基于模拟困难样本的Mask-RCNN滑坡分割方法技术

本发明专利技术公开了一种基于模拟困难样本的Mask

【技术实现步骤摘要】
基于模拟困难样本的Mask
‑
RCNN滑坡分割方法


[0001]本专利技术涉及地质灾害识别
，具体涉及一种基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，是一种遥感影像上滑坡的智能解译方法。

技术介绍

[0002]地质灾害往往会带来巨大的经济损失、人员伤亡以及建筑设施的破坏。滑坡作为一种常见的地质灾害，在世界范围内具有危害性和损毁性大、易发性和突发性强的特点。不少学者利用合成孔径雷达干涉测量、全球导航卫星系统、激光雷达等技术，对滑坡开展了早期识别、隐患分析、监测预警等研究，并取得了较好的研究成果。但灾害发生后，尤其是面对重大地质灾害(如地震、海啸、洪水等)引发的大范围、分布广、数量众多的滑坡区域，如何快速精确地获取滑坡发生的位置、受灾范围等信息，对即将开展地应急救援工作具有重要指导意义。同时，进行滑坡风险评估、建模和制图时，获取所需滑坡数据费时费力，准确高效地识别滑坡并更新现有滑坡影像库，迄今为止仍是亟待解决的一项技术难题。
[0003]目前，利用遥感影像进行滑坡检测的主要方法有目视解译、基于像元、面向对象等。目视解译是遥感解译中最早使用的方法，该方法进行滑坡解译过于依赖专家经验，且需投入大量的时间和精力。基于像元的方法通过分析影像数据的光谱、空间信息，选取地物特征，按特定的方法将图像中的每一个像元进行分类。基于像元的方法主要分为监督分类和非监督分类。面向对象方法与基于像元的方法不同，它将临近范围区域内的像元作为最小的处理单位，可以有效的利用影像上目标物体的形状、纹理等空间特征。但面向对象方法阈值设定往往仅针对特定研究区域，其迁移性和可移植性还有待进一步完善。
[0004]随着机器学习在遥感影像处理中的运用日渐广泛，不同的机器学习方法如支持向量机，随机森林，深度学习等，已经和基于像元、面向对象等方法结合，成为滑坡识别新的有效方法。此外，DEM(数字高程模型)、坡度、坡向等地学数据也逐渐被运用到各种机器学习方法中，辅助参与滑坡的检测以提高滑坡检测的精度。由于深度学习技术在图像分类、目标检测、图像分割等领域取得了系列成就，不少学者开始考虑将深度学习技术应用到滑坡识别上来，将深度学习技术运用到滑坡检测上，可以实现大区域范围内滑坡的自动化检测，能较好地满足灾害的应急响应要。但利用深度学习模型检测滑坡，需要利用大量的滑坡数据进行模型训练，然而实际研究区域中，滑坡数量往往难以达到模型训练的数据量要求。概括来说，各种滑坡检测方法在面对与滑坡相近的地物如裸地、旱地、某些特殊人工建筑等，如何有效地避免对这些易混淆地物误判，始终是各种滑坡检测方法都会面临的一个棘手问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术的目的在于提供一种基于模拟困难样本的Mask
‑
RCNN(mask region
‑
based convolutional networks)滑坡分割方法，不仅对道路、裸地等易混淆地物有着良好的识别能力，而且在实际研究区域滑坡样本难以满足模型训练要求的情况下，仍能取得较好的检测效果。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0007]基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，包括以下步骤：
[0008]步骤1，获取研究区域的包含滑坡的遥感影像，对该遥感影像进行预处理，得到训练样本集；并构建Mask
‑
RCNN模型；
[0009]步骤2，采用训练样本集对Mask
‑
RCNN模型进行初步训练，更新Mask
‑
RCNN模型中的权重，得到初步训练后的Mask
‑
RCNN模型；
[0010]步骤3，选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，采用困难样本对初步训练后的Mask
‑
RCNN模型进行训练，得到Mask
‑
RCNN滑坡分割模型；
[0011]步骤4，获取目标区域的遥感影像作为待测样本，对待测样本进行预处理，得到预处理后的待测样本，采用Mask
‑
RCNN滑坡分割模型对预处理后的待测样本进行滑坡分割，得到目标区域的滑坡区域，完成滑坡的分割识别。
[0012]进一步地，当所述训练样本集中的样本数量较少，即样本数不能使Mask
‑
RCNN模型训练至损失函数收敛，还包括步骤：对训练样本集中的每个图像样本进行傅里叶变换，得到对应频域图像，训练样本集中的RGB图像样本和对应频域图像形成四通道训练样本；采用四通道训练样本对所述Mask
‑
RCNN模型进行训练，得到四通道Mask
‑
RCNN滑坡分割模型。
[0013]更进一步地，将所述四通道Mask
‑
RCNN滑坡分割模型应用于步骤3中采用困难样本进行进一步训练，训练完成后再转入步骤4。
[0014]更进一步地，将所述四通道Mask
‑
RCNN滑坡分割模型应用于直接应用于步骤4中对目标区域的遥感影像进行滑坡分割识别。
[0015]进一步地，所述对该遥感影像进行预处理，具体为：对遥感影像依次进行辐射矫正、几何矫正、正射矫正、影像融合、影像裁剪和去云去阴影操作；
[0016]所述影像融合为将同一地区的不同影像进行几何配准，即同名点配准再融合的过程；
[0017]所述影像剪裁为将一张影像的研究对象对应的区域进行剪裁，形成小范围的区域影像。
[0018]进一步地，所述训练样本集的获取过程为：
[0019]首先，设预处理后的影像大小为M
×
N，对预处理后的影像进行边缘填充，使填充后的影像的大小为滑动窗口大小的整数倍；
[0020]其次，采用滑动窗口将填充后的影像划分为若干个区域，每个区域对应一个图像样本；
[0021]最后，对每个图像样本中的目标及滑坡进行标记，所有图像样本形成训练样本集。
[0022]进一步地，所述Mask
‑
RCNN模型包含特征提取网络ResNet、特征金字塔FPN、区域提取网络RPN和感兴趣区域匹配网络ROI Align。
[0023]进一步地，所述模拟困难样本具体为：对于标记标签的图像样本，寻找若干个与该滑坡对应的易混淆地物的特征图像，并将其作为滑坡检测背景，将该标记标签的图像样本与若干个易混淆地物的特征图像进行拼接，合成困难样本。
[0024]更进一步地，所述与该滑坡对应的易混淆地物具体为：
[0025](1)根据滑坡图像样本的颜色特征：其对应的易混淆地物为与滑坡颜色相近的地物，具体为旱地或裸地；
[0026](2)根据滑坡图像样本的形态特征：其对应的易混淆地物为形状呈漏斗状或舌状的地物；
[0027](3)根据滑坡图像样本的光谱特性：当滑坡区域土壤类型为盐碱地时，其对应的易混淆地物为亮度高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，其特征在于，包括以下步骤：步骤1，获取研究区域的包含滑坡的遥感影像，对该遥感影像进行预处理，得到训练样本集；并构建Mask
‑
RCNN模型；步骤2，采用训练样本集对Mask
‑
RCNN模型进行初步训练，更新Mask
‑
RCNN模型中的权重，得到初步训练后的Mask
‑
RCNN模型；步骤3，选取训练样本集中的若干标记样本进行模拟困难样本，得到对应的困难样本，采用困难样本对初步训练后的Mask
‑
RCNN模型进行训练，得到Mask
‑
RCNN滑坡分割模型；步骤4，获取目标区域的遥感影像作为待测样本，对待测样本进行预处理，得到预处理后的待测样本，采用Mask
‑
RCNN滑坡分割模型对预处理后的待测样本进行滑坡分割，得到目标区域的滑坡区域，完成滑坡的分割识别。2.根据权利要求1所述的基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，其特征在于，当所述训练样本集中的样本数量较少，即样本数不能使Mask
‑
RCNN模型训练至损失函数收敛，还包括步骤：对训练样本集中的每个图像样本进行傅里叶变换，得到对应频域图像，训练样本集中的RGB图像样本和对应频域图像形成四通道训练样本；采用四通道训练样本对所述Mask
‑
RCNN模型进行训练，得到四通道Mask
‑
RCNN滑坡分割模型。3.根据权利要求2所述的基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，其特征在于，将所述四通道Mask
‑
RCNN滑坡分割模型应用于步骤3中采用困难样本进行进一步训练，训练完成后再转入步骤4。4.根据权利要求2所述的基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，其特征在于，将所述四通道Mask
‑
RCNN滑坡分割模型应用于直接应用于步骤4中对目标区域的遥感影像进行滑坡分割识别。5.根据权利要求1所述的基于模拟困难样本的Mask
‑
RCNN滑坡分割方法，其特征在于，所述对该遥感影像进行预处理，具体为：对遥感影像依次进行辐射矫正、几何矫正、正射矫正、影像融合、影像裁剪和去云去阴影操作；其中，所述影像融合为将同一地区的不同影像进行几何配准，即同名点配准再融合的过程；所述影像剪裁为将一张影像的研究对象对应的区域进行剪裁，形成小范围的区域影像。6.根...

【专利技术属性】
技术研发人员：席江波，姜万冬，李晓阳，窦新玉，殷晓广，张潇，
申请(专利权)人：长安大学，
类型：发明
国别省市：