一种基于语义分割模型的高分遥感影像水体提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115862010A(43)申请公布日2023.03.28(21)申请号202211102819.XG06V10/764(2022.01)(22)申请日2022.09.09G06V10/26(2022.01)G06T7/136(2017.01)(71)申请人滁州学院G06T7/11(2017.01)地址239001安徽省滁州市会峰西路1号申请人安徽师范大学(72)发明人陈冬花李虎邹陈汪左刘赛赛谢以梅(74)专利代理机构西安铭泽知识产权代理事务所(普通合伙)61223专利代理师张举(51)Int.Cl.G06V20/70(2022.01)G06V20/13(2022.01)G06V20/10(2022.01)G06V10/774(2022.01)权利要求书2页说明书9页附图6页(54)发明名称一种基于语义分割模型的高分遥感影像水体提取方法(57)摘要本发明公开了一种基于语义分割模型的高分遥感影像水体提取方法，涉及遥感影像技术领域，包括以下步骤：获取遥感影像数据；对遥感影像数据进行水体光谱特征提取；将水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；构建改进的DeepLabV3+网络模型；根据水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过最优DeepLabV3+网络模型对水体信息进行提取。本发明首次提出了联合GF‑3SAR影像和GF‑6光学遥感影像，制作水体样本数据集，并通过替换改进的骨干网络、损失函数类型及设置不同的学习率值，实现DeepLabV3+网络的改进及优化，对于复杂背景下水环境问题研究提供了强有力的技术支持。CN115862010ACN115862010A权利要求书1/2页1.一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，包括以下步骤：获取遥感影像数据；对所述遥感影像数据进行水体光谱特征提取；将所述水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集；将DeepLabV3+网络模型中的Xception骨干网络替换为改进后的AlignedXception骨干网络，构建改进的DeepLabV3+网络模型，AlignedXception骨干网络具体包括以下改进：增加网络层数，使网络变深，用于提取图像中丰富的语义信息；采用stride＝2的深度可分离卷积替换掉原有Xception网络Entryflow中所有stride＝2的最大池化层；在3×3深度可分离卷积后通过增加BN和ReLu激活函数，在middleflow中重复16次替换掉原来的8次操作；根据所述水体样本数据集对改进的DeepLabV3+网络模型进行语义分割训练，对改进的DeepLabV3+网络模型中的参数进行调整，得到最优DeepLabV3+网络模型；通过所述最优DeepLabV3+网络模型对水体信息进行提取。2.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，所述改进的DeepLabV3+网络模型中的参数调整包括设置不同的损失函数和学习率。3.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，所述遥感影像数据为高分六号卫星GF‑6遥感影像数据，在水体光谱特征提取之前对所述GF‑6遥感影像数据进行预处理；所述GF‑6遥感影像预处理包括辐射定标、大气校正、正射校正和影像融合。4.如权利要求3所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，对预处理后的所述GF‑6遥感影像数据进行重采样，使得GF‑6和GF‑3的空间分辨率相同。5.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，所述双极化模式为高分三号卫星GF‑3的HH和HV双极化模式。6.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，所述水体光谱特征为NIR波段。7.如权利要求1所述的一种基于语义分割模型的高分遥感影像水体提取方法，其特征在于，将所述水体光谱特征与HH和HV双极化模式特征进行特征组合，构建水体样本数据集具体包括以下步骤：对水体光谱特征与HH和HV双极化方式的特征组合进行水体形态特征分析，构建影像数据集；根据所述影像数据集提取粗水体信息；对所述粗水体信息进行精修；根据精修后的所述粗水体信息得到水体和非水体信息的面图层；将所述面图层叠加至影像数据集上，生成栅格标签图像；对所述栅格标签图像进行批量化剪裁得到样本标签子集，根据所述样本标签子集对影像数据集进行剪裁得到水体样本影像集；对剪裁后的所述样本标签子集进行筛选，制作水体样本标签集；2CN11586201