CN109086649A - 卫星遥感图像水体识别方法 - Google Patents
卫星遥感图像水体识别方法 Download PDFInfo
- Publication number
- CN109086649A CN109086649A CN201810532639.2A CN201810532639A CN109086649A CN 109086649 A CN109086649 A CN 109086649A CN 201810532639 A CN201810532639 A CN 201810532639A CN 109086649 A CN109086649 A CN 109086649A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- feature
- water
- body information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像处理技术领域，是一种卫星遥感图像水体识别方法，包括第一步，对遥感图像预处理；第二步，水体信息特征提取，选用归一化差异水体指数法作为水体信息提取的方法；第三步，利用特征扩充算法，挖掘出目标像素点邻近区域像素点的特征，以此作为目标像素的新特征；第四步，将第三步扩充后的多个特征作为模型输入，训练深度学习模型，采用逐层贪婪法进行训练，获取栈式自编码神经网络参数，对水体信息进行精准提取。本发明构建基于深度学习的水体信息抽取模型，涉及图像中邻近像素点与目标点的关联特性，设计并实现特征扩充算法，将图像原始特征与扩充特征相连接，共同训练深度学习模型，实现水体信息的精确提取。
Description
技术领域
本发明涉及遥感图像处理技术领域，是一种卫星遥感图像水体识别方法。
背景技术
随着遥感技术的发展,卫星影像分辨率(包括空间、时间、光谱分辨率)的显著提高，影像校正、增强、融合等处理技术的不断完善，地球表面各种地物的监测都可以不受地理位置、天气和人为的限制，遥感技术越来越显示出它独特的优越性。其中，遥感图像水体信息提取对于水资源调查、洪水灾害预测评估、水利规划、环境监测等起着十分重要的作用。遥感影像成像周期较短,适时性强，并且成像精度日益提高，如果能利用高分辨率影像提取高精度的水体信息，则可以快速、准确、及时地获得水体资源信息，以弥补野外测量的不足。因此，如何提高高分辨率影像的水体信息提取精度、提高信噪比获得更佳质量的水体目标信息，成为科研工作者关注的重点。
现有的水体提取方法都普遍存在一些问题，如自动化程度较低、精度较低等，这使得对海量遥感数据的处理，其时间和工作量都会非常的大，导致其难以赶上信息变化的速度，也难以满足相关部门的要求。因此，提高对地表水体的提取精度相当重要，这也将是今后利用遥感提取地表水体信息值得研究与进一步解决的问题。
发明内容
本发明提供了一种卫星遥感图像水体识别方法，克服了上述现有技术之不足，其能有效解决现有卫星遥感图像水体信息提取方法对高分辨率影像的水体信息提取精度低、信噪比低，造成水体目标信息提取质量低的问题。
本发明的技术方案是通过以下措施来实现的：一种卫星遥感图像水体识别方法，包括以下步骤：
第一步，对遥感图像预处理，使用遥感图像处理软件ENVI对原始图像进行辐射定标和大气校正，确保图像的精准性；对处理后的图像进行裁剪，获取研究区对应高分遥感影像，借助遥感图像处理软件ENVI对高分遥感影像进行监督分类，使用最大似然法作为分类依据；
第二步，水体信息特征提取，选用归一化差异水体指数法作为水体信息提取的方法，采用基于MapReduce的分布式水体信息提取模型分别对单幅、两幅、四幅、六幅遥感图像进行水体识别并对比所耗费的时间，同时，引入加速比作为评价指标，计算公式如下：
其中，T1代表任务在单个节点下的运行所耗费的时间，Tp代表任务在由p个节点构成的并行***上运行所耗费的时间；
第三步，特征扩充，将每一幅遥感图像看作由许多像素点组成的网格，利用特征扩充算法，挖掘出目标像素点邻近区域像素点的特征，以此作为目标像素的新特征，具体过程如下：
(1)每个网格被映射成为一个像素点，选取一个像素点作为目标像素点o，以目标像素点o为圆心，并以r为半径画圆；
(2)设置目标像素点旳邻近像素点为oi,j，计算目标像素点与邻近像素点的距离dist(o,oi,j)；
(3)选取与目标像素点的距离小于给定半径的所有邻近像素点构成目标像素点的相关集；
(4)根据给定的特征算法及公式，计算相关集中的每个像素点相应的特征值，并计算所有邻近像素点的特征值的平均值；
(5)将得到所有的特征平均值作为目标像素点的新特征，构成新的特征集合；
第四步，水体信息精准提取，将第三步扩充后的多个特征值作为模型输入，训练深度学习模型，即堆栈式自动编码器SSAE；堆栈式自动编码器SSAE由若干层稀疏自编码器和Softmax分类器构成，采用逐层贪婪法进行训练，获取栈式自编码神经网络参数，对水体信息进行精准提取。
下面是对上述发明技术方案的进一步优化或/和改进：
上述第一步中，遥感影像预处理包括3个步骤：(一)几何精校正与影像配准；(二)图像镶嵌与裁剪；(三)大气校正；具体方法与步骤介绍如下：
(一)几何精校正与影像配准
几何精校正是纠正影像的形状，使处理后的图像里的每个像素点与真实地图或标准影像的像素点一一对应，得到准确的地理坐标，它的具体步骤如下：
第一步：选取地面控制点，包括(1)参考地形图进行控制点的选取；(2)借助全球定位***在野外选取控制点；(3)直接在完成校正操作的影像上选取；
第二步：建立几何校正模型，包括(1)参照准确的地图，读出选取的所有地面控制点在图像上的像元坐标(x,y)以及其对应的参考地理坐标(X,Y)；(2)利用变换函数进行计算，为每个地面控制点赋予新的地理坐标(X',Y')；(3)通过公式计算(X,Y)与(X',Y')之间的均方根误差RMS；
(二)遥感图像的镶嵌与裁剪
第一步：镶嵌，拼接至少两幅图像构成一幅新的研究区图像，且进行图像镶嵌的所有图像须具有相同或相近的成像时间；
第二步：裁剪，单幅遥感图像通常包含多个区域，对目标区域之外的图像采用矩形块状或按条带进行裁剪；
(三)大气校正
消除遥感图像中存在的地物的反射率偏差，以精确确定地面所有地物的实际反射率。
上述第二步中，MapReduce的分布式水体信息提取模型的任务处理流程如下：
(1)数据分块与分配：MapReduce模型接收输入数据，对输入数据进行“分片”操作：将整体任务划分成若干个子任务，即把超大数据集中的数据划分成若干个大小相等的小“数据块”；随后，主节点将子任务分发到模型的从节点进行并行处理；
(2)Map映射：每一个Map任务对应接收并处理一个数据“分片”，将其映射成为一个<key，value>键值对，产生相应的中间结果；
(3)分区与排序：依据key值对中间结果进行排序和合并，将其作为Reduce函数的输入；
(4)Reduce规约：以组为单位对数据进行规约，将key值相同的value值进行合并；
(5)数据输出：将Reduce后最终产生的<key，value>键值对输出。
本发明构建基于深度学习的水体信息抽取模型，并考虑图像中邻近像素点与目标点的关联特性，设计并实现特征扩充算法，将图像原始特征与扩充特征相连接，共同训练深度学习模型，实现水体信息的精确提取。
附图说明
附图1为本发明实施例1的方法流程图。
附图2为本发明实施例1的像素点对应特征矩阵的构造过程示意图。
附图3为本发明实施例1的MapReduce模型执行过程示意图。
附图4为本发明实施例1基于栈式自编码的遥感图像水体识别模型图。
附图5为本发明实施例2模型层数对水体信息提取结果的影响示意图。
附图6为本发明实施例2的SSAE分别与SVM及NN模型的对比实验结果示意图。
附图7为本发明实施例2的不同数据量下扩充半径大小对实验结果的影响示意图。
附图8为本发明实施例2数据量为50000的栈式自编码模型与其他模型对比结果示意图。
附图9为本发明实施例2数据量为150000的栈式自编码模型与其他模型对比结果示意图。
附图10为本发明实施例2数据量为250000的栈式自编码模型与其他模型对比结果示意图。
附图11为本发明实施例2数据量为500000的栈式自编码模型与其他模型对比结果示意图。
附图12为本发明实施例2数据量为750000的栈式自编码模型与其他模型对比结果示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1、2、3、4所示，该卫星遥感图像水体识别方法包括以下步骤：
第一步，对遥感图像预处理，使用遥感图像处理软件ENVI对原始图像进行辐射定标和大气校正，确保图像的精准性；对处理后的图像进行裁剪，获取研究区对应高分遥感影像，借助遥感图像处理软件ENVI对高分遥感影像进行监督分类，使用最大似然法作为分类依据；
第二步，水体信息特征提取，选用归一化差异水体指数法作为水体信息提取的方法，采用基于MapReduce的分布式水体信息提取模型分别对单幅、两幅、四幅、六幅遥感图像进行水体识别并对比所耗费的时间，同时，引入加速比作为评价指标，计算公式如下：
其中，T1代表任务在单个节点下的运行所耗费的时间，Tp代表任务在由p个节点构成的并行***上运行所耗费的时间；
这里采用归一化差异水体指数(MNDWI)获得的信息提取精度最高，能适应不同规模数据量的水体信息提取。
第三步，特征扩充，将每一幅遥感图像看作由许多像素点组成的网格，利用特征扩充算法，挖掘出目标像素点邻近区域像素点的特征，以此作为目标像素的新特征，具体过程如下：
(1)每个网格被映射成为一个像素点，选取一个像素点作为目标像素点o，以目标像素点o为圆心，并以r为半径画圆；
(2)设置目标像素点旳邻近像素点为oi,j，计算目标像素点与邻近像素点的距离dist(o,oi,j)；
(3)选取与目标像素点的距离小于给定半径的所有邻近像素点构成目标像素点的相关集；
(4)根据给定的特征算法及公式，计算相关集中的每个像素点相应的特征值，并计算所有邻近像素点的特征值的平均值；
(5)将得到所有的特征平均值作为目标像素点的新特征，构成新的特征集合；
第四步，水体信息精准提取，将第三步扩充后的多个特征值作为模型输入，训练深度学习模型，即堆栈式自动编码器SSAE；堆栈式自动编码器SSAE由若干层稀疏自编码器和Softmax分类器构成，采用逐层贪婪法进行训练，获取栈式自编码神经网络参数，对水体信息进行精准提取。
可根据实际需要，对上述卫星遥感图像水体识别方法作进一步优化或/和改进：
如附图1、2、3、4所示，第一步中，遥感影像预处理包括3个步骤：(一)几何精校正与影像配准；(二)图像镶嵌与裁剪；(三)大气校正；具体方法与步骤介绍如下：
(一)几何精校正与影像配准
几何精校正是纠正影像的形状，使处理后的图像里的每个像素点与真实地图或标准影像的像素点一一对应，得到准确的地理坐标，它的具体步骤如下：
第一步：选取地面控制点，包括(1)参考地形图进行控制点的选取；(2)借助全球定位***在野外选取控制点；(3)直接在完成校正操作的影像上选取；这里需要同时满足下面四种特征，才能当选地面控制点，首先，地面控制点应该位于具有代表性的区域，如多条主干道交叉点、海陆分界线附近以及河流交汇处；同时，为避免外推，在图像的边缘地带必须存在地面控制点；此外，地面控制点尽量平均分布在选定影像的多个区域；若建立n次多项式模型，至少需要选取(n+1)(n+2)/2个地面控制点；
第二步：建立几何校正模型，包括(1)参照准确的地图，读出选取的所有地面控制点在图像上的像元坐标(x,y)以及其对应的参考地理坐标(X,Y)；(2)利用变换函数进行计算，为每个地面控制点赋予新的地理坐标(X',Y')；(3)通过公式计算(X,Y)与(X',Y')之间的均方根误差RMS；根据RMS值重新调整控制点，直到均方根误差达到期望误差(通常期望均方误差RMS<1)，得到较精确的变换函数公式，并将其应用到整个图像。
(二)遥感图像的镶嵌与裁剪
第一步：镶嵌，拼接至少两幅图像构成一幅新的研究区图像，且进行图像镶嵌的所有图像须具有相同或相近的成像时间；当研究区域较大时，单幅影像不能完整的显示整个研究区。为了得到完整的研究区影像，需要拼接至少两幅图像构成一幅新的研究区图像，通常把拼接图像的过程称为图像镶嵌。其中，需要注意的是，用来进行图像镶嵌的所有图像必须具有相同或相近的成像时间。
第二步：裁剪，单幅遥感图像通常包含多个区域，对目标区域之外的图像采用矩形块状或按条带进行裁剪；单幅遥感图像通常包含多个区域，例如四川省的遥感图像的包括川东平行岭谷及川西高原。若目标区域为川东平行岭谷，则需要对目标区域之外的图像进行裁剪。图像的方式有很多种，如按矩形块状裁剪和按条带裁剪等，通常需要根据实际情况选择合适的图像裁剪方式。
(三)大气校正
消除遥感图像中存在的地物的反射率偏差，以精确确定地面所有地物的实际反射率。
大气校正的方法有很多种，其中MORTRAN、ATCOR、6S等模型常被用于遥感图像中某一地物的定量研究；而直方图匹配法被广泛用于水体、植被等的动态监测。
如附图1、2、3、4所示，在第二步中，MapReduce的分布式水体信息提取模型任务处理流程如下：
(1)数据分块与分配：MapReduce模型接收输入数据，对输入数据进行“分片”操作：将整体任务划分成若干个子任务，即把超大数据集中的数据划分成若干个大小相等的小“数据块”；随后，主节点将子任务分发到模型的从节点进行并行处理；
(2)Map映射：每一个Map任务对应接收并处理一个数据“分片”，将其映射成为一个<key，value>键值对，产生相应的中间结果；
(3)分区与排序：依据key值对中间结果进行排序和合并，将其作为Reduce函数的输入；
(4)Reduce规约：以组(group)为单位对数据进行规约，将key值相同的value值进行合并；
(5)数据输出：将Reduce后最终产生的<key，value>键值对输出。
详细的流程如图3所示，MapReduce模型能够实现高速、流式读写操作，适用于海量结构化和非结构化数据的检索、特征挖掘及分析等。
实施例2：如附图5、6、7、8以及表1、2、3、4、5所示，选取拥有不同地形的三个地区作为研究区域，用来评估所提水体信息提取模型的鲁棒性；每个地区具有典型的地域特征，表1展示了研究区的详细信息。
新疆维吾尔自治区地处北纬34° 25′至48° 10′,东经73° 40′至96° 18′，面积约166万平方公里。新疆常年干燥少雨，形成明显的温带大陆型干旱气候。整个新疆地区汇集着500多条河流，包括中国最大的内陆河塔里木河和跨越中国和哈萨克斯坦的伊犁河。因此，新疆地区水体信息提取的重点在于区分水体和干旱的土壤。
实验选取的第二个研究区域为江苏省。江苏省位于北纬30° 45′至35° 20,东经116° 18′至121° 57′，地处长江、淮河下游，东濒黄海，拥有非常丰富的水资源。江苏与上海、浙江、安徽共同构成国际六大世界级城市群之一的长江三角洲城市群。因此，江苏地区的水体信息提取的重中之重在于区分水体和建筑物及建筑物阴影。
实验选取的第三个研究区域为四川省。四川省位于北纬26° 03′至34° 19′，东经97° 21′至108° 33′，地貌以山地为主，占全省面积的百分之七十四点二。位于四川东部地区的川东平行岭谷是世界著名的三大褶皱山系之一。对四川省的遥感图像进行信息提取的关键在于准确区分水体信息与山体及山体阴影。
第一步：数据预处理
实验前，下载新疆、江苏和四川省的遥感影像并进行数字化处理，整个过程分为两个步骤：
(1)使用遥感图像处理软件ENVI对原始图像进行辐射定标和大气校正，确保图像的精准性；
(2)对处理后的3幅图像进行裁剪，从每幅图像中随机选取5幅图像进行实验。实验选取的15幅图像详细信息及相应验证样本如表2所示；其中，“Xj”代表新疆维吾尔自治区，“Js”代表江苏省，“Sc”代表四川省；同时，Xj_1至Xj_5为新疆维吾尔自治区的5幅遥感影像，Jc_1至Jc_5代表江苏省的5幅遥感影像，Sc_1至Sc_5为四川省的5幅遥感影像；
第二步，实验结果与分析
利用深度学***台进行仿真实验，采用本发明提出的特征扩充算法挖掘更有效的水体特征，设计四组实验评估所提出水体信息提取模型的性能；
栈式自编码模型中，隐藏层节点数对最终的分类结果影响很大；隐藏层节点数过少，水体的特征信息不能被充分学习到；隐藏层节点数过多，会导致训练时间过长，影响整个模型的学习效率；通过反复实验，模型参数初始值设置如下表3所示；
第三步，训练集与测试集的预处理
对表2所示的15幅遥感影像进行预处理，构建实验训练集和预测集；首先，从每个研究区域各选一幅影像作为训练所用影像，剩余的12幅影像作为测试所用图像；根据特征公式对选定图像计算特征值，训练集与测试集如表4所示；
第四步，模型层数对实验结果的影响
栈式自编码模型中，稀疏自编码的层数会对最终的水体识别结果产生一定的影响；模型层数设置过高，不仅容易导致过拟合，而且模型的整体性能会随之降低；考虑这一因素，设计一组实验来找出最优的模型层数；选取5组不同数据量的训练集及测试集数据，观察不同层数对分类结果的影响；实验结果如图5所示；
在不同数据量下，当模型层数增加到两层时，栈式自编码模型的水体信息提取准确率不断提高；但当模型层数从两层增长到五层时，水体信息提取的准确率不断降低；从图6中明显的看出，本实施例所提出的模型在层数设置为两层时得到最高的水体信息提准确率；同时，当实验数据量增长到750000时，水体信息提取的准确率增长到95.74％；因此，为了获取更优的水体信息提取结果，我们将所提模型的稀疏自编码层数设置为2；
第五步，与SVM模型和NN模型对比
为了评估栈式自编码模型的性能，我们选取常用的支持向量机SVM模型及传统的人工神经网络模型ANN进行对比试验；同样的，初始参数的选择对SVM及NN模型的信息提取效率有一定的影响；因此，实验之前，通过反复实验为SVM及NN模型设置最优的初始化参数。对比实验结果如下；
由图6，我们可以得出以下结论：
(1)按准确率从高到低，模型依次为：SSAE，NN，SVM。三个模型对应的准确率分别为90.32％,91.97％,94.35％；基于栈式自编码的水体信息提取模型具有良好的特征学习能力，可以从给定原始特征中学习到更深层的二阶特征。结合原始特征及学习得到的二阶水体特征，更好地描述水体信息以获得更好的水体信息提取效果；
(2)当总数据量为50000，即训练数据为40000，测试数据为10000时，栈式自编码模型的准确率为，而SVM和ANN模型的准确率均在90％以下；通过有限的训练数据，SVM及ANN模型只能学习到水体信息的部分特征，水体信息的提取准确率也随之降低；不同于浅层的机器学习方法，栈式自编码模型通过逐层贪婪法进行训练，将原始特征映射到新的特征空间；
(3)随着数据量不断增加，所有模型的准确率稳定上升；数据量不断增加，模型可以从中学习到更多更准确的特征信息，信息提取的准确率随之提高；
第六步，特征扩充半径大小对实验结果的影响
为了获得更高的水体信息提取准确率，使用本发明提出的特征扩充算法对原始特征进行二次处理，为图像中的每个像素点构建新的特征矩阵；模型的输入从原来的50个特征扩充到100个特征；模型参数的初始化设置如表5所示；
特征扩充算法中，扩充半径的选择对最终的信息提取结果起着重要的作用；半径设置偏小，不能充分的获取到邻近像素点的信息；半径设置过大，一些无效的噪声信息会被错误的提取。因此，我们设计一组实验来探讨扩充半径大小对信息提取准确率的影响，并选出最优的扩充半径值；实验结果如图7所示。
从图7中，我们发现，当数据量一定时，随着半径不断增大，水体信息提取的准确率不断降低；这一表现与我们设置相关系数的初衷相一致；距离目标像素点越近，对其的影响越大；反之则产生较小的影响；实验结果表明，当扩充半径为1时，准确率最高；因此，模型的特征扩充半径设置为1。
第七步，特征扩充算法有效性测试
特征扩充算法以目标像素点为中心，通过设置扩充半径为目标像素点划定邻近区域；计算邻近区域内所有像素点的特征平均值，将此作为目标像素点的新特征；为了测试特征扩充算法的有效性，在不同训练集与测试集上使用特征扩充算法进行水体信息提取实验，SVM与NN模型作为对比模型，实验结果如图8至图12所示；其中，‘50’代表输入项为原始的50个特征；‘100’代表输入项为通过特征扩充算法扩充后的100个特征；
从图8中我们可以看出,使用扩充后的特征对模型进行训练时，水体信息提取模型获得更高的准确率；图8至图12中,基于栈式自编码的水体信息提取模型的性能均优于其他模型；当数据量达到750000时，本实施例所提模型的准确率为97.98％(当输入特征为50时，对应准确率为95.54％)。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1研究区及数据源介绍
表2实验所选图像详细信息及验证样本
表3栈式自编码模型参数初始化
表4不同数据量的训练集与测试集
表5栈式自编码模型参数初始化
Claims (3)
1.一种卫星遥感图像水体识别方法，其特征在于包括以下步骤：
第一步，对遥感图像预处理，使用遥感图像处理软件ENVI对原始图像进行辐射定标和大气校正，确保图像的精准性；对处理后的图像进行裁剪，获取研究区对应高分遥感影像，借助遥感图像处理软件ENVI对高分遥感影像进行监督分类，使用最大似然法作为分类依据；
第二步，水体信息特征提取，选用归一化差异水体指数法作为水体信息提取的方法，采用基于MapReduce的分布式水体信息提取模型分别对单幅、两幅、四幅、六幅遥感图像进行水体识别并对比所耗费的时间，同时，引入加速比作为评价指标，计算公式如下：
其中，T1代表任务在单个节点下的运行所耗费的时间，Tp代表任务在由p个节点构成的并行***上运行所耗费的时间；
第三步，特征扩充，将每一幅遥感图像看作由许多像素点组成的网格，利用特征扩充算法，挖掘出目标像素点邻近区域像素点的特征，以此作为目标像素的新特征，具体过程如下：
(1)每个网格被映射成为一个像素点，选取一个像素点作为目标像素点o，以目标像素点o为圆心，并以r为半径画圆；
(2)设置目标像素点旳邻近像素点为oi,j，计算目标像素点与邻近像素点的距离dist(o,oi,j)；
(3)选取与目标像素点的距离小于给定半径的所有邻近像素点构成目标像素点的相关集；
(4)根据给定的特征算法及公式，计算相关集中的每个像素点相应的特征值，并计算所有邻近像素点的特征值的平均值；
(5)将得到所有的特征平均值作为目标像素点的新特征，构成新的特征集合；
第四步，水体信息精准提取，将第三步扩充后的多个特征值作为模型输入，训练深度学习模型，即堆栈式自动编码器SSAE；堆栈式自动编码器SSAE由若干层稀疏自编码器和Softmax分类器构成，采用逐层贪婪法进行训练，获取栈式自编码神经网络参数，对水体信息进行精准提取。
2.根据权利要求1所述的卫星遥感图像水体识别方法，其特征在于第一步中，遥感影像预处理包括3个步骤：(一)几何精校正与影像配准；(二)图像镶嵌与裁剪；(三)大气校正；具体方法与步骤介绍如下：
(一)几何精校正与影像配准
几何精校正是纠正影像的形状，使处理后的图像里的每个像素点与真实地图或标准影像的像素点一一对应，得到准确的地理坐标，它的具体步骤如下：
第一步：选取地面控制点，包括(1)参考地形图进行控制点的选取；(2)借助全球定位***在野外选取控制点；(3)直接在完成校正操作的影像上选取；
第二步：建立几何校正模型，包括(1)参照准确的地图，读出选取的所有地面控制点在图像上的像元坐标(x,y)以及其对应的参考地理坐标(X,Y)；(2)利用变换函数进行计算，为每个地面控制点赋予新的地理坐标(X',Y')；(3)通过公式计算(X,Y)与(X',Y')之间的均方根误差RMS；
(二)遥感图像的镶嵌与裁剪
第一步：镶嵌，拼接至少两幅图像构成一幅新的研究区图像，且进行图像镶嵌的所有图像须具有相同或相近的成像时间；
第二步：裁剪，单幅遥感图像通常包含多个区域，对目标区域之外的图像采用矩形块状或按条带进行裁剪；
(三)大气校正
消除遥感图像中存在的地物的反射率偏差，以精确确定地面所有地物的实际反射率。
3.根据权利要求1或2所述的卫星遥感图像水体识别方法，其特征在于第二步中，MapReduce的分布式水体信息提取模型的任务处理流程如下：
(1)数据分块与分配：MapReduce模型接收输入数据，对输入数据进行“分片”操作：将整体任务划分成若干个子任务，即把超大数据集中的数据划分成若干个大小相等的小“数据块”；随后，主节点将子任务分发到模型的从节点进行并行处理；
(2)Map映射：每一个Map任务对应接收并处理一个数据“分片”，将其映射成为一个<key，value>键值对，产生相应的中间结果；
(3)分区与排序：依据key值对中间结果进行排序和合并，将其作为Reduce函数的输入；
(4)Reduce规约：以组为单位对数据进行规约，将key值相同的value值进行合并；
(5)数据输出：将Reduce后最终产生的<key，value>键值对输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810532639.2A CN109086649A (zh) | 2018-05-29 | 2018-05-29 | 卫星遥感图像水体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810532639.2A CN109086649A (zh) | 2018-05-29 | 2018-05-29 | 卫星遥感图像水体识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109086649A true CN109086649A (zh) | 2018-12-25 |
Family
ID=64839199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810532639.2A Pending CN109086649A (zh) | 2018-05-29 | 2018-05-29 | 卫星遥感图像水体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086649A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥（上海）信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别***及方法 |
| CN110334656A (zh) * | 2019-07-08 | 2019-10-15 | 中国人民解放军战略支援部队信息工程大学 | 基于信源概率加权的多源遥感图像水体提取方法及装置 |
| CN111222539A (zh) * | 2019-11-22 | 2020-06-02 | 国际竹藤中心 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
| CN111723599A (zh) * | 2019-03-18 | 2020-09-29 | 华东师范大学 | 基于无人机影像植株定位信息自动提取的***及方法 |
| CN113360265A (zh) * | 2021-06-18 | 2021-09-07 | 特斯联科技集团有限公司 | 一种大数据运算任务调度和监控***及方法 |
| CN115376013A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查*** |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN117132902A (zh) * | 2023-10-24 | 2023-11-28 | 四川省水利科学研究院 | 基于自监督学习算法的卫星遥感影像水体识别方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
| CN107423431A (zh) * | 2017-08-03 | 2017-12-01 | 东北林业大学 | 一种基于分布式文件***的遥感数据存储方法及*** |
-
2018
- 2018-05-29 CN CN201810532639.2A patent/CN109086649A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
| CN107423431A (zh) * | 2017-08-03 | 2017-12-01 | 东北林业大学 | 一种基于分布式文件***的遥感数据存储方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 杨柳: "分布式遥感图像水体识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815880A (zh) * | 2019-01-20 | 2019-05-28 | 景遥（上海）信息技术有限公司 | 基于低空遥感影像和深度学习的水葫芦识别***及方法 |
| CN111723599A (zh) * | 2019-03-18 | 2020-09-29 | 华东师范大学 | 基于无人机影像植株定位信息自动提取的***及方法 |
| CN110334656B (zh) * | 2019-07-08 | 2021-09-21 | 中国人民解放军战略支援部队信息工程大学 | 基于信源概率加权的多源遥感图像水体提取方法及装置 |
| CN110334656A (zh) * | 2019-07-08 | 2019-10-15 | 中国人民解放军战略支援部队信息工程大学 | 基于信源概率加权的多源遥感图像水体提取方法及装置 |
| CN111222539A (zh) * | 2019-11-22 | 2020-06-02 | 国际竹藤中心 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
| CN111222539B (zh) * | 2019-11-22 | 2021-07-30 | 国际竹藤中心 | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 |
| CN113360265A (zh) * | 2021-06-18 | 2021-09-07 | 特斯联科技集团有限公司 | 一种大数据运算任务调度和监控***及方法 |
| CN115376013A (zh) * | 2022-07-19 | 2022-11-22 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查*** |
| CN115376013B (zh) * | 2022-07-19 | 2023-01-06 | 环球数科集团有限公司 | 一种基于卫星遥感监测的资源普查*** |
| CN116883853A (zh) * | 2023-01-12 | 2023-10-13 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN116883853B (zh) * | 2023-01-12 | 2024-05-28 | 河南大学 | 基于迁移学习的作物时空信息遥感分类方法 |
| CN117132902A (zh) * | 2023-10-24 | 2023-11-28 | 四川省水利科学研究院 | 基于自监督学习算法的卫星遥感影像水体识别方法及*** |
| CN117132902B (zh) * | 2023-10-24 | 2024-02-02 | 四川省水利科学研究院 | 基于自监督学习算法的卫星遥感影像水体识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086649A (zh) | 卫星遥感图像水体识别方法 | |
| CN108416686B (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
| CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
| Arnold | A new approach for dealing with depressions in digital elevation models when calculating flow accumulation values | |
| CN102521835B (zh) | 一种基于空间三维模板的点云数据树高提取方法 | |
| CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN106650618A (zh) | 一种基于随机森林模型的人口数据空间化方法 | |
| CN110084304A (zh) | 一种基于合成数据集的目标检测方法 | |
| CN107977992A (zh) | 一种基于无人机激光雷达的建筑物变化检测方法及装置 | |
| CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
| CN106875481B (zh) | 一种三维可视化遥感影像地表分类模型的制作方法 | |
| CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
| CN108520277A (zh) | 基于计算机视觉的钢筋混凝土结构地震损伤自动识别与智能定位方法 | |
| CN107247927A (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及*** | |
| CN110363299A (zh) | 面向露头岩层分层的空间案例推理方法 | |
| CN116595121A (zh) | 一种基于遥感技术数据显示监测*** | |
| CN103268423B (zh) | 一种地理现象多点模拟空间尺度选择的方法 | |
| CN113850822A (zh) | 一种基于汇流分割的斜坡单元自动划分方法 | |
| CN109635828A (zh) | 一种生态保护红线区典型地理国情要素提取***及方法 | |
| CN112966657A (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
| KR101063827B1 (ko) | 한국토지정보시스템 연속지적도와 수치지형도의 기하학적 지도 변환을 위한 반자동화된 공액점 쌍 추출방법 | |
| CN104809336A (zh) | 一种考虑空间相关性的区域要素抽样方法 | |
| CN107220615B (zh) | 一种融合兴趣点大数据的城市不透水面信息提取方法 | |
| CN113591668B (zh) | 一种使用深度学习和空间分析的广域未知大坝自动探测方法 | |
| CN115861793A (zh) | 一种基于最小累积阻力模型的区域生态安全格局构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
| RJ01 | Rejection of invention patent application after publication |