CN111767801B - 一种基于深度学习的遥感影像水域自动提取方法及*** - Google Patents
一种基于深度学习的遥感影像水域自动提取方法及*** Download PDFInfo
- Publication number
- CN111767801B CN111767801B CN202010493489.6A CN202010493489A CN111767801B CN 111767801 B CN111767801 B CN 111767801B CN 202010493489 A CN202010493489 A CN 202010493489A CN 111767801 B CN111767801 B CN 111767801B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- water area
- sensing image
- feature
- image
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于深度学习的遥感影像水域自动提取方法及***。先对遥感影像数据进行预处理,通过波段运算得到不同的水域指数,获取水域提取的先验特征信息,融合遥感影像数据和谷歌地图瓦片数据等实现多源特征信息融合,然后通过目视解译和矢量化构建数据集;训练、验证并测试由卷积神经网络搭建的语义分割模型WE‑Net;调用遥感影像水域分割模型WE‑Net实现水域的自动分类,输出二值化灰度图,该图即为分类和提取的结果。本发明的有益效果是:通过调用遥感影像水域分割模型即可实现提取研究区域中的水域,可以代替人工目视解译,节省人力物力,为高精度影像地图的更新,包括湖泊面积变化检测和水系变迁等,提供辅助技术支持。
Description
技术领域
本发明涉及地理信息领域,具体涉及地表水域领域,尤其涉及一种基于深度学习的遥感影像水域自动提取方法及***。
背景技术
河湖是地表水域最常见的表现形式,其常因气候变迁、土地利用和地壳活动等因素的变化而增加或减少,对地表水体变化的检测也对于湿地生态***保护与恢复、水生动植物保护、河流监管与污染治理等生态问题具有重要意义。随着遥感技术的不断发展,遥感影像逐渐成为提取地表水域变化的有效手段。传统遥感影像水体提取方法常采用人工目视解译,需要手动描绘,虽然精度很高但费时费力。此外,单波段阈值法、水体指数法均存在人为确定阈值、同谱异物、自动化程度低、实时性差等问题,难以及时快速的获取研究区水域范围。随后,机器学习方法如机器学习、支持向量机和K-means算法广泛应用于水域提取,但依然存在精度不高和泛化能力较弱等问题。
随着智慧城市建设的不断发展,对地物自动提取的要求不断提高,传统遥感水体提取方法明显无法满足需求,所以急需一种精度高、操作简单且成本低廉的方式实现水域的自动分类和提取。深度学习技术的迅速发展尤其是在卷积神经网络在计算机视觉上的应用,使得图像处理中目标检测和语义分割领域获得巨大成功,这也直接推动了将深度学习应用于遥感领域以解决地物分类、检测和提取等问题的研究。通过深度学习技术,并结合传统水体指数法,实现高精度、实时地提取水域。最后,将整个遥感影像水域提取的方法设置为一套完整的水域自动提取的方法和***,为与水域变化检测的相关的科学研究和项目实践提供技术支持和数据支撑。
发明内容
本发明要解决的技术问题在于,针对现有技术中遥感影像水域提取方法费时费力的技术缺陷,提供一种基于深度学习的遥感影像水域自动提取方法及***。
本发明解决其技术问题,所采用的技术原理是:本发明公开了一种基于深度学习的遥感影像水域自动提取方法模型,模型被称为WE-Net,通过训练、测试并调用遥感影像水域分割模型WE-Net实现遥感影像中水域的自动识别。所述高分辨率遥感影像自动分类方法包括以下步骤:P1:首先对遥感影像数据进行预处理,包括遥感影像的辐射校正、几何校正与研究区域裁剪;P2:通过波段运算得到不同的水域指数,获取水域提取的先验特征信息;P3:融合遥感影像数据和谷歌地图瓦片数据等实现多源特征信息融合,然后通过目视解译和矢量化构建数据集;P4:训练、验证并测试由卷积神经网络搭建的语义分割模型WE-Net;P5:调用遥感影像水域分割模型WE-Net实现水域的自动分类,输出一个png格式的二值化灰度图,该图即为分类和提取的结果;P6:通过长距离条件随机场对分类结果进行细调。本发明中只需对多波段遥感影像的光谱数据和雷达数据进行基本的图像处理和特征信息融合,调用遥感影像水域分割模型即可提取研究区域中的水域,模型在应用中可通过扩展数据集使得分类精度达到92.64%,可以代替人工目视解译,节省人力物力,为高精度影像地图的更新,包括湖泊面积变化检测和水系变迁等,提供辅助技术支持。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于深度学习的遥感影像水域自动提取方法的流程图;
图2是本发明实施例中构建遥感影像语义分割的遥感影像水域分割模型WE-Net实施框图的示意图;
图3是本发明实施例中构建残差学习模块RLU实施框图;
图4是本发明实施例中构建全局注意力模块GAB实施框图;
图5是本发明实施例中构建边界学习模块BLU实施框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于深度学习的遥感影像水域自动提取方法及***。
具体实施方式一、结合图1说明本实施方式,本实施方式所述的基于深度学习的遥感影像水域自动提取方法,它包括如下步骤:
步骤(1)、下载欧洲航天局的哨兵-2数据(S2AMSIL1C),打开CMD控制台,通过Sen2cor中的命令L2A_Process进行大气校正,通过SNAP软件对校正后的数据进行重采样(raster->geometricoperations->resampling),得到可使用ENVI5.3软件处理的遥感影像各波段数据。
步骤(2)、通过遥感影像处理软件ENVI5.3的波段运算工具计算出归一化差异水体指数NDWI(NDWI=(Green-NIR)/(Green+NIR))、改进的水体指数模型NDWI3(NDWI3=(NIR-SWIR-2)/(NIR+SWIR-2))、改进的归一化差异水体指数MNDWI(MNDWI=(Green-SWIR-1)/(Green+SWIR-1))、增强型水体指数EWI(EWI=(Green-NIR-SWIR-1)/(Green+NIR+SWIR-1))、归一化植被覆盖指数NDVI(NDVI=(NIR-Red)/(NIR+Red))、湿地森林指数WFI(WFI=(NIR-Red)/SWIR-2)),红绿蓝(Red、Green、Blue)三个可见光波段,以及近红外NIR、中红外SWIR-1和SWIR-2波段,每个波段数据或指数数据输出为一张灰度图,共12个灰度图。
步骤(3)、通过ArcGIS软件新建个人地理数据库->新建要素数据集->新建面矢量文件water.shp,加载红绿蓝三个波段组成真彩色影像和所述12个灰度图,并结合谷歌地图的瓦片数据,并根据遥感目视解译的方法矢量化出水域分布区域,并保存于面矢量文件water.shp中,将包含真实的水体分布区域的water.shp文件通过ArcToolBox中的工具ToRaster转成栅格文件,最终输出为png格式的灰度图water.png,将灰度图water.png二值化,使得水体区域的像素值为1,非水体区域的像素值为0,二值化后的water.png文件即为制作好的遥感影像水体区域的标签文件。
步骤(4)、调用python内opencv-python库函数中的imread函数读取所述12个灰度图和所述1个标签文件,并按步长为128、图像尺寸为256且一一对应进行裁剪,使得裁剪后的图片尺寸为256*256*1,分别保存在13个文件夹下;调用imgaug库函数对裁剪后的图像根据数据增强的方法,如裁剪、旋转、镜像变化和高斯加噪等一一对应进行变换和增广,以扩展数据集;最后统计所有数据的像素均值和标准差,对数据进行标准化;然后将归一化处理后所述多张图片进行划分,得到训练集、验证集和测试集。
步骤(5)、调用深度学习框架TensorFlow和Keras中的卷积层、池化层、上采样层、损失函数与激活函数,从而搭建基于深度学习的遥感影像水域分割模型WE-Net,其中分割模型在训练样本时有13个输入,分别尺度等于256*256*1的12个灰度图和一个二值化后的与每个灰度图一一对应的标签文件;分割模型WE-Net通过编码步骤、解码步骤、残差学习模块步骤、全局注意力模块步骤和边界学习单元步骤实现,将具体实施方式二中详述。
步骤(6)、根据两块NVIDIAGTX1080Ti显卡的计算性能和模型参数量,设置训练批量batchsize设为16和学习率参数learning设为0.001,调用train函数利用所述训练集对遥感影像水域分割模型WE-Net进行多轮迭代训练,并利用验证集对每一轮训练后的模型进行迭代验证;以训练轮数为横轴,以IOU值为纵轴对训练过程进行可视化,经过几十轮的训练之后,IOU先上升然后无限逼近某个IOU值,最后在该值附件保持小范围的波动,而接下来的几十轮训练中,IOU值不随轮数的增加而变化,则视为遥感影像水域分割模型已经收敛,保存模型参数,停止训练,防止过拟合;否则,若训练集和验证集的IOU不断变化,则回到步骤(4)修改批量和学习率参数,加载训练集重新训练;最后,通过test函数调用保存的遥感影像水域分割模型WE-Net,在测试集上计算的IOU值,评价遥感影像水域分割模型的精度。在本实施例中,遥感影像水域分割模型WE-Net的精度评价指标IOU在训练集到0.9401,验证集达到0.9326,并不再下降之后,保存模型,最后调用test函数在测试集检测精度IOU达到0.9264。
步骤(7)、在遥感影像水域分割模型输出水域自动提取的结果之后,再通过导向滤波GF和条件随机场模型CRF对该结果做后处理;导向滤波将标签文件视为导向图,以原始图像为输入图像,优化水域提取结果的边界,以消除椒盐噪声;条件随机场中的二元势函数对任意两个像素点间的颜色和位置进行约束,使得相近颜色和相邻位置的像素点更容易拥有相同的分类,同时考虑相邻像素点之间的平滑度,对边缘进行平滑,从而对语义分割结果进行细调。
步骤(8)、在训练并测试遥感影像水域分割模型WE-Net得到满意的结果之后,保存权值参数和网络模型为WE-Net.h5,这是ME-Net在训练后保存的权值文件。以本机为服务器通过flask框架发布REST服务;客户端通过base64编码工具base64.b64encode()将遥感影像转成的base64格式字符<img src=“data:image/png;base64,*”/>,通过post请求将字符传递给本机服务器;服务器响应post请求,并通过request.get_data()获取数据,再由base64.b64decode()解码出遥感影像,调用遥感影像水域分割模型WE-Net和后处理算法导向滤波GF和条件随机场CRF,实现水域自动提取,再将提取结果通过base64编码返回。
具体实施方式二、结合图2、图3、图4和图5说明本实施方式,本实施方式所述的遥感影像水域分割模型WE-Net,它包括如下步骤:
编码步骤:在编码阶段,通过卷积和池化提取水域的特征信息。编码阶段以12个灰度图为输入数据,通过卷积融合输入数据得到特征图,特征图每经过一个池化层就是一个尺度,包括原图尺度一共有5个尺度,即256*256*32、128*128*64、64*64*128、32*32*256和16*16*512;经过池化层后,特征图的尺寸大小减半且通道数加倍,再经过两个卷积神经网络提取图像的水域特征信息。
解码步骤:在解码阶段,通过卷积和4次上采样还原图像大小,得到水域提取的结果。解码阶段的特征图每上采样一次,就和编码阶段对应的尺寸大小相同的特征图经过全局注意力模块进行融合,再通过边界学习单元整合和提取特征图中水域部分的边界纹理信息;最终输出尺度大小为256*256*1的二值灰度图,若灰度图的取值为1则代表水域部分,为0则代表非水域部分;其中,损失函数设为二值交叉熵损失函数。
残差学习模块:在残差学习模块阶段,给网络添加一个快捷连接,提高信息流通的速度和网路训练的效率,同时增加两个卷积层提高模型提取特征信息的能力。残差学习模块以编码阶段尺度为2w*2h*c的特征图为输入,特征图经过c个3*3*c的卷积核做两次卷积后的结果直接与原特征图按像元一一对应sum相加,之后通过softmax进行变换和激活,这个通路被称为快捷连接,最终得到的特征图与原特征图的尺度一致,均为2w*2h*c;其中,w、h、c依次代表特征图的宽、高和通道数。
全局注意力模块:在全局注意力模块阶段,融合解码阶段的语义分割信息和编码阶段的位置信息,并通过全局平均池化加权的方式压缩并增强特征提取信息。全局注意力模块以编码阶段尺度为2w*2h*c和解码阶段尺度为w*h*2c的特征图为输入,先将解码阶段的特征图经过globalpool全局平均池化后得到特征信息,再以特征信息为编码阶段的特征图进行multiply加权得到新的特征图,新的特征图直接与编码阶段的特征图按像元sum相加,再使得解码阶段的特征图上采样后尺度变为2w*2h*2c,最后将unsample上采样后得到的特征图与加权后按sum相加的特征图按通道进行拼接concate得到融合后的特征图,该特征图的尺度为2w*2h*3c。
边界学习模块:在边界学习单元阶段,通过不同尺度的卷积层和快捷连接shortcut组成残差学习模块,并在支路上添加一个卷积核,消除因为特征图在上采样和融合不同尺度特征图的过程中产生的混叠效应,并学习不同尺度的遥感影像特征信息。边界学习单元以全局注意力模块阶段输出的特征图为输入,特征图要经过三个不同支路进行信息流通,第一个支路是一个快捷连接,不做数据变换,第二个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c,第三个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c后再经过c个尺度大小为3*3*c的卷积,将三个支路的特征图按像元进行相加,最后得到已消除混叠的特征图。
根据本发明的另一方面,本发明为解决其技术问题,本发明还提供了一种基于深度学习的遥感影像水域自动提取***,包含如下模块:
数据预处理模块,用于下载欧洲航天局的哨兵-2数据,通过Sen2cor中命令进行大气校正,通过SNAP软件对校正后的数据进行重采样,得到遥感影像各波段数据;
信息提取模块,用于通过遥感影像处理软件ENVI5.3的波段运算工具计算出归一化差异水体指数NDWI、改进的水体指数模型NDWI3、改进的归一化差异水体指数MNDWI、增强型水体指数EWI、新型水体指数NWI、归一化植被覆盖指数NDVI、湿地森林指数,红绿蓝(Red、Green、Blue)三个可见光波段,以及近红外NIR、中红外SWIR-1和SWIR-2波段,每个波段数据或指数数据输出为一张灰度图;
标签文件制作模块,用于通过ArcGIS软件新建水域面矢量文件water.shp,加载所述12个灰度图,并根据遥感目视解译的方法矢量化出水域分布区域,最终输出灰度图water.png,将灰度图water.png二值化,二值化后的water.png文件即为制作好的遥感影像水域分布区域的标签文件;
数据集生成模块,用于调用python内opencv-python的库函数读取所述的12个灰度图和所述标签文件,并按步长为128、图像尺寸为256且一一对应进行裁剪,使得裁剪后的图片尺寸为256*256*1,分别保存在13个文件夹下;调用imgaug库函数对裁剪后的图像根据数据增强的方法一一对应进行变换和增广,以扩展数据集;最后统计所有数据的像素均值和标准差,对数据进行标准化;然后将归一化处理后所述多张图片进行划分,得到训练集、验证集和测试集;
分类模型建立模块,用于调用深度学习框架TensorFlow和Keras中的卷积层、池化层、上采样层、损失函数与激活函数,从而搭建基于深度学习的遥感影像水域分割模型WE-Net,其中分割模型在训练样本时有13个输入,分别为12个灰度图和一个对应的标签文件;分割模型WE-Net通过如下编码步骤、解码步骤、全局注意力模块步骤和边界学习单元步骤实现;
编码模块:用于在编码阶段,通过卷积和池化提取水域的特征信息;编码阶段以12个灰度图为输入数据,通过卷积融合输入数据得到特征图,特征图每经过一个池化层就是一个尺度,包括原图尺度一共有5个尺度,即256*256*32、128*128*64、64*64*128、32*32*256和16*16*512;经过池化层后,特征图的尺寸大小减半且通道数加倍,再经过两个卷积神经网络提取图像的水域特征信息;
解码模块:用于在解码阶段,通过卷积和4次上采样还原图像大小,得到水域提取的结果。解码阶段的特征图每上采样一次,就和编码阶段对应的尺寸大小相同的特征图经过全局注意力模块进行融合,再通过边界学习单元整合和提取特征图中水域部分的边界纹理信息;最终输出尺度大小为256*256*1的二值灰度图,若灰度图的取值为1则代表水域部分,为0则代表非水域部分;
残差学习模块:用于在残差学习模块阶段,给网络添加一个快捷连接,提高信息流通的速度和网路训练的效率,同时增加两个卷积层提高模型提取特征信息的能力。残差学习模块以编码阶段尺度为2w*2h*c的特征图为输入,特征图经过c个3*3*c的卷积核做两次后的结果直接与原特征图按像元一一对应相加,之后通过softmax进行变换和激活,这个通路被称为快捷连接,最终得到的特征图与原特征图的尺度一致,均为2w*2h*c。
全局注意力模块:用于在全局注意力模块阶段,融合解码阶段的语义分割信息和编码阶段的位置信息,并通过全局平均池化加权的方式压缩并增强特征提取信息。全局注意力模块以编码阶段尺度为2w*2h*c和解码阶段尺度为w*h*2c的特征图为输入,先将解码阶段的特征图经过全局平均池化后得到特征信息,再以特征信息为权值为编码阶段的特征图进行加权得到新的特征图,再使得解码阶段的特征图上采样后尺度变为2w*2h*2c,最后将上采样后得到的特征图与加权后的特征图按通道进行拼接得到融合后的特征图,该特征图的尺度为2w*2h*3c。
边界学习模块:用于在边界学习单元阶段,通过不同尺度的卷积层和快捷连接shortcut组成残差学习模块,并在支路上添加一个卷积核,消除因为特征图在上采样和融合不同尺度特征图的过程中产生的混叠效应,并学习不同尺度的遥感影像特征信息。边界学习单元以全局注意力模块阶段输出的特征图为输入,特征图要经过三个不同支路进行信息流通,第一个支路是一个快捷连接,不做数据变换,第二个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c,第三个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c后再经过c个尺度大小为3*3*c的卷积,将三个支路的特征图按像元进行相加,最后得到已消除混叠的特征图。
模型训练模块,用于根据显卡的计算性能和模型参数量,设置训练批量batchsize和学习率参数learning,调用train函数利用所述训练集对遥感影像水域分割模型WE-Net进行迭代训练,并利用验证集对每一轮训练后的模型进行验证;以训练轮数为横轴,以IOU值为纵轴对训练过程进行可视化,经过几十轮的训练之后,IOU先上升然后无限逼近某个IOU值,最后在该值附件保持小范围的波动,而接下来的几十轮训练中,IOU值不随轮数的增加而变化,则视为模型已经收敛,保存模型参数,停止训练,防止过拟合;否则,若训练集和验证集的IOU不断变化,则回到步骤S4修改批量和学习率参数,加载训练集重新训练;最后,通过test函数调用保存的遥感影像水域分割模型WE-Net,在测试集上计算的IOU值,评价模型的精度。
模型细调模块,用于在训练好后的遥感影像水域分割模型输出水域自动提取的结果之后,也就是输出分割结果之后,再通过导向滤波GF和条件随机场模型CRF对结果做后处理;导向滤波将标签文件视为导向图,以原始图像为输入图像,优化水域提取结果的边界,以消除椒盐噪声;条件随机场中的二元势函数对任意两个像素点间的颜色和位置进行约束,使得相近颜色和相邻位置的像素点更容易拥有相同的分类,同时考虑相邻像素点之间的平滑度,对边缘进行平滑,从而对语义分割结果进行细调。
模型应用模块,用于在训练并测试遥感影像水域分割模型WE-Net,得到满意的结果之后,保存权值参数和网络模型WE-Net.h5,以本机为服务器通过flask框架发布REST服务;客户端通过base64编码工具将遥感影像转成的base64格式字符,通过post请求将字符传递给本机服务器;服务器响应post请求,解码出遥感影像,调用遥感影像水域分割模型WE-Net和后处理算法导向滤波GF和条件随机场CRF,实现水域自动提取,再将提取结果通过base64编码返回至客户端。
本发明的有益效果是:只需对多波段遥感影像的光谱数据和雷达数据进行基本的图像处理和特征信息融合,调用遥感影像水域分割模型即可提取研究区域中的水域,模型在应用中可通过扩展数据集使得分类精度达到92.64%,可以代替人工目视解译,节省人力物力,为高精度影像地图的更新,包括湖泊面积变化检测和水系变迁等,提供辅助技术支持。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的遥感影像水域自动提取方法,其特征在于:包括以下步骤:
S1:将某一遥感影像的光谱数据进行大气校正,并对校正后的数据进行重采样,得到遥感影像各波段数据;
S2:通过遥感影像处理软件的波段运算工具,对所述遥感影像各波段数据进行归一化处理,分别计算出归一化差异水体指数NDWI、改进的水体指数模型NDWI3、改进的归一化差异水体指数MNDWI、增强型水体指数EWI、新型水体指数NWI、归一化植被覆盖指数NDVI及湿地森林指数,并标识红、绿、蓝三个可见光波段,以及近红外NIR、中红外SWIR-1和SWIR-2波段,每个波段数据或上述指数数据输出为一张灰度图,由此得到12个灰度图;
S3:通过ArcGIS软件新建水域面矢量文件,加载所述12个灰度图,并根据遥感目视解译的方法矢量化出水域分布区域,最终输出12个处理后的灰度图,对处理后的灰度图进行二值化处理,得到遥感影像水域分布区域的一个标签文件;
S4:调用python内opencv-python库函数读取所述12个处理后的灰度图和对应的标签文件,按步长m和图像尺寸n一一对应进行裁剪,使得裁剪后的图像尺寸为n*n*1,m和n均为大于0的正整数,分别保存在若干个文件夹下;
调用imgaug库函数对裁剪后的所有图像根据数据增强的方法一一进行变换和增广处理,得到扩展后的数据集;最后分别统计数据集中各个图像的像素均值和标准差,对数据进行标准化处理;然后对数据集中的所有图像进行归一化处理,将归一化后的所有图像进行划分,得到训练集、验证集和测试集;
S5:调用深度学习框架TensorFlow和Keras中的卷积层、池化层、上采样层、损失函数与激活函数,搭建基于深度学习的遥感影像水域分割模型,该遥感影像水域分割模型在训练样本时有13个输入,分别为12个灰度图和一个对应的标签文件;
所述遥感影像水域分割模型是通过以下的编码阶段、解码阶段、残差学习模块阶段、全局注意力模块阶段和边界学习单元阶段进行实现的:
在编码阶段,通过卷积和池化提取水域的特征信息;
在解码阶段,通过卷积和4次上采样还原图像大小,得到水域提取的结果;
在残差学习模块阶段,在卷积神经网络中设置一个快捷连接,以提高信息流通的速度和网路训练的效率,同时增加两个卷积层提高模型提取特征信息的能力;残差学习模块以编码阶段尺度大小为2w*2h*c的特征图为输入,特征图经过两个3*3*c*c的卷积核后的结果直接与原特征图按像元一一对应相加,之后通过softmax进行变换和激活,这个通路被称为快捷连接,最终得到的特征图与原特征图的尺度大小一致,均为2w*2h*c;
在全局注意力模块阶段,融合解码阶段的语义分割信息和编码阶段的位置信息,并通过全局平均池化加权的方式压缩并增强特征提取信息;全局注意力模块以编码阶段尺度为2w*2h*c和解码阶段尺度为w*h*2c的特征图为输入,先将解码阶段的特征图经过全局平均池化后得到特征信息,再以特征信息为权值为编码阶段的特征图进行加权得到新的特征图,再使得解码阶段的特征图上采样后尺度变为2w*2h*2c,最后将上采样后得到的特征图与加权后的特征图按通道进行拼接得到融合后的特征图,该特征图的尺度为2w*2h*3c;
在边界学习单元阶段,通过不同尺度的卷积层和快捷连接shortcut组成残差学习模块,并在支路上添加一个卷积核,消除因为特征图在上采样和融合不同尺度特征图的过程中产生的混叠效应,并学习不同尺度的遥感影像特征信息;边界学习单元以全局注意力模块阶段输出的特征图为输入,特征图要经过三个不同支路进行信息流通,第一个支路是一个快捷连接,不做数据变换,第二个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c,第三个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c后再经过c个尺度大小为3*3*c的卷积,将三个支路的特征图按像元进行相加,最后得到已消除混叠的特征图;
其中,上述w、h、c分别代表特征图的宽、高和通道数;
S6:根据显卡的计算性能和模型参数量,设置训练批量batch size和学习率参数learning,调用train函数利用所述训练集对所述遥感影像水域分割模型进行迭代训练,并利用验证集和测试集对每一轮训练后的遥感影像水域分割模型进行验证及测试;当遥感影像水域分割模型已经收敛时,得到并保存训练好后的遥感影像水域分割模型;
S7:在训练好后的遥感影像水域分割模型的输出分割结果之后,通过导向滤波GF和条件随机场模型CRF对该分割结果进行细调处理;其中,导向滤波GF将标签文件视为导向图,以原始图像为输入图像,优化水域提取结果的边界,以消除椒盐噪声;条件随机场模型CRF中的二元势函数对任意两个像素点间的颜色和位置进行约束,使得相近颜色和相邻位置的像素点更容易拥有相同的分类,同时根据相邻像素点之间的平滑度,对边缘进行平滑;
S8:以本机为服务器通过flask框架发布REST服务;客户端通过base64编码工具将遥感影像转成的base64格式字符,通过post请求将字符传递给本机服务器;本机服务器响应post请求,解码出实际的遥感影像,对该实际的遥感影像调用训练好后的遥感影像水域分割模型和后处理算法导向滤波GF和条件随机场模型CRF,实现水域的自动提取,并将提取结果通过base64编码返回至客户端。
2.如权利要求1所述的一种基于深度学习的遥感影像水域自动提取方法,其特征在于:步骤S4中,12个灰度图及该12个灰度图对应的标签文件的尺寸均为n*n*1。
3.如权利要求1所述的一种基于深度学习的遥感影像水域自动提取方法,其特征在于:编码阶段以12个灰度图为输入数据,通过卷积融合输入数据得到特征图,特征图每经过一个池化层就是一个尺度,包括原图尺度一共有5个尺度,即256*256*32、128*128*64、64*64*128、32*32*256和16*16*512;经过池化层后,特征图的尺寸减半且通道数加倍,再经过两个卷积神经网络提取图像的水域特征信息。
4.如权利要求2所述的一种基于深度学习的遥感影像水域自动提取方法,其特征在于:n=256时,解码阶段的特征图每采样一次,就和编码阶段对应的尺寸相同的特征图经过全局注意力模块进行融合,再通过边界学习单元整合和提取特征图中水域部分的边界纹理信息;最终输出尺寸为256*256*1的二值灰度图,若二值化灰度图的取值为1则代表水域部分,为0则代表非水域部分。
5.一种基于深度学习的遥感影像水域自动提取***,其特征在于:包括以下模块:
数据预处理模块,用于某一遥感影像的光谱数据进行大气校正,并对校正后的数据进行重采样,以得到遥感影像各波段数据;
信息提取模块,用于通过遥感影像处理软件的波段运算工具,对所述遥感影像各波段数据进行归一化处理,分别计算出归一化差异水体指数NDWI、改进的水体指数模型NDWI3、改进的归一化差异水体指数MNDWI、增强型水体指数EWI、新型水体指数NWI、归一化植被覆盖指数NDVI及湿地森林指数,并标识红、绿、蓝三个可见光波段,以及近红外NIR、中红外SWIR-1和SWIR-2波段,每个波段数据或上述指数数据输出为一张灰度图,由此得到12个灰度图;
标签文件制作模块,用于通过ArcGIS软件新建水域面矢量文件water.shp,加载所述12个灰度图,并根据遥感目视解译的方法矢量化出水域分布区域,最终输出灰度图water.png,将灰度图water.png二值化,二值化后的water.png文件即为制作好的遥感影像水域分布区域的标签文件;
数据集生成模块,用于调用python内opencv-python的库函数读取所述的12个灰度图和所述标签文件,并按步长为128、图像尺寸为256且一一对应进行裁剪,使得裁剪后的图片尺寸为256*256*1,分别保存在13个文件夹下;调用imgaug库函数对裁剪后的图像根据数据增强的方法一一对应进行变换和增广,以扩展数据集;最后统计所有数据的像素均值和标准差,对数据进行标准化;然后将归一化处理后多张图片进行划分,得到训练集、验证集和测试集;
分类模型建立模块,用于调用深度学习框架TensorFlow和Keras中的卷积层、池化层、上采样层、损失函数与激活函数,从而搭建基于深度学习的遥感影像水域分割模型WE-Net,其中分割模型在训练样本时有13个输入,分别为12个灰度图和一个对应的标签文件;分割模型WE-Net通过如下编码步骤、解码步骤、残差学习模块、全局注意力模块步骤和边界学习单元步骤实现;
编码模块:用于在编码阶段,通过卷积和池化提取水域的特征信息;编码阶段以12个灰度图为输入数据,通过卷积融合输入数据得到特征图,特征图每经过一个池化层就是一个尺度,包括原图尺度一共有5个尺度,即256*256*32、128*128*64、64*64*128、32*32*256和16*16*512;经过池化层后,特征图的尺寸大小减半且通道数加倍,再经过两个卷积神经网络提取图像的水域特征信息;
解码模块:用于在解码阶段,通过卷积和4次上采样还原图像大小,得到水域提取的结果;解码阶段的特征图每上采样一次,就和编码阶段对应的尺寸大小相同的特征图经过全局注意力模块进行融合,再通过边界学习单元整合和提取特征图中水域部分的边界纹理信息;最终输出尺度大小为256*256*1的二值灰度图,若灰度图的取值为1则代表水域部分,为0则代表非水域部分;
残差学习模块:用于在残差学习模块阶段,为卷积神经网络设置一个快捷连接,提高信息流通的速度和网路训练的效率,同时增加两个卷积层提高模型提取特征信息的能力;残差学习模块以编码阶段尺度为2w*2h*c的特征图为输入,特征图经过c个3*3*c的卷积核做两次卷积的结果直接与原特征图按像元一一对应相加,之后通过softmax进行变换和激活,这个通路被称为快捷连接,最终得到的特征图与原特征图的尺度一致,均为2w*2h*c;
全局注意力模块:用于在全局注意力模块阶段,融合解码阶段的语义分割信息和编码阶段的位置信息,并通过全局平均池化加权的方式压缩并增强特征提取信息;全局注意力模块以编码阶段尺度为2w*2h*c和解码阶段尺度为w*h*2c的特征图为输入,先将解码阶段的特征图经过全局平均池化后得到特征信息,再以特征信息为权值为编码阶段的特征图进行加权得到新的特征图,再使得解码阶段的特征图上采样后尺度变为2w*2h*2c,最后将上采样后得到的特征图与加权后的特征图按通道进行拼接得到融合后的特征图,该特征图的尺度为2w*2h*3c;
边界学习模块:用于在边界学习单元阶段,通过不同尺度的卷积层和快捷连接shortcut组成残差学习模块,并在支路上添加一个卷积核,消除因为特征图在上采样和融合不同尺度特征图的过程中产生的混叠效应,并学习不同尺度的遥感影像特征信息;边界学习单元以全局注意力模块阶段输出的特征图为输入,特征图要经过三个不同支路进行信息流通,第一个支路是一个快捷连接,不做数据变换,第二个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c,第三个支路经过c个大小为3*3*3c的卷积后将特征图的尺度大小由2w*2h*3c变为2w*2h*c后再经过c个尺度大小为3*3*c的卷积,将三个支路的特征图按像元进行相加,最后得到已消除混叠的特征图;
模型训练模块,用于根据显卡的计算性能和模型参数量,设置训练批量batch size和学习率参数learning,调用train函数利用所述训练集对遥感影像水域分割模型WE-Net进行迭代训练,并利用验证集对每一轮训练后的遥感影像水域分割模型WE-Net进行验证;以训练轮数为横轴,以IOU值为纵轴对训练过程进行可视化,经过几十轮的训练之后,IOU先上升然后无限逼近某个IOU值,则遥感影像水域分割模型WE-Net已经收敛,保存遥感影像水域分割模型WE-Net参数,停止训练;最后,通过test函数调用保存的遥感影像水域分割模型WE-Net,在测试集上计算的IOU值,评价遥感影像水域分割模型WE-Net的精度;
模型细调模块,用于在训练好后的遥感影像水域分割模型输出水域自动提取的结果之后,再通过导向滤波GF和条件随机场模型CRF对结果做后处理;导向滤波将标签文件视为导向图,以原始图像为输入图像,优化水域提取结果的边界,以消除椒盐噪声;条件随机场中的二元势函数对任意两个像素点间的颜色和位置进行约束,使得相近颜色和相邻位置的像素点更容易拥有相同的分类,同时考虑相邻像素点之间的平滑度,对边缘进行平滑,从而对语义分割结果进行细调;
模型应用模块,用于在训练并测试遥感影像水域分割模型WE-Net,满足预设精度之后,保存权值参数,得到并保存网络模型WE-Net.h5,以本机为服务器通过flask框架发布REST服务;客户端通过base64编码工具将遥感影像转成的base64格式字符,通过post请求将字符传递给本机服务器;服务器响应post请求,解码出遥感影像,调用遥感影像水域分割模型WE-Net和后处理算法导向滤波GF和条件随机场CRF,实现水域自动提取,再将提取结果通过base64编码返回至客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493489.6A CN111767801B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习的遥感影像水域自动提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493489.6A CN111767801B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习的遥感影像水域自动提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767801A CN111767801A (zh) | 2020-10-13 |
CN111767801B true CN111767801B (zh) | 2023-06-16 |
Family
ID=72719334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493489.6A Active CN111767801B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习的遥感影像水域自动提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767801B (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10678244B2 (en) | 2017-03-23 | 2020-06-09 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
SG11202103493QA (en) | 2018-10-11 | 2021-05-28 | Tesla Inc | Systems and methods for training machine models with augmented data |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
CN112365508A (zh) * | 2020-11-03 | 2021-02-12 | 云南电网有限责任公司昆明供电局 | 基于视觉注意与残差网络的sar遥感图像水域分割方法 |
CN112258539B (zh) * | 2020-11-13 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 水系数据处理方法、装置、电子设备及可读存储介质 |
CN112508986B (zh) * | 2020-12-04 | 2022-07-05 | 武汉大学 | 一种基于深度卷积网络与随机场的水位测量方法 |
CN112508106B (zh) * | 2020-12-08 | 2024-05-24 | 大连海事大学 | 一种基于卷积神经网络的水下图像分类方法 |
CN112561876B (zh) * | 2020-12-14 | 2024-02-23 | 中南大学 | 基于图像的池塘和水库的水质检测方法及*** |
CN112989919B (zh) * | 2020-12-25 | 2024-04-19 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN112883900B (zh) * | 2021-03-12 | 2022-03-04 | 中科三清科技有限公司 | 遥感影像裸地反演可视图的方法及装置 |
CN113269028B (zh) * | 2021-04-07 | 2022-02-11 | 南方科技大学 | 一种基于深度卷积神经网络的水体变化检测方法和*** |
CN113239972A (zh) * | 2021-04-19 | 2021-08-10 | 温州医科大学 | 一种面向医学影像的人工智能辅助诊断模型构建*** |
CN113643235B (zh) * | 2021-07-07 | 2023-12-29 | 青岛高重信息科技有限公司 | 一种基于深度学习的芯片计数方法 |
CN113591633B (zh) * | 2021-07-18 | 2024-04-30 | 武汉理工大学 | 基于动态自注意力Transformer的面向对象土地利用信息解译方法 |
CN113840127B (zh) * | 2021-08-12 | 2024-02-27 | 长光卫星技术股份有限公司 | 一种卫星视频影像获取水域自动掩膜处理dsm的方法 |
CN113642663B (zh) * | 2021-08-24 | 2022-03-22 | 中国水利水电科学研究院 | 一种卫星遥感影像水体提取方法 |
CN113538425B (zh) * | 2021-09-16 | 2021-12-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 可通行水域分割设备、图像分割模型训练和图像分割方法 |
CN114565657B (zh) * | 2021-12-24 | 2023-08-15 | 西安电子科技大学 | 基于边缘梯度和方向纹理提取遥感影像中河宽方法 |
CN114332637B (zh) * | 2022-03-17 | 2022-08-30 | 北京航空航天大学杭州创新研究院 | 遥感影像水体提取方法、遥感影像水体提取的交互方法 |
CN114998738B (zh) * | 2022-06-10 | 2024-06-14 | 湖南大学 | 一种基于置信度滤波的水体图像提取方法及其*** |
CN115170979B (zh) * | 2022-06-30 | 2023-02-24 | 国家能源投资集团有限责任公司 | 一种多源数据融合的矿区精细用地分类方法 |
CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及*** |
CN116452985B (zh) * | 2023-02-21 | 2023-10-31 | 清华大学 | 地表水监测方法、装置、计算机设备和存储介质 |
CN116030352B (zh) * | 2023-03-29 | 2023-07-25 | 山东锋士信息技术有限公司 | 融合多尺度分割和超像素分割的长时序土地利用分类方法 |
CN116452901B (zh) * | 2023-06-19 | 2023-09-15 | 中国科学院海洋研究所 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
CN116481600B (zh) * | 2023-06-26 | 2023-10-20 | 四川省林业勘察设计研究院有限公司 | 一种高原林业生态监测预警***及方法 |
CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和*** |
CN117392539B (zh) * | 2023-10-13 | 2024-04-09 | 哈尔滨师范大学 | 一种基于深度学习的河流水体识别方法、电子设备及存储介质 |
CN117409203B (zh) * | 2023-11-14 | 2024-04-02 | 自然资源部国土卫星遥感应用中心 | 一种浅水湖泊面积提取的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185891B1 (en) * | 2016-07-08 | 2019-01-22 | Gopro, Inc. | Systems and methods for compact convolutional neural networks |
CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7400770B2 (en) * | 2002-11-06 | 2008-07-15 | Hrl Laboratories | Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks |
-
2020
- 2020-06-03 CN CN202010493489.6A patent/CN111767801B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185891B1 (en) * | 2016-07-08 | 2019-01-22 | Gopro, Inc. | Systems and methods for compact convolutional neural networks |
CN109325395A (zh) * | 2018-04-28 | 2019-02-12 | 二十世纪空间技术应用股份有限公司 | 图像的识别方法、卷积神经网络模型的训练方法及装置 |
CN110781775A (zh) * | 2019-10-10 | 2020-02-11 | 武汉大学 | 一种多尺度特征支持的遥感影像水体信息精确分割方法 |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及*** |
Non-Patent Citations (3)
Title |
---|
Water Body Extraction From Very High-Resolution Remote Sensing Imagery Using Deep U-Net and a Superpixel-Based Conditional Random Field Model;Wenqing Feng,et.al;IEEE Geoscience and Remote Sensing Letters;全文 * |
基于优化导向滤波算法的遥感图像预处理仿真;么鸿原等;计算机仿真;第36卷(第9期);301-302 * |
基于深度学习的高分遥感影像水体提取模型研究;陈前,等;地理与地理信息科学;第35卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111767801A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767801B (zh) | 一种基于深度学习的遥感影像水域自动提取方法及*** | |
CN110852225B (zh) | 基于深度卷积神经网络的遥感影像红树林提取方法及*** | |
CN109919206B (zh) | 一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法 | |
CN109934153B (zh) | 基于门控深度残差优化网络的建筑物提取方法 | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及*** | |
Chang et al. | Multisensor satellite image fusion and networking for all-weather environmental monitoring | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及*** | |
CN113239736B (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及*** | |
CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
CN116091937A (zh) | 基于深度学习的高分辨率遥感影像地物识别模型计算方法 | |
CN115527027A (zh) | 一种基于多特征融合机制的遥感影像地物分割方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN113516059B (zh) | 固体废弃物的识别方法、装置、电子设备及存储介质 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
Shun et al. | Research on remote sensing image extraction based on deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |