本发明涉及计算机视觉和水利等相关领域,具体涉及一种遥感影像水体提取方法、装置及存储介质。
背景技术:
1、从遥感影像上提取水体信息,不仅可以为水体生态分析和后续的相关风险预警提供数据支撑,而且可以缓解日益严峻的生态环境问题,并有助于研究流域的环境演变监测、保护和开发水资源以及生态资源的可持续发展。
2、随着人工智能的发展,深度学习方法因其具有强大的特征表征能力,它的发展为计算机视觉和影像识别等领域带来了巨大的冲击。全卷积神经网络作为第一个端到端的像素级预测模型,同时,其它语义分割模型都是以为基础进行搭建。然而,在利用及其变体模型进行水体提取时,容易丢失水陆边界的细节信息,存在水陆边界处特征预测误分或漏分的问题。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种遥感影像水体提取方法、装置及存储介质,以解决现有技术中高分辨率遥感影像下水体提取模型水陆边界预测准确率低的问题。
2、根据本发明实施例的第一方面,提供一种遥感影像水体提取方法,所述方法包括:
3、利用数据集构建并得到本发明使用的遥感影像数据集;
4、基于模型搭建本发明提出的水体提取模型;
5、选定所述水体提取模型的评价指标;
6、利用所述遥感影像数据集和所述评价指标,对所述水体提取模型进行训练,得到训练好的水体提取模型。
7、进一步的,所述数据集是基于我国卫星数据而构建的大规模高分辨率遥感图像土地覆盖数据集,分为大规模分类集和精细土地覆盖集两个部分。
8、进一步的,所述本发明使用的遥感影像数据集是由所述大规模分类集中的水域类型数据和精细土地覆盖集中的河流、湖泊和池塘三种类型数据共同组成。
9、进一步的,所述水体提取模型是以为骨干网络的模型上进行搭建,与辅助分类器模块、尺度注意力机制模块和加权边界损失函数模块相融合。其中,所述辅助分类器模块为了加快所述水体提取模型的训练速度;所述尺度注意力机制模块提高所述水体提取模型对水陆边界处特征的理解;所述加权边界损失函数模块使所述水体提取模型能够更准确地学习到水陆边界处的特征信息。
10、进一步的,所述水体提取模型的评价指标,包括:
11、总体精度,表示为所述水体提取模型提取到的正确的像素个数占所有像素个数的比值;其中,所述正确的像素个数为所述水体提取模型正确提取到的水体像素个数与正确提取到的非水体像素个数之和;所述所有像素个数是由所述水体提取模型提取到的正确的像素个数、所述水体提取模型提取到的错误提取到的水体像素个数和错误提取到的非水体像素个数之和;
12、系数是用于平衡所述遥感影像数据;
13、精确率是用于衡量所述水体提取模型预测结果中的像素值是否有误判;
14、召回率是用于衡量所述水体提取模型预测结果中的像素值是否有遗漏;
15、分数是用于衡量遥感影像分类任务精度;
16、平均交并比是指所述水体提取模型的预测结果的每一个像素值与真实标签的每一个像素值的重复率;其中,所述是所有类别的平均值;
17、平均绝对误差是将所述水体提取模型预测的每一个像素值与真实标签的每一个像素值进行比较的平均值;
18、样本相似度是用于计算所述水体提取模型预测的样本与真实标签之间的相似度。
19、进一步的,所述水体提取模型的训练过程,包括:
20、利用所述遥感影像数据集作为训练样本;其中,每一训练样本包括:所述遥感影像数据和与所述遥感影像数据对应的真实标签;
21、基于所述遥感影像数据集对所述水体提取模型进行训练,得到所述训练好的水体提取模型。
22、根据本发明实施例的第二方面,提供一种遥感影像水体提取装置,所述装置包括:
23、数据构建模块,用于构建所述水体提取模型训练所需的所述遥感影像数据;其中,所述遥感影像数据为数据集;
24、模型搭建模块,用于搭建所述水体提取模型;其中,所述水体提取模型是以为骨干网络的模型上进行搭建,与辅助分类器模块、尺度注意力机制模块和加权边界损失函数模块相融合。其中,所述辅助分类器模块为了加快所述水体提取模型的训练速度;所述尺度注意力机制模块提高所述水体提取模型对水陆边界处特征的理解;所述加权边界损失函数模块使所述水体提取模型能够更准确地学习到水陆边界处的特征信息;
25、评价指标构建模块,用于构建所述水体提取模型的评价指标,在所述水体提取模型训练过程中评估所述水体提取模型的预测准确率;
26、模型训练模块,用于将所述遥感影像数据输入至所述水体提取模型,训练并得到所述训练好的水体提取模型。
27、根据本发明实施例的第三方面,提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被主控器执行时,实现上述的方法中的各个步骤。
28、本发明的实施例提供的技术方案可以包括以下有益效果:
29、本发明提出的方法在模型的基础上,引入了辅助分类器模块、尺度注意力机制模块和加权边界损失函数模块三者融合。本发明提出的方法不仅能减少模型对遥感影像水陆边界处特征分割误分或漏分情况的发生,还可使模型保留更多水陆边界的特征信息。借助注意力机制,在细小的尺度上关注水陆边界特征,从而解决现有技术中高分辨率遥感影像下水体提取模型水陆边界处预测准确率低的问题。
30、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
1.一种遥感影像水体提取方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述数据集是基于我国卫星数据而构建的大规模高分辨率遥感图像土地覆盖数据集,分为大规模分类集和精细土地覆盖集两个部分。
3.根据权利要求1所述的方法,其特征在于,所述本发明使用的遥感影像数据集是由所述大规模分类集中的水域类型数据和精细土地覆盖集中的河流、湖泊和池塘三种类型数据共同组成。
4.根据权利要求1所述的方法,其特征在于,所述水体提取模型是以为骨干网络的模型上进行搭建,与辅助分类器模块、尺度注意力机制模块和加权边界损失函数模块相融合;其中,所述辅助分类器模块为了加快所述水体提取模型的训练速度;所述尺度注意力机制模块提高所述水体提取模型对水陆边界处特征的理解;所述加权边界损失函数模块使所述水体提取模型能够更准确地学习到水陆边界处的特征信息。
5.根据权利要求1所述的方法,其特征在于,所述水体提取模型的评价指标,包括:
6.根据权利要求1所述的方法,其特征在于,所述水体提取模型的训练过程,包括:
7.一种遥感影像水体提取装置,其特征在于,所述装置包括:
8.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被主控器执行时,实现如权利要求1-6任一项所述的一种遥感影像水体提取方法中的各个步骤。