CN113486705A - 一种洪水监测信息提取方法、装置、设备及存储介质 - Google Patents
一种洪水监测信息提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113486705A CN113486705A CN202110557843.1A CN202110557843A CN113486705A CN 113486705 A CN113486705 A CN 113486705A CN 202110557843 A CN202110557843 A CN 202110557843A CN 113486705 A CN113486705 A CN 113486705A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- polarized
- information extraction
- monitoring 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
- 238000000605 extraction Methods 0.000 title claims abstract description 115
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 92
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 238000012795 verification Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 46
- 230000003595 spectral effect Effects 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 230000010287 polarization Effects 0.000 claims description 51
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000005570 vertical transmission Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 50
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 230000005571 horizontal transmission Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000003809 water extraction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种洪水监测信息提取方法、装置、设备及存储介质,涉及水利应用技术领域,该方法包括以下步骤:将待预测影像输入至图像语义分割网络模型中,得到所述待预测影像的水体信息分布图;其中,所述图像语义分割网络模型是基于样本影像对应的训练集以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍生处理得到的,本发明可以更加精确地提取洪水监测信息,同时适用的场合更广,具有更好的推广价值。
Description
技术领域
本发明涉及水利应用技术领域,尤其涉及一种洪水监测信息提取 方法、装置设备及存储介质。
背景技术
洪涝灾害作为严重威胁人类生存和发展的自然灾害之一,具有发 生速度快、频率高、影响范围广、淹没区农田、居民区等区域等特点, 危害着社会的稳定和团结,严重影响着人们生活安全,造成大量的经 济损失。根据水利部公布的《中国水旱灾害公报》显示,洪涝灾害给 我国的经济发展带来了很大挑战。为了减少洪涝灾害对人民对国家造 成的损失,及时准确的监测洪水并获取洪水的时空分布信息具有十分 重要的意义。
传统的洪水监测方法主要是通过固定的水文站来估算洪水信息, 然而该方法效率低,而且无法准确掌握洪水的时空分布信息,其在实 际减灾过程中难以发挥巨大作用。遥感技术具有覆盖范围广、重访时 间短等优势,其逐渐成为洪水监测的主要方法。然而,由于洪水发生 期间通常伴随着恶劣天气,使得光学传感器受到云层和降雨的影响, 一般难以提供无云高质量的光学影像。相反,合成孔径雷达(Synthetic Aperture Radar,SAR)凭借其全天时、全天候的工作能力,不受云、 雨、天气的影响,成为监测洪水的首要技术手段。传统的基于SAR 影像的洪水监测信息提取方法主要可以分为两种类型,分别为阈值法 和面向对象法。其中阈值法计算速度快,原理简单,计算量小,应用 最为广泛,常用的阈值法有大津法(Otsu)全局阈值法、局部阈值法、 指数法等。然而,阈值法在处理大面积遥感影像时效果较差,且其只 考虑像元本身的信息,忽略了地物纹理、地形和颜色等特征,从而使得水体提取结果比较离散,细小的河流的不能被准确提取出来。面向 对象法以影像对象为基本提取单元,不仅考虑地物的光谱特征,同时 考虑其形状特征以及纹理特征等,因此提取结果的一致性较高,且不 易存在因影像斑点噪声所致的“椒盐效应”,但其受分割尺度影响较 大,影像对象的分类规则需要大量的经验,因此上述限制了面向对象 法的大规模推广应用。
现代的洪涝灾害应急响应要求精度高和时效性强的洪水监测方 法,然而传统的洪水监测信息提取方法提取到的水体信息难以满足目 前的要求,因此,精度更高的洪水监测信息提取方法,并将其应用在 洪水监测中,得到精度更高和时效性更强的洪水监测具有重要意义。
发明内容
本发明提供一种洪水监测信息提取方法、装置设备及存储介质, 用以解决现有技术中传统洪水监测信息提取方法无法满足精度和时 效性要求的缺陷,实现更加精确地提取洪水监测信息,同时适用的场 合更广,具有更好的推广价值。
本发明提供一种洪水监测信息提取方法,包括以下步骤:
将待预测影像输入至图像语义分割网络模型中,得到所述待预测 影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集 以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影 像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到 的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处 理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍 生处理得到的。
根据本发明提供的洪水监测信息提取方法,所述图像语义分割网 络模型通过以下步骤训练得到:
对样本影像分别进行多极化处理,得到所述第一极化影像和所述 第二极化影像;
对第一极化影像和第二极化影像进行衍生处理,得到光谱特征影 像;
将第一极化影像、第二极化影像以及光谱特征影像叠加组合得到 的所述数据集;
对数据集进行划分,得到所述训练集和所述验证集;
根据训练集和验证集得到对应的训练识别结果和验证识别结果;
将训练集和验证集作为训练使用的输入数据,将训练集对应的所 述训练识别结构作为训练集的标签,将验证集对应的验证识别结果作 为验证集的标签,采用深度学习方式进行训练,得到用于生成所述待 预测影像的所述水体信息分布图的图像语义分割网络模型。
根据本发明提供的洪水监测信息提取方法,根据训练集和验证集 得到对应的训练识别结果和验证识别结果中还包括以下步骤:
对训练集、验证集以及训练集、验证集对应的标签进行规则网裁 剪和数据增强;其中,所述数据增强包括水平翻转、垂直翻转和对角 镜像操作。
根据本发明提供的洪水监测信息提取方法,对样本影像分别进行 多极化处理,得到所述第一极化影像和所述第二极化影像之前还包括 以下步骤:
对样本影像进行预处理;其中,所述预处理包括轨道校正、热噪 声去除、辐射定标、相干斑滤波、地形校正、分贝化、裁剪和镶嵌中 的一种或者多种的组合。
根据本发明提供的洪水监测信息提取方法,所述多极化处理包括 垂直发射垂直接收极化处理以及垂直发射水平接收极化处理。
根据本发明提供的洪水监测信息提取方法,所述图像语义分割网 络模型为U-Net网络模型。
根据本发明提供的洪水监测信息提取方法,所述图像语义分割网 络模型的损失函数采用忽略边缘交叉熵函数。
本发明还提供一种洪水监测装置,包括:
信息提取模块,用于将待预测影像输入至图像语义分割网络模型 中,得到所述待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集 以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影 像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到 的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处 理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍 生处理得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储 器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时 实现如上述任一种所述洪水监测信息提取方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算 机程序,该计算机程序被处理器执行时实现如上述任一种所述洪水监 测信息提取方法的步骤。
本发明提供的一种洪水监测信息提取方法、装置设备及存储介质, 通过使用改进后的图像语义分割网络模型,使得从待预测影像中得到 的水体信息分布图提取精度更高,且待预测影像能够使用到分辨率更 高的SAR影像,进而使得之后根据水体信息分布图获取到的洪水监 测结果精度更高以及时效性更强,能够更加及时准确地监测洪水,同 时适用的场合更广,具有更好的推广价值。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见 地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术 人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得 其他的附图。
图1是本发明提供的洪水监测信息提取方法的流程示意图;
图2是本发明提供的洪水监测信息提取方法中步骤S100具体的 流程示意图之一;
图3是本发明提供的洪水监测信息提取方法中步骤S100具体的 流程示意图之二;
图4为本发明提供的洪水监测信息提取方法中U-Net网络模型的 网络结构示意图;
图5为本发明提供的洪水监测信息提取方法中检验时的流程示 意图;
图6为本发明提供的洪水监测信息提取方法中检验时的影像结 果图;
图7为本发明提供的洪水监测信息提取方法与其他方法时对比 时的精度检验区域所用影像图;
图8是本发明提供的洪水监测信息提取装置的流程示意图;
图9是本发明提供的洪水监测信息提取装置中信息提取模块具 体的结构示意图之一;
图10是本发明提供的洪水监测信息提取装置中信息提取模块具 体的结构示意图之二;
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发 明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然, 所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提 下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的洪水监测信息提取方法,该洪水监测 信息提取方法包括以下步骤:
S100、将待预测影像输入至图像语义分割网络模型中,得到待预 测影像的水体信息分布图。其中,图像语义分割网络模型是基于样本 影像对应的训练集以及验证集训练得到的,训练集和验证集是对由第 一极化影像、第二极化影像以及光谱特征影像叠加组合得到的数据集 划分得到的,第一极化影像和第二极化影像是对样本影像极化处理后 得到的,光谱特征影像是由第一极化影像、第二极化影像衍生处理得 到的。
在步骤S100中,图像语义分割网络模型采用的是U-Net网络模 型。
传统的基于卷积神经网络的光学影像水体信息提取方法由于需 要对影像中每个像素进行分类,使得其计算效率低,计算机存储开销 大,且分类的性能以及提取精度等均受到限制。在此背景下,Long 等人于2015年提出了基于全卷积网络(fully convolutionalnetwork, FCN)的语义分割方法,对图像进行像素级的分类,从而解决了语义 级别的图像分割问题。随后,Ronneberger等人提出了一种U形对称 网络模型,即U-Net网络模型,该网络能融合低维与高维的特征,使 图像语义分割精度得到较大提高。经典的U-Net网络模型的结构是基 于全卷积网络拓展和修改而来,网络结构清晰优雅呈U状,是目前 最受欢迎的图像分割模型之一。
目前基于SAR影像的洪水监测信息提取方法中,大多数方法是 针对大范围应用的中低分辨率SAR影像开发的,对于高分辨率SAR 影像和要求非常准确的洪水时空分布信息提取并不完全适用。
近年来,深度学习凭借其强大的特征提取能力在遥感水体提取领 域得到了广泛应用,但现有结合深度学习提取水体的研究主要侧重于 光学影像方面,对于SAR影像的研究相对较少。由于SAR影像上随 机分布的斑点噪声以及复杂的洪水淹没场景,这阻碍了基于SAR影 像的深度学习对洪水的识别和监测。同时,SAR影像通常是双极化 数据,极化波段相对较少,单独根据地物的后向散射系数、纹理和轮 廓等特征难以区分水体和阴影,导致水体提取精度不高。于是将深度 学习应用于水体信息提取需要改进现有的深度学习网络模型,使其适 合于高分辨率的SAR影像。
在步骤S100中,采用的是改进后的U-Net网络模型,目的是为 了适应高分辨率的SAR影像,进而使得从高分辨率的SAR影像提取 的水体信息更加符合洪水监测的要求。
之后可以根据步骤S100得到的水体信息分布图,获取洪水监测 结果。
由于步骤S100中使用的是改进后的U-Net网络模型,使得从待 预测影像中得到的水体信息分布图提取精度更高,且待预测影像能够 使用到分辨率更高的SAR影像,进而使得根据步骤S100得到的水体 信息分布图获取到的洪水监测结果精度更高以及时效性更强。
本发明的洪水监测信息提取方法,通过使用改进后的图像语义分 割网络模型,使得从待预测影像中得到的水体信息分布图提取精度更 高,且待预测影像能够使用到分辨率更高的SAR影像,进而使得之 后根据水体信息分布图获取到的洪水监测结果精度更高以及时效性 更强,能够更加及时准确地监测洪水,同时适用的场合更广,具有更 好的推广价值。
下面结合图2描述本发明的洪水监测信息提取方法,图像语义分 割网络模型通过以下步骤训练得到:
S120、对样本影像分别进行多极化处理,得到第一极化影像和第 二极化影像。
在步骤S120中,多极化处理包括垂直发射垂直接收(VV)极化 处理以及垂直发射水平接收(VH)极化处理。SAR遥感***常用四 种极化方式,即水平发射水平接收(HH)极化处理、垂直发射垂直 接收(VV)极化处理、水平发射垂直接收(HV)极化处理和垂直发 射水平接收(VH)极化处理这四种方式。雷达发射的能量脉冲的电 场矢量,可以在垂直或水平面内被偏振。无论哪个波长,雷达信号可 以传送水平(H)或者垂直(V)电场矢量,接收水平(H)或者垂直 (V)或者两者的返回信号。其中HH、VV为同向极化,HV、VH 为异向(交叉)极化。第一极化影像即经过VV极化处理后的极化影 像,第二极化影像即经过VH极化处理后的极化影像。
S130、对第一极化影像和第二极化影像进行衍生处理,得到光谱 特征影像。
步骤S130中,可以利用Python编程得到经过VV与VH处理后 极化衍生的光谱特征SDWI数据即光谱特征影像。
考虑到SAR影像的极化数据有限,模型特征学习丰富度不够的 现状,步骤S130中引入光谱特征解决模型特征不足的问题。将SAR 影像的双极化数据和极化数据衍生得来的光谱特征SDWI数据叠加 组合成新的影像,将叠加组合成新的影像作为U-Net网络模型的数据 集。其中光谱特征SDWI数据是由贾诗超等人于2018年提出的SAR 影像水体信息提取方法得到的,参见公式(1),公式(1)如下所示:
KSDWI=ln(10*VV*VH) (1)
公式(1)中,KSDWI表示波段运算的结果值,VV和VH表示SAR影 像的双极化数据,其中VV为经过垂直发射垂直接收极化处理后得到的 极化数据,VH为垂直发射水平接收极化处理后得到的极化数据。光谱 特征SDWI数据利用双极化数据相乘来增强水体特征,同时减弱土壤 和植被的特征,取得了较好的水体信息提取效果。
S140、将第一极化影像、第二极化影像以及光谱特征影像叠加组 合得到的数据集,将将VH极化数据、VV极化数据和光谱特征SDWI 数据叠加组成三波段的新影像。
在步骤S140中,将SAR影像的双极化数据光谱特征SDWI数据 结合起来,构建新型的深度学习数据集,可以解决模型特征不足问题, 同时在一定程度上提高在洪水监测过程中水体信息提取的精度。
S150、对数据集进行划分,得到训练集、验证集和测试集。
S160、根据训练集和验证集得到对应的训练识别结果和验证识别 结果。
S170、将训练集和验证集作为训练使用的输入数据,将训练集对 应的训练识别结构作为训练集的标签,将验证集对应的验证识别结果 作为验证集的标签,采用深度学习方式进行训练,得到用于生成待预 测影像的水体信息分布图的图像语义分割网络模型。
根据本发明提供的洪水监测信息提取方法,根据训练集和验证集 得到对应的训练识别结果和验证识别结果还包括以下步骤:
步骤S160中还包括以下步骤:
对训练集、验证集以及训练集、验证集对应的标签进行规则网裁 剪和数据增强,其中,数据增强包括水平翻转、垂直翻转和对角镜像 操作。
数据增强是为了获得充足的样本,避免模型训练过程中出现过拟 合现象。
下面结合图3描述本发明的洪水监测信息提取方法,步骤S120 之前还包括以下步骤:
S110、对样本影像进行预处理,从而得到高分辨率的双极化的后 向散射分布图。其中,预处理包括轨道校正、热噪声去除、辐射定标、 相干斑滤波、地形校正、分贝化、裁剪和镶嵌等等方式中的一种或者 多种的组合。
在本实施例中,图像语义分割网络模型的损失函数采用忽略边缘 交叉熵函数(Ignore-edges Categorical Cross Entropy,IELoss),参见 公式(2),公式(2)如下所示:。
公式(2)中,r表示选取的区域像元数目占图像总像元的比例, N表示样本图像像元总数,M表示类别总数,表示为真实类别标 签经过一位有效编码(one-hot)编码处理后类别总数组成的张量, 表示样本经过前向传播得到的像素类别概率值组成的张量。
IELoss在计算损失值得时候忽略样本图像边缘区域,计算区域不再 是整个图像区域,而是较中间区域,可以避免图像边缘像素特征不 足引起过拟合现象,可以在一定程度上提高在测试集上的分类准确 率。因此,适合于洪水监测的改进后的U-Net网络模型的结构如图 4所示,其网络结构由两部分组成,图4左半部分由卷积和下采样 操作组成,用于特征提取。网络输入3通道256×256分辨率的影 像,经过3×3卷积后得到的特征图使用线性整流函数(Rectified Linear Unit,ReLU)函数进行激活,随后采用最大池化方法进行下采样。图4右半部分由卷积和上采样操作组成,用于恢复特征图的 维度。通过引入上采样操作来提升图像表征的分辨率,从而弥补空 间分辨率的损失。网络最后采用1×1的卷积输出结果图。
本发明的洪水监测信息提取方法,将改进后的U-Net网络模型应 用于2020年7-8月鄱阳湖洪涝灾害,检验该洪水监测信息提取方法 应用于洪水监测后的效果和识别精度,请参阅图5和图6所示。
首先获取洪涝灾害发生期间的2020年7月26日哨兵1号 (Sentinel-1)SAR影像,采用哨兵数据处理软件SNAP对Sentinel-1 SAR影像进行预处理,从而得到鄱阳湖10米分辨率双极化的后向散 射分布图。之后,获取预处理后的Sentinel-1双极化影像,利用Python 编程得到VV与VH极化衍生的光谱特征SDWI,将VH、VV和SDWI 组成三波段的新影像。对新影像分别裁剪4467×4365、2681×2585 分辨率的典型区域作为训练影像和测试影像,随后在对训练影像和测 试影像进行精细化样本标注,接着对影像和对应标签影像进行规则格 网裁剪和数据增强。最终得到了256×256分辨率的1155个训练样本、 289个验证样本和132个测试样本。通过多次迭代实验,最终得到了 合适的超参数,在本实施例中,迭代论数设为30,批处理大小设为2, 并选择Adam作为优化器,初始学习率设为10-4进行模型训练。模 型经过迭代训练最终收敛,训练集、验证集和测试集上分别取得了 99.65%、99.25%和98.99%的分类精度。对2020年7月26日整幅 Sentinel-1影像进行模型预测,从而得到整个研究区的水体信息分布 图,如图6所示。
为了检验本发明提供的洪水监测信息提取方法,将其与传统的基 于SAR影像洪水监测方法进行对比分析。选择两块典型区域(图7), 其中区域一水体占比33.4%,区域二水体占比5.8%。在高分辨率光学 遥感影像的辅助下目视解译得到真实水体信息,将人工标记的真实水 体信息与算法得到的水体信息进行比较,在本实施例中,从查全率、 查准率、虚警率和平衡F分数(F1 Score,F1)评价指标四个指标检 验本发明提供的洪水监测信息提取方法,即采用了多种评价指标来定 量评价水体信息提取的精度,具体参见公式(3)至公式(6)。
Fa=1-P (5)
公式(3)至公式(6)中,P(TW)表示人工目视解译的真实水体像 元,P(AW)表示利用算法提取得到的水体像元。R表示提取算法的查全 率,查全率表示提取的水体范围接近真实水体的程度,值越高越好。 P表示提取算法的查准率,查准率表示提取的水体的准确性,值越高 越好。Fa表示提取算法的虚警率。F1表示提取算法的综合评价指标, 其综合考虑了查全率和查准率,值越高表示算法效果越好。三种方法 提取精度对比如表1所示。
表1三种方法提取精度对比表
选择的对比区域水体占比不同,从不同水体占比的角度检验本发 明提供的洪水监测信息提取方法与传统方法的优劣。结果表明,Otsu 全局阈值法在水体占比高的情况下,查全率和查准率较高,水体提取 效果较好。在水体占比低的情况下,Otsu全局阈值法水体提取精度最 差,提取水体的准确性最差;面向对象法在细小水体提取方面比Otsu 全局阈值法有一定优势,但提取精度不如改进后的U-Net网络模型。 对于大范围洪涝灾害的水体信息提取情况,面向对象方法提取精度最 差;三种方法中,改进后的U-Net网络模型效果最好,精度最高。对 于大范围宏观的水体信息提取,Otsu全局阈值法难以找到合适阈值来进行水体信息提取,面向对象法的分割规则与分类规则需要大量的先 验知识。通过精度对比分析,证明了本发明提供的洪水监测信息提取 方法比传统的洪水监测信息提取方法精度更高,效果更好。
下面对本发明提供的洪水监测信息提取装置进行描述,下文描述 的洪水监测信息提取装置与上文描述的洪水监测信息提取方法可相 互对应参照。
下面结合图8描述本发明的洪水监测信息提取装置,该洪水监测 信息提取装置包括:
信息提取模块100,用于将待预测影像输入至图像语义分割网络 模型中,得到待预测影像的水体信息分布图。其中,图像语义分割网 络模型是基于样本影像对应的训练集以及验证集训练得到的,训练集 和验证集是对由第一极化影像、第二极化影像以及光谱特征影像叠加 组合得到的数据集划分得到的,第一极化影像和第二极化影像是对样 本影像极化处理后得到的,光谱特征影像是由第一极化影像、第二极 化影像衍生处理得到的。
在信息提取模块100中,图像语义分割网络模型采用的是U-Net 网络模型。
传统的基于卷积神经网络的光学影像水体信息提取装置由于需 要对影像中每个像素进行分类,使得其计算效率低,计算机存储开销 大,且分类的性能以及提取精度等均受到限制。在此背景下,Long 等人于2015年提出了基于全卷积网络(fully convolutionalnetwork, FCN)的语义分割装置,对图像进行像素级的分类,从而解决了语义 级别的图像分割问题。随后,Ronneberger等人提出了一种U形对称 网络模型,即U-Net网络模型,该网络能融合低维与高维的特征,使 图像语义分割精度得到较大提高。经典的U-Net网络模型的结构是基 于全卷积网络拓展和修改而来,网络结构清晰优雅呈U状,是目前 最受欢迎的图像分割模型之一。
目前基于SAR影像的洪水监测信息提取装置中,大多数装置是 针对大范围应用的中低分辨率SAR影像开发的,对于高分辨率SAR 影像和要求非常准确的洪水时空分布信息提取并不完全适用。
近年来,深度学习凭借其强大的特征提取能力在遥感水体提取领 域得到了广泛应用,但现有结合深度学习提取水体的研究主要侧重于 光学影像方面,对于SAR影像的研究相对较少。由于SAR影像上随 机分布的斑点噪声以及复杂的洪水淹没场景,这阻碍了基于SAR影 像的深度学习对洪水的识别和监测。同时,SAR影像通常是双极化 数据,极化波段相对较少,单独根据地物的后向散射系数、纹理和轮 廓等特征难以区分水体和阴影,导致水体提取精度不高。于是将深度 学习应用于水体信息提取需要改进现有的深度学习网络模型,使其适 合于高分辨率的SAR影像。
在信息提取模块100中,采用的是改进后的U-Net网络模型,目 的是为了适应高分辨率的SAR影像,进而使得从高分辨率的SAR影 像提取的水体信息更加符合洪水监测的要求。
之后可以根据信息提取模块100得到的水体信息分布图,获取洪 水监测结果。
由于信息提取模块100中使用的是改进后的U-Net网络模型,使 得从待预测影像中得到的水体信息分布图提取精度更高,且待预测影 像能够使用到分辨率更高的SAR影像,进而使得根据信息提取模块 100得到的水体信息分布图获取到的洪水监测结果精度更高以及时效 性更强。
本发明的洪水监测信息提取装置,通过使用改进后的图像语义分 割网络模型,使得从待预测影像中得到的水体信息分布图提取精度更 高,且待预测影像能够使用到分辨率更高的SAR影像,进而使得之 后根据水体信息分布图获取到的洪水监测结果精度更高以及时效性 更强,能够更加及时准确地监测洪水,同时适用的场合更广,具有更 好的推广价值。
下面结合图9描述本发明的洪水监测信息提取装置,图像语义分 割网络模型通过以下模块训练得到:
多极化处理单元120,用于对样本影像分别进行多极化处理,得 到第一极化影像和第二极化影像。
在多极化处理单元120中,多极化处理包括垂直发射垂直接收 (VV)极化处理以及垂直发射水平接收(VH)极化处理。SAR遥感 ***常用四种极化方式,即水平发射水平接收(HH)极化处理、垂 直发射垂直接收(VV)极化处理、水平发射垂直接收(HV)极化处 理和垂直发射水平接收(VH)极化处理这四种方式。雷达发射的能 量脉冲的电场矢量,可以在垂直或水平面内被偏振。无论哪个波长, 雷达信号可以传送水平(H)或者垂直(V)电场矢量,接收水平(H) 或者垂直(V)或者两者的返回信号。其中HH、VV为同向极化, HV、VH为异向(交叉)极化。第一极化影像即经过VV极化处理后 的极化影像,第二极化影像即经过VH极化处理后的极化影像。
衍生处理单元130,用于对第一极化影像和第二极化影像进行衍 生处理,得到光谱特征影像。
衍生处理单元130中,可以利用Python编程得到经过VV与VH 处理后极化衍生的光谱特征SDWI数据即光谱特征影像。
考虑到SAR影像的极化数据有限,模型特征学习丰富度不够的 现状,步骤S130中引入光谱特征解决模型特征不足的问题。将SAR 影像的双极化数据和极化数据衍生得来的光谱特征SDWI数据叠加 组合成新的影像,将叠加组合成新的影像作为U-Net网络模型的数据 集。其中光谱特征SDWI数据是由贾诗超等人于2018年提出的SAR 影像水体信息提取装置得到的。
数据集获取单元140,用于将第一极化影像、第二极化影像以及 光谱特征影像叠加组合得到的数据集,将将VH极化数据、VV极化 数据和光谱特征SDWI数据叠加组成三波段的新影像。
在数据集获取单元140中,将SAR影像的双极化数据光谱特征 SDWI数据结合起来,构建新型的深度学习数据集,可以解决模型特 征不足问题,同时在一定程度上提高在洪水监测过程中水体信息提取 的精度。
划分单元150,用于对数据集进行划分,得到训练集、验证集和 测试集。
标记单元160,用于根据训练集和验证集得到对应的训练识别结 果和验证识别结果。
训练单元170,用于将训练集和验证集作为训练使用的输入数据, 将训练集对应的训练识别结构作为训练集的标签,将验证集对应的验 证识别结果作为验证集的标签,采用深度学习方式进行训练,得到用 于生成待预测影像的水体信息分布图的图像语义分割网络模型。
根据本发明提供的洪水监测信息提取装置,该洪水监测信息提取 装置还包括:
标记单元160中还包括以下步骤:
对训练集、验证集以及训练集、验证集对应的标签进行规则网裁 剪和数据增强,其中,数据增强包括水平翻转、垂直翻转和对角镜像 操作。
数据增强是为了获得充足的样本,避免模型训练过程中出现过拟 合现象。
下面结合图10描述本发明的洪水监测信息提取装置,步骤多极 化处理单元120之前还包括以下步骤:
预处理单元110,用于对样本影像进行预处理,从而得到高分辨 率的双极化的后向散射分布图。其中,预处理包括轨道校正、热噪声 去除、辐射定标、相干斑滤波、地形校正、分贝化、裁剪和镶嵌等等 方式中的一种或者多种的组合。
图11示例了一种电子设备的实体结构示意图,如图11所示,该 电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理 器810,通信接口820,存储器830通过通信总线840完成相互间的 通信。处理器810可以调用存储器830中的逻辑指令,以执行洪水监 测信息提取方法,该方法包括以下步骤:
S100、将待预测影像输入至图像语义分割网络模型中,得到所述 待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集 以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影 像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到 的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处 理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍 生处理得到的。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的 形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可 读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品 的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若 干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者 网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟 或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序 产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计 算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能 够执行上述各方法所提供的洪水监测信息提取方法,该方法包括以下 步骤:
S100、将待预测影像输入至图像语义分割网络模型中,得到所述 待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集 以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影 像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到 的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处 理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍 生处理得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上 存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各 提供的洪水监测信息提取方法,该方法包括以下步骤:
S100、将待预测影像输入至图像语义分割网络模型中,得到所述 待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集 以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影 像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到 的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处 理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍 生处理得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部 件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的 部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也 可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付 出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解 到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然 也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现 有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软 件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光 盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机, 服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所 述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而 非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领 域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技 术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修 改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。
Claims (10)
1.一种洪水监测信息提取方法,其特征在于,包括以下步骤:
将待预测影像输入至图像语义分割网络模型中,得到所述待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍生处理得到的。
2.根据权利要求1所述的洪水监测信息提取方法,其特征在于,所述图像语义分割网络模型通过以下步骤训练得到:
对样本影像分别进行多极化处理,得到所述第一极化影像和所述第二极化影像;
对第一极化影像和第二极化影像进行衍生处理,得到光谱特征影像;
将第一极化影像、第二极化影像以及光谱特征影像叠加组合得到的所述数据集;
对数据集进行划分,得到所述训练集和所述验证集;
根据训练集和验证集得到对应的训练识别结果和验证识别结果;
将训练集和验证集作为训练使用的输入数据,将训练集对应的所述训练识别结构作为训练集的标签,将验证集对应的验证识别结果作为验证集的标签,采用深度学习方式进行训练,得到用于生成所述待预测影像的所述水体信息分布图的图像语义分割网络模型。
3.根据权利要求2所述的洪水监测信息提取方法,其特征在于,根据训练集和验证集得到对应的训练识别结果和验证识别结果中还包括以下步骤:
对训练集、验证集以及训练集、验证集对应的标签进行规则网裁剪和数据增强;其中,所述数据增强包括水平翻转、垂直翻转和对角镜像操作。
4.根据权利要求2所述的洪水监测信息提取方法,其特征在于,对样本影像分别进行多极化处理,得到所述第一极化影像和所述第二极化影像之前还包括以下步骤:
对样本影像进行预处理;其中,所述预处理包括轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正、分贝化、裁剪和镶嵌中的一种或者多种的组合。
5.根据权利要求2所述的洪水监测信息提取方法,其特征在于,所述多极化处理包括垂直发射垂直接收极化处理以及垂直发射水平接收极化处理。
6.根据权利要求1-5任一项所述的洪水监测信息提取方法,其特征在于,所述图像语义分割网络模型为U-Net网络模型。
7.根据权利要求6所述的洪水监测信息提取方法,其特征在于,所述图像语义分割网络模型的损失函数采用忽略边缘交叉熵函数。
8.一种洪水监测装置,其特征在于,包括:
信息提取模块(100),用于将待预测影像输入至图像语义分割网络模型中,得到所述待预测影像的水体信息分布图;
其中,所述图像语义分割网络模型是基于样本影像对应的训练集以及验证集训练得到的,所述训练集和所述验证集是对由第一极化影像、第二极化影像以及光谱特征影像叠加组合得到的数据集划分得到的,所述第一极化影像和所述第二极化影像是对所述样本影像极化处理后得到的,所述光谱特征影像是由第一极化影像、第二极化影像衍生处理得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述洪水监测信息提取方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述洪水监测信息提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557843.1A CN113486705A (zh) | 2021-05-21 | 2021-05-21 | 一种洪水监测信息提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110557843.1A CN113486705A (zh) | 2021-05-21 | 2021-05-21 | 一种洪水监测信息提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486705A true CN113486705A (zh) | 2021-10-08 |
Family
ID=77933002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110557843.1A Pending CN113486705A (zh) | 2021-05-21 | 2021-05-21 | 一种洪水监测信息提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486705A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708514A (zh) * | 2022-03-29 | 2022-07-05 | 中山大学 | 一种基于深度学习的森林砍伐变化的检测方法及装置 |
CN115019168A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于混合注意力网络的sar图像水体提取方法及*** |
CN115862010A (zh) * | 2022-09-09 | 2023-03-28 | 滁州学院 | 一种基于语义分割模型的高分遥感影像水体提取方法 |
-
2021
- 2021-05-21 CN CN202110557843.1A patent/CN113486705A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708514A (zh) * | 2022-03-29 | 2022-07-05 | 中山大学 | 一种基于深度学习的森林砍伐变化的检测方法及装置 |
CN115019168A (zh) * | 2022-05-30 | 2022-09-06 | 杭州电子科技大学 | 基于混合注意力网络的sar图像水体提取方法及*** |
CN115019168B (zh) * | 2022-05-30 | 2024-04-26 | 杭州电子科技大学 | 基于混合注意力网络的sar图像水体提取方法及*** |
CN115862010A (zh) * | 2022-09-09 | 2023-03-28 | 滁州学院 | 一种基于语义分割模型的高分遥感影像水体提取方法 |
CN115862010B (zh) * | 2022-09-09 | 2023-09-05 | 滁州学院 | 一种基于语义分割模型的高分遥感影像水体提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN113486705A (zh) | 一种洪水监测信息提取方法、装置、设备及存储介质 | |
Li et al. | An automatic method for mapping inland surface waterbodies with Radarsat-2 imagery | |
CN107392122B (zh) | 基于多极化特征和fcn-crf融合网络的极化sar影像目标检测方法 | |
CN113743383B (zh) | 一种sar影像水体提取方法、装置、电子设备及存储介质 | |
CN103886563A (zh) | 基于非局部平均和异质性测量的sar图像斑点噪声抑制方法 | |
CN104331698A (zh) | 一种遥感图像城区提取方法 | |
CN114119642A (zh) | 洪涝灾害水体提取方法及装置、设备和存储介质 | |
Wan et al. | Automatic extraction of flood inundation areas from SAR images: A case study of Jilin, China during the 2017 flood disaster | |
Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
Roa-Pascuali et al. | Detection of mesoscale thermal fronts from 4 km data using smoothing techniques: Gradient-based fronts classification and basin scale application | |
CN103400383A (zh) | 基于nsct和压缩投影的sar图像变化检测方法 | |
CN113469278A (zh) | 一种基于深度卷积神经网络的强天气目标识别方法 | |
CN110516552B (zh) | 一种基于时序曲线的多极化雷达图像分类方法及*** | |
Amitrano et al. | Small reservoirs extraction in semiarid regions using multitemporal synthetic aperture radar images | |
CN112700431A (zh) | 基于遥感影像的洪水覆盖面的提取方法 | |
CN115019192A (zh) | 基于双通道主干网络和联合损失函数的洪灾变化检测方法及*** | |
CN116758049A (zh) | 一种基于主被动卫星遥感的城市洪涝立体监测方法 | |
Hao et al. | A novel change detection approach for VHR remote sensing images by integrating multi-scale features | |
Amitrano et al. | Flood detection with SAR: A review of techniques and datasets | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
CN105095914A (zh) | 基于h/q分解和贝叶斯迭代分类相结合的机场跑道检测方法 | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
CN102722878A (zh) | 基于目标提取和ppb算法的sar图像去斑方法 |
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 |