、洪水来临时和洪水来临后三个时期的遥感影像中的地表信息，地表信息包括该检测区域内的水体、道路、建筑、农田和滩涂；

48、s52、根据获取的地表信息中水体、道路、建筑、农田和滩涂的大小和位置分别制作检测区域洪水来临前、洪水来临时和洪水来临后的典型土地覆盖专题图；

49、s53、分别对比检测区域三个时期的典型土地覆盖专题图，根据三个时期水体、道路、建筑、农田和滩涂的空间变化进行分析，制作地表类别变化空间分布图，得到地表类别变化区域的空间分布；

50、s54、统计三个时期水体、道路、建筑、农田和滩涂的像元数和面积，并进行对比，以得到水体、道路、建筑、农田和滩涂的在洪涝灾害中的空间分布变化情况。

51、与现有技术相比，本发明的有益效果是：

52、1、本发明包括多源遥感影像的数据预处理、数据后处理、改进swin-unet网络构建与地表信息提取、提取结果比对、对遥感影像变化分析等内容。主要技术流程包括对遥感影像获取和数据预处理、最优数据集的筛选与改进swin-unet网络模型的构建和地表信息提取，保证了本发明中洪涝灾害变化信息提取的精度和准确性。

53、2.本发明最重要的特点是＝根据cross attention block参数少的特点，在基础swin-unet网络的基础上，将部分swin transformer block替换为cross attentionblock，搭建一种全新的网络结构。此网络结构中能有效减少计算量，降低实现难度。

54、3、与现有的基础深度学习方法相比，本发明能够较完整和高精度实现地表信息提取，可以有效克服基础swin-unet网络在提取地表信息时出现建筑物边缘提取不完整、小型地物被遗漏、训练时间长等问题，能有效提高洪涝灾害变化信息提取的精度和准确性。