CN114332637B - 遥感影像水体提取方法、遥感影像水体提取的交互方法 - Google Patents

遥感影像水体提取方法、遥感影像水体提取的交互方法 Download PDF

Info

Publication number
CN114332637B
CN114332637B CN202210260622.2A CN202210260622A CN114332637B CN 114332637 B CN114332637 B CN 114332637B CN 202210260622 A CN202210260622 A CN 202210260622A CN 114332637 B CN114332637 B CN 114332637B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
water body
image sample
sample
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
Application number
CN202210260622.2A
Other languages
English (en)
Other versions
CN114332637A (zh
Inventor
李璐
刘庆杰
胡征慧
范时朝
傅泽华
李世伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210260622.2A priority Critical patent/CN114332637B/zh
Publication of CN114332637A publication Critical patent/CN114332637A/zh
Application granted granted Critical
Publication of CN114332637B publication Critical patent/CN114332637B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种遥感影像水体提取方法、遥感影像水体提取的交互方法，其中，遥感影像水体提取方法包括：获取多个第一遥感图像样本，并根据第一遥感图像样本的光谱信息生成第一遥感图像样本对应的第一水体图像；至少根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练，以确定神经网络模型的损失函数；其中，损失函数根据全局损失与局部损失确定，局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；通过神经网络模型对目标遥感图像进行识别，以生成遥感图像对应的目标水体图像；通过本申请实施例，可以解决相关技术中无法针对大区域遥感影像进行准确且高效的水体识别与分割的技术问题。

Description

遥感影像水体提取方法、遥感影像水体提取的交互方法
技术领域
本申请涉及遥感领域，具体而言，涉及一种遥感影像水体提取方法、遥感影像水体提取的交互方法。
背景技术
利用遥感影像对大尺度的城市、自然地区的水体（河流、湖泊和湿地等）进行及时、准确地检测，可为城市规划建设、自然环境与农业政策等相关事项的协调与平衡提供有效的信息支持。目前，遥感领域多通过深度学习算法实现水体部分的识别与分割，但是，在上述基于深度学习算法对水体部分进行识别与分割的过程，大多需要对用于训练的遥感图像样本进行大量的人工标记处理，以进行强监督训练，其不仅需要预先耗费相当的人力与时间成本进行标注工作，并且使得具有海量、多样等特点的遥感影像难以被准确地识别。
对此，相关技术中引入迁移学习或弱监督学习策略，利用其他数据集上获取的预训练模型作为主干网络来提取图像特征，或者弱标记信息作为先验知识和判别信息，弥补少量样本产生的信息缺失缺点。然而，上述训练方式需要可迁移模型的训练数据与目标域数据具有相似分布，同时需要对源—目标域进行特征对齐处理，其同样需要人工进行干预操作，进而进一步降低了算法的自动化程度。
针对相关技术中，无法针对大区域遥感影像进行准确且高效的水体识别与分割的的技术问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种遥感影像水体提取方法、遥感影像水体提取的交互方法，以至少解决相关技术中无法针对大区域遥感影像进行准确且高效的水体识别与分割的的技术问题。
在本申请的一个实施例中，提出了一种遥感影像水体提取方法，包括：
获取多个第一遥感图像样本，并根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像；其中，所述第一水体图像用于指示所述第一遥感图像样本中的水体部分；
至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，以确定所述神经网络模型的损失函数；其中，所述损失函数根据全局损失与局部损失确定，所述局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；
通过所述神经网络模型对目标遥感图像进行识别，以生成所述遥感图像对应的目标水体图像；其中，所述目标水体图像用于指示所述目标遥感图像中的水体部分。
在一可选实施例中，所述根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像，包括：
根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数；其中，所述光谱信息包括以下至少之一：绿光波段、近红外波段、中红外波段；
根据所述归一化水体指数对所述第一遥感图像样本对应的指数特征图进行处理，以得到所述第一遥感图像样本对应的水体提取结果；
根据所述水体提取结果得到所述第一水体图像。
在一可选实施例中，所述根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数，包括：
在所述第一遥感图像样本包括近红外波段的情形下，根据以下公式计算归一化水体指数NDWI：
Figure 804952DEST_PATH_IMAGE001
；
其中，所述
Figure 345654DEST_PATH_IMAGE002
表示所述第一遥感图像样本的绿光波段信息，所述
Figure 926809DEST_PATH_IMAGE003
表示所述第一遥感图像样本的近红外波段信息；
在所述第一遥感图像样本包括中红外波段的情形下，根据以下公式计算归一化水体指数MNDWI：
Figure 261975DEST_PATH_IMAGE004
；
其中，所述
Figure 990897DEST_PATH_IMAGE005
表示所述第一遥感图像样本的绿光波段信息，所述
Figure 69711DEST_PATH_IMAGE006
表示所述第一遥感图像样本的中红外波段信息。
在一可选实施例中，所述根据所述水体提取结果得到所述第一水体图像，包括：
对于水体提取结果进行剪裁以得到预设尺寸的图像切片；
对所述图像切片中的独立像素进行聚类，根据聚类结果消除所述图像切片中的空洞区域，以得到所述第一水体图像。
在一可选实施例中，所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练之前，还包括：
根据所述第一遥感图像样本得到多个第二遥感图像样本；其中，所述第二遥感图像样本包括以下至少之一：所述第一遥感图像样本进行季节变化处理后的图像、所述第一遥感图像样本进行裁剪/放大/缩小/平移/错切/镜像/旋转处理后的图像；
根据所述第二遥感图像样本的光谱信息生成所述第二遥感图像样本对应的第二水体图像；其中，所述第二水体图像用于指示所述第二遥感图像样本中的水体部分。
在一可选实施例中，所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，包括：
根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练。
在一可选实施例中，所述根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练，包括：
S1，将所述第一遥感图像样本与所述第二遥感图像样本输入至所述神经网络模型，根据所述神经网络模型得到输出结果；
S2，根据所述输出结果与所述第一水体图像和/或所述第二水体图像确定所述神经网络模型的损失值；
S3，根据所述损失值调整所述神经网络模型的损失函数；
迭代执行上述S1至S3，直至所述损失值收敛至预设阈值以完成所述神经网络模型的训练。
在一可选实施例中，所述损失函数包括：
Figure 567688DEST_PATH_IMAGE007
；
其中，
Figure 11439DEST_PATH_IMAGE008
表示所述全局损失，
Figure 227657DEST_PATH_IMAGE009
表示所述局部损失；
Figure 110162DEST_PATH_IMAGE010
表示加权系数；
所述全局损失
Figure 462646DEST_PATH_IMAGE011
由以下公式得到：
Figure 405194DEST_PATH_IMAGE012
；
Figure 515233DEST_PATH_IMAGE013
；
Figure 935850DEST_PATH_IMAGE014
；
其中，
Figure 408420DEST_PATH_IMAGE015
表示全局风格特征，
Figure 256290DEST_PATH_IMAGE016
表示第
Figure 181521DEST_PATH_IMAGE017
个所述第一遥感图像样本和/或所述第二遥感图像样本，
Figure 609091DEST_PATH_IMAGE018
表示所述神经网络模型的编码器，
Figure 936167DEST_PATH_IMAGE019
和
Figure 220518DEST_PATH_IMAGE020
分别表示所述第一遥感样本图像与所述第二遥感样本图像对应特征图的通道级均值和通道级方差；
Figure 633045DEST_PATH_IMAGE021
表示同一所述第一遥感图像样本所对应的两个不同的所述第二遥感图像样本之间的相似度量化结果；
Figure 395464DEST_PATH_IMAGE022
与
Figure 577047DEST_PATH_IMAGE023
分别表示所述第一遥感图像样本的全局特征向量，以及同一个所述第一遥感图像样本所对应的所述第二遥感图像样本的全局特征向量；
Figure 969982DEST_PATH_IMAGE024
与
Figure 869805DEST_PATH_IMAGE025
由以下公式得到：
Figure 435915DEST_PATH_IMAGE026
；
Figure 472005DEST_PATH_IMAGE027
表示对所述神经网络模型输出的特征图
Figure 98158DEST_PATH_IMAGE028
进行投影，
Figure 420030DEST_PATH_IMAGE029
表示投影头；
N表示所有样本的总数，
Figure 524253DEST_PATH_IMAGE030
为2（N-1）个负样本；
所述局部损失
Figure 680427DEST_PATH_IMAGE031
由以下公式得到：
Figure 477482DEST_PATH_IMAGE032
；
其中，
Figure 86318DEST_PATH_IMAGE033
表示像素级的交叉熵损失，
Figure 259810DEST_PATH_IMAGE034
表示像素块对比损失；
所述
Figure 208175DEST_PATH_IMAGE035
由以下公示得到：
Figure 176131DEST_PATH_IMAGE036
；
Figure 272263DEST_PATH_IMAGE037
；
其中，
Figure 718288DEST_PATH_IMAGE038
表示所述第一遥感图像样本和/或所述第二遥感图像样本中的第
Figure 849055DEST_PATH_IMAGE039
个像素的交叉熵损失，
Figure 660016DEST_PATH_IMAGE040
表示所述第一遥感图像样本和/或所述第二遥感图像样本的类别值；y表示所述神经网络模型输出的非归一化得分向量，softmax（y）表示最大软归一化函数；
所述
Figure 243444DEST_PATH_IMAGE041
根据以像素
Figure 493160DEST_PATH_IMAGE039
为中心，5*5的邻域像素组成的像素块计算获得，所述
Figure 478433DEST_PATH_IMAGE041
由以下公示得到：
Figure 788192DEST_PATH_IMAGE042
其中，
Figure 858916DEST_PATH_IMAGE043
和
Figure 115585DEST_PATH_IMAGE044
分别表示像素
Figure 955365DEST_PATH_IMAGE039
的正样本和负样本；
Figure 436025DEST_PATH_IMAGE045
表示负样本集，
Figure 728466DEST_PATH_IMAGE046
表示像素块内25个像素的点积均值，
Figure 585564DEST_PATH_IMAGE047
和
Figure 217533DEST_PATH_IMAGE048
分别表示正、负样本在所述神经网络模型的空间嵌入特征集合；
Figure 869094DEST_PATH_IMAGE050
表示加权常量。
在一可选实施例中，所述局部损失
Figure 914411DEST_PATH_IMAGE051
计算过程中，每一所述第一遥感图像样本和/或所述第二遥感图像样本中根据高斯分布选取40至60个像素点作为计算对象。
在一可选实施例中，所述通过所述神经网络模型对目标遥感图像进行识别，包括：
将位于所述神经网络模型末端的映射层去除，并将修改后的所述神经网络模型与OCRNet解码器连接，以对于所述目标遥感图像进行识别。
在本申请的一个实施例中，还提出了一种遥感影像水体提取的交互方法，包括：
响应于用户所选择的目标对象，向所述用户提供所述目标对象对应的目标水体图像；其中，所述目标水体图像是前述实施例所述的遥感影像水体提取方法对所述对象所包括的目标遥感图像进行识别生成的。
在一可选实施例中，所述目标对象包括目标遥感图像和/或目标区域，所述目标区域包括多个所述目标遥感图像构成。
在一可选实施例中，所述方法还包括：通过gdal库对所述目标水体图像进行矢量计算，以生成geojson矢量图；将所述geojson矢量图按照预设编码转化为字符串，并根据gRPC协议将字符串发送至前端页面。
在本申请的一个实施例中，还提出了一种遥感影像水体提取装置，所述装置包括：
生成模块，用于获取多个第一遥感图像样本，并根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像；其中，所述第一水体图像用于指示所述第一遥感图像样本中的水体部分；
训练模块，用于至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，以确定所述神经网络模型的损失函数；其中，所述损失函数根据全局损失与局部损失确定，所述局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；
识别模块，用于通过所述神经网络模型对目标遥感图像进行识别，以生成所述遥感图像对应的目标水体图像；其中，所述目标水体图像用于指示所述目标遥感图像中的水体部分。
在本申请的一个实施例中，还提出了一种遥感影像水体提取的交互装置，包括：
交互模块，用于响应于用户所选择的目标对象，向所述用户提供所述目标对象的目标遥感图像对应的目标水体图像；其中，所述目标水体图像根据前述实施例所述的遥感影像水体提取方法，对所述目标遥感图像进行识别所生成的。
在本申请的一个实施例中，还提出了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本申请的一个实施例中，还提出了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请实施例，其一方面根据所获取的多个第一遥感图像样本的光谱信息生成第一遥感图像样本对应的用于指示第一遥感图像样本中的水体部分第一水体图像，并根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练，以此，在神经网络模型的训练过程中不依赖于人工对海量数据的标注，进而实现了遥感图像样本对应标注的自动生成以及模型的自动训练；另一方面，在上述模型训练过程中，可根据全局损失与局部损失确定损失函数，并且局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成，以此，在模型的训练过程中可令神经网络模型有效学习像素与像素间的空间关系，进而令空间区域内的水体提取精度显著改善。基于上述两方面，其不仅在模型训练阶段可自动获得遥感影像的标注，以在减少人工与时间成本的前提下，通过对多样化的遥感影像的学习，以进一步提高神经网络模型对遥感影像中水体的识别准确性；与此同时，在模型训练过程中还可针对遥感影像中的空间关系针对性的学习，以在通过神经网络模型对目标遥感图像进行识别以生成遥感图像对应的用于指示目标遥感图像中的水体部分的目标水体图像的过程中，可针对空间区域内的水体的识别与分割效果得以进一步改善。因此，通过本申请的实施例，解决了相关技术中无法针对遥感影像进行准确且高效的水体识别与分割的的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的遥感影像水体提取方法的流程图；
图2是根据本申请实施例提供的遥感影像水体提取的交互方法的流程图；
图3是根据本申请实施例提供的遥感影像水体提取装置的结构框图；
图4是根据本申请实施例提供的遥感影像水体提取的交互装置的结构框图；
图5是根据本申请实施例的一种可选的电子装置结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例提供了一种遥感影像水体提取方法，图1 是根据本申请实施例提供的遥感影像水体提取方法的流程图。如图1所示，本申请实施例中的遥感影像水体提取方法，包括：
S102，获取多个第一遥感图像样本，并根据第一遥感图像样本的光谱信息生成第一遥感图像样本对应的第一水体图像；其中，第一水体图像用于指示第一遥感图像样本中的水体部分。
需要说明的是，上述第一遥感图像样本可采集自现有数据库所提供的多光谱遥感影像，通常而言，第一遥感图像样本为无标注的图像样本。上述S102中，通过第一遥感图像样本的光谱信息即可自动计算该遥感图像内的水体部分，而无需人工对其进行水体部分的提取，从而无需繁杂的人工标注处理即可得到该第一遥感图像样本内的水体部分的图像以作为其标注。对于海量的遥感影像数据而言，上述S102所记载的技术方案，不仅显著的减少了人工标注所带来的人工与时间成本，并且令模型训练阶段的遥感影像的多样性得以大大提升，进而令训练后的模型对遥感影像的识别准确性亦可得以显著改善。以下通过可选实施例的方式对上述第一水体图像的生成过程进行说明：
在一可选实施例中，上述S102中，根据第一遥感图像样本的光谱信息生成第一遥感图像样本对应的第一水体图像，包括：
根据第一遥感图像样本的光谱信息计算第一遥感图像样本对应的归一化水体指数；其中，光谱信息包括以下至少之一：绿光波段、近红外波段、中红外波段；
根据归一化水体指数对第一遥感图像样本对应的指数特征图进行处理，以得到第一遥感图像样本对应的水体提取结果；
根据水体提取结果得到第一水体图像。
需要说明的是，上述根据归一化水体指数对第一遥感图像样本对应的指数特征图进行处理以得到第一遥感图像样本对应的水体提取结果，该过程中，即利用预设阈值对第一遥感图像样本对应的指数特征图进行二值化处理，处理所得的结果即为水体提取结果。
在一可选实施例中，根据第一遥感图像样本的光谱信息计算第一遥感图像样本对应的归一化水体指数，包括：
在第一遥感图像样本包括近红外波段的情形下，根据以下公式计算归一化水体指数NDWI：
Figure 309620DEST_PATH_IMAGE052
；
其中，
Figure 858413DEST_PATH_IMAGE005
表示第一遥感图像样本的绿光波段信息，
Figure 946455DEST_PATH_IMAGE053
表示第一遥感图像样本的近红外波段信息；
在第一遥感图像样本包括中红外波段的情形下，根据以下公式计算归一化水体指数MNDWI：
Figure 885592DEST_PATH_IMAGE054
；
其中，
Figure 818913DEST_PATH_IMAGE055
表示第一遥感图像样本的绿光波段信息，
Figure 487792DEST_PATH_IMAGE056
表示第一遥感图像样本的中红外波段信息。
需要说明的是，不同数据来源的遥感影像具有不同的光谱信息，例如，部分遥感影像仅具备近红外波段信息，部分遥感影像仅具备中红外波段信息。上述可选实施例即对于不同的遥感影像以不同的计算方式得到对应的归一化水体指数。
上述绿光波段、近红外波段信息、中红外波段信息，均是遥感图像自身所具备的。
在一可选实施例中，上述S102中，根据水体提取结果得到第一水体图像，包括：
对于水体提取结果进行剪裁以得到预设尺寸的图像切片；
对图像切片中的独立像素进行聚类，根据聚类结果消除图像切片中的空洞区域，以得到第一水体图像。
上述可选实施例中，对于前述通过经验阈值对对第一遥感图像样本对应的指数特征图进行二值化处理所得到的水体提取结果，首先以重叠滑窗的方式对水体提取结果进行裁剪，生成固定尺寸的图像切片，该图像切片即为初始的第一水体图像；随后，为去除由独立像素造成的噪声结果，使用k-means算法对上述独立像素进行聚类处理，根据聚类结果消除图像切片结果中的空洞区域；以此，即可得到最终的第一水体图像作为第一遥感图像样本的标注。
S104，至少根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练，以确定神经网络模型的损失函数；其中，损失函数根据全局损失与局部损失确定，局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成。
需要说明的是，本申请实施例中在神经网络模型的训练阶段进一步提出对样本数据的增强处理，以下通过可选实施例的方式进行说明：
在一可选实施例中，上述S104中，至少根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练之前，还包括：
根据第一遥感图像样本得到多个第二遥感图像样本；其中，第二遥感图像样本包括以下至少之一：第一遥感图像样本进行季节变化处理后的图像、第一遥感图像样本进行裁剪/放大/缩小/平移/错切/镜像/旋转处理后的图像；
根据第二遥感图像样本的光谱信息生成第二遥感图像样本对应的第二水体图像；其中，第二水体图像用于指示第二遥感图像样本中的水体部分。
需要说明的是，上述第二遥感图像样本即为第一遥感图像样本的数据增强的结果，例如，对同一遥感图像样本，可分别对其进行裁剪/放大/缩小/平移/错切/镜像/旋转等处理，以此得到不同的第二遥感图像样本。在此基础上，上述可选实施例还进一步引入季节变换作为数据增强，具体而言，可通过现有工具（如CycleGAN工具等）对第一遥感图像样本进行转换，以生成同一区域的遥感影像对应夏、冬两种季节下的不同图像。
对第二遥感图像样本所对应的标注，即第二水体图像的生成过程可参照前述第一遥感图像样本，在此不再赘述。需要说明的是，对于进行季节变换所得到的第二遥感图像样本，第二遥感图像样本所对应的标注也可不做重新计算，直接以与之对应的第一遥感图像样本的第一水体图像，作为第二遥感图像样本的标注。
在一可选实施例中，上述S104中，至少根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练，包括：
根据第一遥感图像样本与对应的第一水体图像，以及第二遥感图像样本与对应的第二水体图像对神经网络模型进行训练。
需要说明的是，在通过数据增强得到第二遥感图像样本以及其所对应的第二水体图像的基础上，即可将第一遥感图像样本及其标注与第二遥感图像样本及其标注一并作为神经网络模型训练的样本数据，以此提高神经网络模型的训练效果。
由于上述第二遥感图像样本同样可通过光谱信息的计算得到对应的标注，即第二水体图像；因此，上述操作同样不依赖于人工标注，致使本申请在模型的整体训练阶段均无需人工进行标注。
在一可选实施例中，上述S104中，根据第一遥感图像样本与对应的第一水体图像，以及第二遥感图像样本与对应的第二水体图像对神经网络模型进行训练，包括：
S1，将第一遥感图像样本与第二遥感图像样本输入至神经网络模型，根据神经网络模型得到输出结果；
S2，根据输出结果与第一水体图像和/或第二水体图像确定神经网络模型的损失值；
S3，根据损失值调整神经网络模型的损失函数；
迭代执行上述S1至S3，直至损失值收敛至预设阈值以完成神经网络模型的训练。
在一可选实施例中，神经网络模型的损失函数包括：
Figure 746735DEST_PATH_IMAGE057
；
其中，
Figure 235485DEST_PATH_IMAGE058
表示全局损失，
Figure 441338DEST_PATH_IMAGE051
表示局部损失；
Figure 964724DEST_PATH_IMAGE059
表示加权系数；
全局损失
Figure 128989DEST_PATH_IMAGE058
由以下公式得到：
Figure 370614DEST_PATH_IMAGE060
；
Figure 911317DEST_PATH_IMAGE061
；
Figure 289209DEST_PATH_IMAGE062
；
上述公示中，
Figure 562058DEST_PATH_IMAGE063
表示第一遥感图像样本和/或第二遥感图像样本的全局风格特征，
Figure 25400DEST_PATH_IMAGE064
表示第
Figure 369794DEST_PATH_IMAGE039
个第一遥感图像样本和/或第二遥感图像样本，具体而言，即通过所有的第一遥感图像样本与所有的第二遥感图像样本构建一训练样本集合
Figure 867772DEST_PATH_IMAGE065
表示该集合中的第
Figure 373839DEST_PATH_IMAGE039
个样本。
Figure 790390DEST_PATH_IMAGE066
表示神经网络模型的编码器，
Figure 672895DEST_PATH_IMAGE067
和
Figure 25379DEST_PATH_IMAGE068
分别表示第一遥感样本图像与第二遥感样本图像对应特征图的通道级均值和通道级方差。以此，即可通过上述公示计算得到全局风格特征
Figure 702348DEST_PATH_IMAGE063
，并在此基础上，进一步计算全局损失。
Figure 140282DEST_PATH_IMAGE069
表示同一第一遥感图像样本所对应的两个不同的第二遥感图像样本之间的相似度量化结果，具体而言，即针对同一个第一遥感图像样本进行季节变化/裁剪/放大/缩小/平移/错切/镜像/旋转处理后的所得的不同第二遥感图像样本，在其两两之间计算相似度。
Figure 764162DEST_PATH_IMAGE024
与
Figure 971152DEST_PATH_IMAGE025
分别表示第一遥感图像样本的全局特征向量，以及同一个第一遥感图像样本所对应的第二遥感图像样本的全局特征向量；
Figure 84602DEST_PATH_IMAGE024
与
Figure 9832DEST_PATH_IMAGE070
可在前述得到
Figure 234140DEST_PATH_IMAGE063
的基础上进行计算，具体由以下公式得到：
Figure 561217DEST_PATH_IMAGE071
；
Figure 517671DEST_PATH_IMAGE072
表示对神经网络模型输出的特征图
Figure 664619DEST_PATH_IMAGE073
进行投影，
Figure 692618DEST_PATH_IMAGE074
表示神经网络模型中的投影头，通常为一个卷积层加上一个全连接层。
N表示所有样本的总数，
Figure 874200DEST_PATH_IMAGE075
为2(N-1)个负样本。负样本即与样本
Figure 329452DEST_PATH_IMAGE076
类别不一致的其余任一样本。
局部损失
Figure 432538DEST_PATH_IMAGE031
由以下公式得到：
Figure 998648DEST_PATH_IMAGE077
；
其中，
Figure 34737DEST_PATH_IMAGE038
表示像素级的交叉熵损失，
Figure 660891DEST_PATH_IMAGE041
表示像素块对比损失；
Figure 782430DEST_PATH_IMAGE038
由以下公示得到：
Figure 152232DEST_PATH_IMAGE078
；
Figure 980511DEST_PATH_IMAGE079
；
其中，
Figure 777565DEST_PATH_IMAGE038
表示第一遥感图像样本和/或第二遥感图像样本中的第
Figure 386401DEST_PATH_IMAGE039
个像素的交叉熵损失，其作用是计算像素的分类结果误差；
Figure 294314DEST_PATH_IMAGE080
表示第一遥感图像样本和/或第二遥感图像样本的类别值，类别值为一预设值，由于本申请实施例仅涉及水体一个类别，故类别值仅取0或1，即类别总数为2。y表示神经网络模型输出的非归一化得分向量，softmax（y）表示最大软归一化函数。
Figure 304996DEST_PATH_IMAGE041
根据以像素
Figure 210635DEST_PATH_IMAGE039
为中心，5*5的邻域像素组成的像素块计算获得，
Figure 306767DEST_PATH_IMAGE041
由以下公示得到：
Figure 18371DEST_PATH_IMAGE081
其中，
Figure 149138DEST_PATH_IMAGE082
和
Figure 287995DEST_PATH_IMAGE083
分别表示像素
Figure 605844DEST_PATH_IMAGE039
的正样本（即该像素块本身，以及该像素块在第一遥感图像样本时，同一第一遥感图像样本所对应的多个第二遥感图像样本中的同一个像素块；或者，该像素块在第二遥感图像样本时，该第二遥感图像样本所对应的第一遥感图像样本及所对应的其它第二遥感图像样本中的同一个像素块）和负样本（除正样本以外的样本）。
Figure 324401DEST_PATH_IMAGE084
表示负样本集，
Figure 309675DEST_PATH_IMAGE085
表示像素块内25个像素的点积均值，
Figure 619434DEST_PATH_IMAGE086
和
Figure 424578DEST_PATH_IMAGE084
分别表示正、负样本在神经网络模型的空间嵌入特征集合；
Figure 477985DEST_PATH_IMAGE087
表示加权常量。
在一可选实施例中，局部损失
Figure 317765DEST_PATH_IMAGE088
计算过程中，每一第一遥感图像样本和/或第二遥感图像样本中根据高斯分布选取40至60个像素点作为计算对象。
通常而言，可根据高斯分布选取50个像素点作为计算对象。
本申请实施例中所采用对比水体的全局特征与局部特征的损失策略中，全局对比损失策略用于指导神经网络模型学习遥感图像的整体场景风格，获取可表达包含不同地物的遥感场景的特征描述。就本申请所涉及的水体提取任务而言，这种特征描述能从全局角度来区别包含水体的场景与其他场景之间的差异。局部对比损失策略则是为了满足分割任务的像素级分类需求所设计，该对比损失的作用是实现对水体像素与其他像素的类别区分。
通过上述全局特征与局部特征的损失策略，可显著增强神经网络模型对像素空间关系的学习能力，进而在水体提取任务中，显著提高大空间区域内水体提取精度。
S106，通过神经网络模型对目标遥感图像进行识别，以生成遥感图像对应的目标水体图像；其中，目标水体图像用于指示目标遥感图像中的水体部分。
在一可选实施例中，上述S106中，通过神经网络模型对目标遥感图像进行识别，包括：
将位于神经网络模型末端的映射层去除，并将修改后的神经网络模型与OCRNet解码器连接，以对于目标遥感图像进行识别。
在通过前述对神经网络模型的迭代训练后，即可生成神经网络模型的参数文件，该文件为一个.pth文件。在模型的应用阶段，即针对目标遥感图像的水体提取过程中，可将神经网络模型尾部的映射层去掉，之后连接OCRNet作为该神经网络模型的解码器部分，以此实现端到端的分割与识别。具体而言，可加载.pth文件至神经网络模型之后，将目标遥感图像输入至神经网络模型的输入端并提取最后一层的特征，将特征输入至到解码器即可得到像素分割结果，该像素分割结果即为目标遥感图像所对应的目标水体图像。
在本申请实施例的基础上，还可进一步根据目标水体图像进行目标水体图像对应水体面积的计算。具体而言，对目标水体图像进行矢量化处理，对目标遥感图像中非水体部分（背景区域）与目标水体图像（前景区域）分别进行统计，并生成.shp文件；利用gdal库提供的函数和shp文件的投影坐标参数，即可计算前景区域的面积，进而确定目标水体图像对应的水体面积。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
在本申请的一个实施例中，还提供了一种遥感影像水体提取的交互方法，图2是根据本申请实施例提供的遥感影像水体提取的交互方法的流程图。如图2所示，本申请实施例中的遥感影像水体提取的交互方法，包括：
S202，响应于用户所选择的目标对象，向用户提供目标对象对应的目标水体图像；其中，目标水体图像是前述实施例的遥感影像水体提取方法对对象所包括的目标遥感图像进行识别生成的。
在一可选实施例中，上述S202中，目标对象包括目标遥感图像和/或目标区域，目标区域包括多个目标遥感图像构成。
需要说明的是，目标对象可以是一张单幅的遥感图像，也可以是针对覆盖某个目标区域的多张目标遥感图像，如城市，行政区等，用户可根据需求不同自行进行选择。
在一可选实施例中，上述方法还包括：通过gdal库对目标水体图像进行矢量计算，以生成geojson矢量图；将geojson矢量图按照预设编码转化为字符串，并根据gRPC协议将字符串发送至前端页面。
需要说明的是，本申请实施例中的遥感影像水体提取的交互方法即提供了一种可用于遥感影像水体提取的交互产品，用户基于该交互产品，可自行实现对遥感影像的水体提取。具体而言，本申请实施例中的交互方法利用html网页设计技术和开源的远程过程调用***（gRPC）设计实现用户自由交互的在线可视化界面，实现用户自主选择待目标对象。
上述交互方法在实现过程中，包括前端***与后端***，前端***由多个html组成，每个html页面包含了影像加载、模型选择、结果展示等区域，分别使用下拉列表DropList和图像框ImageBox等页面控件实现。根据用户所选择的目标对象的不同，即可对单张遥感图像或某个区域所对应的多张遥感图像进行水体提取。
进一步的，本申请实施例采用基于geojson文本传输的矢量展示框架，该框架方案是结合开源的gRPC协议和gdal库开发，gRPC协议可完成后端***中Python与前端***中Java、html语言之间的字段、图像信息的通信。gdal库则设置于后端***，在针对目标遥感图像完成水体提取并生成目标水体图像（该图像通常为.shp文件）后，即可根据gdal库对目标水体图像进行矢量计算，以生成geojson矢量图；进一步地，将geojson矢量图按照预设编码转化为Base64字符串，并根据gRPC协议将字符串发送至前端页面。
基于上述展示框架所实现的交互方法，其一方面较于相关技术中的Web服务或交互服务，能够更适合多线程信息交互，在并发访问和数据安全方面具有更多优势。另一方面，本申请实施例所基于的gRPC协议与gdal库所实现的矢量展示框架，在图像信息的处理传输上较于相关技术具有轻便、快速的优势，针对本申请实施例所适用的遥感影像的应用场景，对于尺寸动辄达到上万分辨率的遥感影像而言，其在用户交互过程中可显著减轻其传输过程的网络带宽压力，进而令用户形成更为高效的交互体验。因此，本申请实施例中的遥感影像水体提取的交互方法，不仅在基于前述遥感影像水体提取而令用户可自由选择遥感影像进行精准的水体提取，还可在上述操作过程中令***快速响应于用户的需求，以有效改善用户体验。
此外，上述交互方法中，前端***与后端***之间是通过字符串的方式实现目标水体图像对应的矢量图的传输的，摆脱了相关技术中对数据格式的严格要求，提高这套框架对不同后台算法、前端界面框架的兼容性。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
在本申请的一个实施例中，还提出了一种遥感影像水体提取装置。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3为根据本申请实施例提供的遥感影像水体提取装置的结构框图，如图3所示，本申请实施例中的遥感影像水体提取装置包括：
生成模块302，用于获取多个第一遥感图像样本，并根据第一遥感图像样本的光谱信息生成第一遥感图像样本对应的第一水体图像；其中，第一水体图像用于指示第一遥感图像样本中的水体部分；
训练模块304，用于至少根据第一遥感图像样本与对应的第一水体图像对预设的神经网络模型进行训练，以确定神经网络模型的损失函数；其中，损失函数根据全局损失与局部损失确定，局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；
识别模块306，用于通过神经网络模型对目标遥感图像进行识别，以生成遥感图像对应的目标水体图像；其中，目标水体图像用于指示目标遥感图像中的水体部分。
以上遥感影像水体提取装置的其余可选实施例与技术效果均与前述遥感影像水体提取方法对应实施例对应，在此不再赘述。
在本申请的一个实施例中，还提出了一种遥感影像水体提取的交互装置。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图4为根据本申请实施例提供的遥感影像水体提取的交互装置的结构框图，如图4所示，本申请实施例中的遥感影像水体提取的交互装置包括：
交互模块402，用于响应于用户所选择的目标对象，向用户提供目标对象的目标遥感图像对应的目标水体图像；其中，目标水体图像根据前述实施例的遥感影像水体提取方法，对目标遥感图像进行识别所生成的。
以上遥感影像水体提取的交互装置的其余可选实施例与技术效果均与前述遥感影像水体提取的交互方法对应实施例对应，在此不再赘述。
本申请实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行前述遥感影像水体提取方法以及遥感影像水体提取的交互方法对应实施例中的对应步骤。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。
本申请实施例还提供了一种用于实施上述遥感影像水体提取方法以及遥感影像水体提取的交互方法的电子装置，上述电子装置可以但不限于应用于服务器中。如图5所示，该电子装置包括存储器502和处理器504，该存储器502中存储有计算机程序，该处理器504被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行前述遥感影像水体提取方法以及遥感影像水体提取的交互方法对应实施例中的对应步骤。
可选地，图5所示结构仅为示意，电子装置可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图5并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图5中所示更多或者更少的组件（如网络接口等），或者具有与图5所示不同的配置。
其中，存储器502可用于存储软件程序以及模块，如本申请实施例中的遥感影像水体提取方法和装置以及遥感影像水体提取的交互方法和装置对应的程序指令/模块，处理器504通过运行存储在存储器502内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述遥感影像水体提取方法以及遥感影像水体提取的交互方法方法。存储器502可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器502可进一步包括相对于处理器504远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器502具体可以但不限于用于储存上述遥感影像水体提取方法以及遥感影像水体提取的交互方法的程序步骤。
可选地，上述的传输装置506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置506包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置506为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器508，用于显示上述遥感影像水体提取方法以及遥感影像水体提取的交互方法的过程；和连接总线510，用于连接上述电子装置中的各个模块部件。

Claims (9)

1.一种遥感影像水体提取方法，其特征在于，包括：
获取多个第一遥感图像样本，并根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像；其中，所述第一水体图像用于指示所述第一遥感图像样本中的水体部分；
至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，以确定所述神经网络模型的损失函数；其中，所述损失函数根据全局损失与局部损失确定，所述局部损失函数由像素级的交叉熵损失以及像素块的对比损失构成；
通过所述神经网络模型对目标遥感图像进行识别，以生成所述遥感图像对应的目标水体图像；其中，所述目标水体图像用于指示所述目标遥感图像中的水体部分；
所述损失函数包括：
Figure 640863DEST_PATH_IMAGE001
；
其中，
Figure 113433DEST_PATH_IMAGE002
表示所述全局损失，
Figure 289199DEST_PATH_IMAGE003
表示所述局部损失；
Figure 214430DEST_PATH_IMAGE004
表示加权系数；
所述全局损失
Figure 438738DEST_PATH_IMAGE002
由以下公式得到：
Figure 500235DEST_PATH_IMAGE005
；
Figure 784586DEST_PATH_IMAGE006
；
Figure 462692DEST_PATH_IMAGE007
；
其中，
Figure 490690DEST_PATH_IMAGE008
表示全局风格特征，
Figure 672273DEST_PATH_IMAGE009
表示通过所有的第一遥感图像样本与所有的第二遥感图像样本构建的训练样本集合中第i个样本，
Figure 861946DEST_PATH_IMAGE010
表示所述神经网络模型的编码器，
Figure 761769DEST_PATH_IMAGE011
和
Figure 925948DEST_PATH_IMAGE012
分别表示第一遥感图像样本与所述第二遥感图像样本对应特征图的通道级均值和通道级方差；
Figure 227616DEST_PATH_IMAGE013
表示同一第一遥感图像样本所对应的两个不同的第二遥感图像样本之间的相似度量化结果；
Figure 588190DEST_PATH_IMAGE014
与
Figure 975309DEST_PATH_IMAGE015
分别表示所述第一遥感图像样本的全局特征向量，以及同一个所述第一遥感图像样本所对应的所述第二遥感图像样本的全局特征向量；
Figure 345111DEST_PATH_IMAGE016
与
Figure 501285DEST_PATH_IMAGE015
由以下公式得到：
Figure 298340DEST_PATH_IMAGE017
；
Figure 907176DEST_PATH_IMAGE018
表示对所述神经网络模型输出的特征图
Figure 80668DEST_PATH_IMAGE019
进行投影，
Figure 701137DEST_PATH_IMAGE020
表示投影；
N表示所有样本的总数，
Figure 669093DEST_PATH_IMAGE021
为与样本
Figure 765225DEST_PATH_IMAGE009
类别不一致的其余任一样本；
所述局部损失
Figure 476829DEST_PATH_IMAGE022
由以下公式得到：
Figure 342017DEST_PATH_IMAGE023
；
其中，
Figure 293923DEST_PATH_IMAGE024
表示像素级的交叉熵损失，
Figure 877351DEST_PATH_IMAGE025
表示像素块对比损失；
所述
Figure 127067DEST_PATH_IMAGE026
由以下公示得到：
Figure 112341DEST_PATH_IMAGE027
；
Figure 422099DEST_PATH_IMAGE028
；
其中，
Figure 758403DEST_PATH_IMAGE029
表示所述第一遥感图像样本或所述第二遥感图像样本中的第I个像素的交叉熵损失，
Figure 811809DEST_PATH_IMAGE030
表示所述第一遥感图像样本或所述第二遥感图像样本的类别值；yc表示所述神经网络模型输出的非归一化得分向量，softmax（yc）表示最大软归一化函数；
所述
Figure 651589DEST_PATH_IMAGE031
根据以像素I为中心，5*5的邻域像素组成的像素块计算获得，所述
Figure 132249DEST_PATH_IMAGE032
由以下公式得到：
Figure 424690DEST_PATH_IMAGE033
其中，
Figure 891575DEST_PATH_IMAGE034
和
Figure 585861DEST_PATH_IMAGE035
分别表示像素I的正样本和负样本；
Figure 237423DEST_PATH_IMAGE036
表示像素块内25个像素的点积均值，
Figure 282739DEST_PATH_IMAGE037
和
Figure 943527DEST_PATH_IMAGE038
分别表示正、负样本在所述神经网络模型的空间嵌入特征集合；
Figure 492320DEST_PATH_IMAGE039
表示加权常量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息生成所述第一遥感图像样本对应的第一水体图像，包括：
根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数；其中，所述光谱信息包括以下至少之一：绿光波段、近红外波段、中红外波段；
根据所述归一化水体指数对所述第一遥感图像样本对应的指数特征图进行处理，以得到所述第一遥感图像样本对应的水体提取结果；
根据所述水体提取结果得到所述第一水体图像；
所述根据所述水体提取结果得到所述第一水体图像，包括：对于水体提取结果进行剪裁以得到预设尺寸的图像切片；
对所述图像切片中的独立像素进行聚类，根据聚类结果消除所述图像切片中的空洞区域，以得到所述第一水体图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一遥感图像样本的光谱信息计算所述第一遥感图像样本对应的归一化水体指数，包括：
在所述第一遥感图像样本包括近红外波段的情形下，根据以下公式计算归一化水体指数NDWI：
Figure 580362DEST_PATH_IMAGE040
；
其中，所述
Figure 847395DEST_PATH_IMAGE041
表示所述第一遥感图像样本的绿光波段信息，所述
Figure 46296DEST_PATH_IMAGE042
表示所述第一遥感图像样本的近红外波段信息；
在所述第一遥感图像样本包括中红外波段的情形下，根据以下公式计算归一化水体指数MNDWI：
Figure 511912DEST_PATH_IMAGE043
；
其中，所述
Figure 770855DEST_PATH_IMAGE041
表示所述第一遥感图像样本的绿光波段信息，所述
Figure 525184DEST_PATH_IMAGE044
表示所述第一遥感图像样本的中红外波段信息。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练之前，还包括：
根据所述第一遥感图像样本得到多个第二遥感图像样本；其中，所述第二遥感图像样本包括以下至少之一：所述第一遥感图像样本进行季节变化处理后的图像、所述第一遥感图像样本进行裁剪、放大/缩小、平移、错切、镜像和旋转任一项处理后的图像；
根据所述第二遥感图像样本的光谱信息生成所述第二遥感图像样本对应的第二水体图像；其中，所述第二水体图像用于指示所述第二遥感图像样本中的水体部分；
所述至少根据所述第一遥感图像样本与对应的所述第一水体图像对预设的神经网络模型进行训练，包括：
根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一遥感图像样本与对应的所述第一水体图像，以及所述第二遥感图像样本与对应的所述第二水体图像对所述神经网络模型进行训练，包括：
S1，将所述第一遥感图像样本与所述第二遥感图像样本输入至所述神经网络模型，根据所述神经网络模型得到输出结果；
S2，根据所述输出结果与所述第一水体图像或所述第二水体图像确定所述神经网络模型的损失值；
S3，根据所述损失值调整所述神经网络模型的损失函数；
迭代执行上述S1至S3，直至所述损失值收敛至预设阈值以完成所述神经网络模型的训练。
6.根据权利要求1所述的方法，其特征在于，所述局部损失
Figure 262196DEST_PATH_IMAGE045
计算过程中，每一所述第一遥感图像样本和所述第二遥感图像样本中根据高斯分布选取40至60个像素点作为计算对象。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述通过所述神经网络模型对目标遥感图像进行识别，包括：
将位于所述神经网络模型末端的映射层去除，并将修改后的所述神经网络模型与OCRNet解码器连接，以对于所述目标遥感图像进行识别。
8.一种遥感影像水体提取的交互方法，其特征在于，包括：
响应于用户所选择的目标对象，向所述用户提供所述目标对象对应的目标水体图像；其中，所述目标水体图像是根据权利要求1至7任一项所述的遥感影像水体提取方法对所述对象所包括的目标遥感图像进行识别生成的。
9.根据权利要求8所述的方法，其特征在于，所述目标对象包括目标遥感图像和/或目标区域，所述目标区域包括多个所述目标遥感图像构成；
所述方法还包括：
通过gdal库对所述目标水体图像进行矢量计算，以生成geojson矢量图；
将所述geojson矢量图按照预设编码转化为字符串，并根据gRPC协议将字符串发送至前端页面。
CN202210260622.2A 2022-03-17 2022-03-17 遥感影像水体提取方法、遥感影像水体提取的交互方法 Active CN114332637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210260622.2A CN114332637B (zh) 2022-03-17 2022-03-17 遥感影像水体提取方法、遥感影像水体提取的交互方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210260622.2A CN114332637B (zh) 2022-03-17 2022-03-17 遥感影像水体提取方法、遥感影像水体提取的交互方法

Publications (2)

Publication Number Publication Date
CN114332637A CN114332637A (zh) 2022-04-12
CN114332637B true CN114332637B (zh) 2022-08-30

Family

ID=81033019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210260622.2A Active CN114332637B (zh) 2022-03-17 2022-03-17 遥感影像水体提取方法、遥感影像水体提取的交互方法

Country Status (1)

Country Link
CN (1) CN114332637B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及***
CN112164083A (zh) * 2020-10-13 2021-01-01 上海商汤智能科技有限公司 水体分割方法及装置、电子设备和存储介质
CN112614131A (zh) * 2021-01-10 2021-04-06 复旦大学 基于形变表示学习的病理图像分析方法
CN112800053A (zh) * 2021-01-05 2021-05-14 深圳索信达数据技术有限公司 数据模型的生成方法、调用方法、装置、设备及存储介质
CN113706526A (zh) * 2021-10-26 2021-11-26 北京字节跳动网络技术有限公司 内窥镜图像特征学习模型、分类模型的训练方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11354778B2 (en) * 2020-04-13 2022-06-07 Google Llc Systems and methods for contrastive learning of visual representations
CN111930992B (zh) * 2020-08-14 2022-10-28 腾讯科技（深圳）有限公司 神经网络训练方法、装置及电子设备
CN113239903B (zh) * 2021-07-08 2021-10-01 中国人民解放军国防科技大学 一种跨模态唇读的对抗性双重对比自监督学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及***
CN112164083A (zh) * 2020-10-13 2021-01-01 上海商汤智能科技有限公司 水体分割方法及装置、电子设备和存储介质
CN112800053A (zh) * 2021-01-05 2021-05-14 深圳索信达数据技术有限公司 数据模型的生成方法、调用方法、装置、设备及存储介质
CN112614131A (zh) * 2021-01-10 2021-04-06 复旦大学 基于形变表示学习的病理图像分析方法
CN113706526A (zh) * 2021-10-26 2021-11-26 北京字节跳动网络技术有限公司 内窥镜图像特征学习模型、分类模型的训练方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Review on self-supervised image recognition using deep neural networks;kriti ohri et al.;《knowledge-based systems》;20210719;第1-11页 *
Understand and improve contrastive learning methods for visual representation：a review;ran liu et al.;《arxiv》;20210606;第1-12页 *
多种策略下遥感影像场景分类技术的研究与应用;郑海颖;《中国优秀博硕士学位论文全文数据库（硕士） 工程科技II辑》;20220315(第03期);第C028-331页 *

Also Published As

Publication number Publication date
CN114332637A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
WO2020221298A1 (zh) 文本检测模型训练方法、文本区域、内容确定方法和装置
CN111767801B (zh) 一种基于深度学习的遥感影像水域自动提取方法及***
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及***
CN111553200A (zh) 一种图像检测识别方法及装置
CN112884764A (zh) 提取图像中地块的方法、装置、电子设备及存储介质
CN111199541A (zh) 图像质量评价方法、装置、电子设备及存储介质
CN113111716B (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN110781948A (zh) 图像处理方法、装置、设备及存储介质
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及***
CN111190595A (zh) 基于界面设计图自动生成界面代码的方法、装置、介质及电子设备
CN105246149B (zh) 地理位置的识别方法和装置
CN115272242A (zh) 一种基于YOLOv5的光学遥感图像目标检测方法
CN110598705A (zh) 图像的语义标注方法及装置
CN113673369A (zh) 遥感图像场景规划方法、装置、电子设备和存储介质
CN114332637B (zh) 遥感影像水体提取方法、遥感影像水体提取的交互方法
CN116245855B (zh) 作物品种鉴定方法、装置、设备及存储介质
CN112560718A (zh) 物料信息的获取方法和装置、存储介质、电子装置
CN116543325A (zh) 基于无人机影像的农作物人工智能自动识别方法和***
CN117115641A (zh) 建筑物信息提取方法、装置、电子设备及存储介质
CN114238622A (zh) 关键信息的提取方法和装置、存储介质及电子装置
CN114445625A (zh) 图片天空提取方法、***、设备及存储介质
CN110163141B (zh) 基于遗传算法的卫星图像预处理方法
CN113837236A (zh) 图像中目标对象的识别方法、装置、终端设备及存储介质
CN116363362B (zh) 图像语义分割方法、对象识别方法及计算设备

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