一种基于无人机高分辨率遥感影像海岸带地物分类方法技术

本发明专利技术公开了一种基于无人机高分辨率遥感影像海岸带地物分类方法，设计并完成无人机高分辨率遥感影像采集、数据集制作、深度学习模型优化、精度验证。包括采集实验区域无人机遥感影像；对海岸带地物类别进行划分；将改进的PSPNet语义分割算法应用于无人机高分辨率海岸带遥感影像，针对遥感影像背景较为自然影像更加复杂多变，通过引入金字塔池化模块，解决了传统模型缺乏利用全局场景中的类别线索的问题，有效提高分类精度。针对国家海岸带范围极大，数据集影像数目极多等问题，重新定义平均池化的步长和卷积核大小，替换主干提取网络为MobileNetV2，从而减少语义分割网络模型的训练时间。本发明专利技术方法具有识别范围广、分类精度高、成本低、周期短等特点，可以有效提高分类精度，节约分类时间，降低人力物力成本。

【技术实现步骤摘要】
一种基于无人机高分辨率遥感影像海岸带地物分类方法
本专利技术属于图像处理
，尤其是涉及一种基于无人机高分辨率遥感影像海岸带地物分类方法。
技术介绍
海岸带是海陆过渡地带，近年来沿海地区经济发展迅速，因为目前人们对于土地利用动态变化的认识过程滞后于城市自身的理解，导致海岸线的资源瓶颈与生态环境制约的矛盾日益突出，为了分析海岸带变化趋势以及影响因素，对其进行修复、保护，一种高效、准确的地物识别分类手段极其重要。目前地物分类方法主要有人工目视解译、传统机器学习(参考：何晓雨，许小剑.一种适用于处理大场景光学遥感数据的海陆分割方法：中国，202011418779.0)等方法，存在分类速度慢、样本选取和评估耗费极大人力物力、泛化性低、鲁棒性差等缺点。中国海岛众多、海岸线极长，为了对其进行修复、保护，亟需一种快速、准确、可以对大面积海岸带地物进行识别分类的手段，另一方面，无人机遥感技术发展迅速，其获取信息速度快、成本低、遥感影像分辨率高，利用无人机遥感获取所需影像逐渐成为热门手段。但是目前基于遥感影像的海岸带地物分类一般采用传统机器学习方法(参考：史晓非，丁星，马海洋.一种基于改进可靠性因子的遥感图像融合与海岸带分类方法：中国，201910319782.8)，其特征表示能力有限，其提取边缘、纹理等浅层特征，无法在分类精度上取得大的突破，且由于特征工程的存在无法实现端对端的训练与预测。近些年来，深度学习的快速发展得到了广泛关注，它能够从海量影像数据中学习目标特征，可以实现端到端的训练与预测。如Unet设计之初是针对医学影像的分割处理，有效解决了医学影像的特殊性致其数据集样本较少的问题。SegNet是对经典网络模型FCN的改进，降低了内存占用，提高了效率。对比于自然影像，遥感影像背景更为复杂多变，不同区域背景特点大为不同，不同地物尺寸差异极大，对感受野的设置要求更为严苛。综上，针对海岸带地物识别分类方法存在成本高、耗时长、分类精度低的问题，本专利技术在深度学习语义分割PSPNet算法基础上进行改进，以实现工期短、效率高、分类精度高、可以大范围对海岸带地物进行识别分类，为修复保护海岸带提供技术支持。
技术实现思路
本专利技术针对遥感影像背景较为自然影像更加复杂多变，地物尺寸差异极大，对感受野要求更为严苛，通过引入金字塔池化模块，结合上下文信息，解决了传统模型缺乏利用全局场景中的类别线索的问题，有效提高分类精度。针对国家海岛众多、海岸带范围极大，数据集影像数目极多，重新定义平均池化的步长和卷积核大小，替换主干提取网络为MobileNetV2，从而减少语义分割网络模型的训练时间，提高了分类工作的效率。为实现上述目的，本专利技术包括以下步骤：S1：确定实验区域的空间范围，获取无人机高分辨率RGB海岸带区域遥感影像数据，对采集的影像使用制图软件进行图像拼接，获取数字正射影像(DOM)图，将海岸带地物划分类别；S2：对S1中数字正射影像图像转换为灰度图，并对其像素值重新赋值为0-6，裁剪为像素大小为684×456的图片；将图片制作成PASCALVOC格式的数据集并划分为训练集、验证集、测试集；对数据集进行数据增广操作；S3：对S2得到的训练集进行语义分割PSPNet模型训练，根据训练得到的均并交比(MIOU)和训练时间，对模型算法进行改进，重新定义平均池化的步长和卷积核大小，替换PSPNet的主干提取网络；S4：根据S2得到的训练集、验证集对S3得到的优化之后的语义分割网络模型进行训练；S5：根据S2得到的测试集与S4训练之后得到的语义分割模型对海岸带地物进行分类实验；S6：根据S5测试结果来调整训练参数，循环此操作直到得到精度最高、训练时间最短的语义分割网络模型；S7：根据S6得到海岸带地物语义分割网络模型对海岸带地物进行分类。进一步的，步骤S1中数据处理主要包括以下步骤：(1)数据集使用无人机搭载2048万像素镜头进行采集，飞行高度为100米；(2)海岸带划分为沙滩、岩滩、建筑、海水、植被、道路和其他地物共七大类。进一步的，步骤S2中数据集共有19200张；数据集增广包括对影像进行平移、旋转操作，用来避免训练过拟合，增强语义分割模型的鲁棒性。进一步的，步骤S3包括以下步骤：(1)MIOU是深度学习中语义分割网络模型训练结果精度评价指标，定义为所有样本真实像素值和预测像素值两个集合的交集和并集之比的平均值；其中MIOU计算公式如下：其中TP表示真实值是正，预测值也是正的样本数目；FP表示真实值为负，预测值为正的样本数目；FN表示真实值为正，预测值为负的样本数目；k+1是设定的总体分类类别数；(2)模型损失函数由两部分组成，其函数公式L为：其中，L表示Loss损失函数，M表示类别数，yc是一个one-hot向量，元素只有0和1两种取值，如果该类别和样本的类别相同就取1，否则取0，Pc表示预测样本属于的概率。其中，S表示正确率，TP表示真实值是正，预测值也是正的样本数目；FP表示真实值为负，预测值为正的样本数目；FN表示真实值为正，预测值为负的样本数目；(3)算法修改包括重新定义平均池化的步长和卷积核大小，将原PSPNet金字塔池化模块部分划分的6×6特征区域变成5×5的区域，减少池化操作的计算量；将PSPNet的主干特征提取网络ResNet50替换成为MobileNetV2，MobileNetV2的使用标准卷积特征提取特征，卷积方式采用先升维，然后降维，减少了卷积层时间和空间复杂度，节约了训练时间。进一步的，步骤S4中中使用S3中经过算法改进之后的网络模型对S2中所获得的训练集进行训练。进一步的，步骤S6中根据S5测试结果来调整训练参数，迭代次数调整为90-100次，每批训练数目调整为6-8，学习率调整为0.001-0.0001。进一步的，步骤S7海岸带地物分类所使用影像为S2经过处理之后的测试集。由上，本专利技术针对基于无人机高分辨率遥感影像的海岸带地物分类方法一般采用人工解译或者传统机器学习方法识别分类，人工解译需花费大量的人力物力，并且受人的主观影响，传统机器学习方法泛化能力差，无法适应海岸带区域遥感影像背景复杂多变、地物尺寸极大等问题，提出了一种基于无人机高分辨率遥感影像海岸带地物分类方法为修复保护海岸带提供支持，并且对后续遥感影像地物分类的深入研究有一定的意义。附图说明本
技术实现思路
的描述与下面附图相结合将变得明显和容易理解，其中：图1为本专利技术一种基于无人机高分辨率遥感影像海岸带地物分类方法流程图；图2为数据集制作成果图；图3为金字塔模块结构图；图4为海岸带区域地物分类实验结果图；具体实施方式按图1所示步骤，对本专利技术一种基于无人机高分辨率遥感影像海岸带地物分类方法进行详细说明。步骤1：确定实验区域的空间范围，获取无人机高分辨率RGB海岸带区域遥感影像本文档来自技高网...

【技术保护点】
1.一种基于无人机高分辨率遥感影像海岸带地物分类方法，其特征在于，包括如下步骤：/nS1：确定实验区域的空间范围，获取无人机高分辨率RGB海岸带区域遥感影像数据，对采集的影像使用制图软件进行图像拼接，获取数字正射影像(DOM)图，将海岸带地物划分类别；/nS2：将S1中数字正射影像图像转换为灰度图，并对其像素值重新赋值为0-6，裁剪为像素大小为684×456的图片；对数据集进行数据增广操作；将图片制作成PASCAL VOC格式的数据集并划分为训练集、验证集、测试集；/nS3：将S2得到的训练集使用语义分割PSPNet模型进行训练，根据训练得到的均并交比(MIOU)和训练时间，对模型算法进行改进，重新定义平均池化的步长和卷积核大小，替换PSPNet的主干提取网络；/nS4：根据S2得到的训练集、验证集对S3得到的优化之后的语义分割网络模型进行训练；/nS5：根据S2得到的测试集与S4训练之后得到的语义分割模型对海岸带地物进行分类实验；/nS6：根据S5测试结果来调整训练参数，循环此操作直到得到精度最高、训练时间最短的语义分割网络模型；/nS7：根据S6得到海岸带地物语义分割网络模型对海岸带地物进行分类。/n...

【技术特征摘要】
1.一种基于无人机高分辨率遥感影像海岸带地物分类方法，其特征在于，包括如下步骤：
S1：确定实验区域的空间范围，获取无人机高分辨率RGB海岸带区域遥感影像数据，对采集的影像使用制图软件进行图像拼接，获取数字正射影像(DOM)图，将海岸带地物划分类别；
S2：将S1中数字正射影像图像转换为灰度图，并对其像素值重新赋值为0-6，裁剪为像素大小为684×456的图片；对数据集进行数据增广操作；将图片制作成PASCALVOC格式的数据集并划分为训练集、验证集、测试集；
S3：将S2得到的训练集使用语义分割PSPNet模型进行训练，根据训练得到的均并交比(MIOU)和训练时间，对模型算法进行改进，重新定义平均池化的步长和卷积核大小，替换PSPNet的主干提取网络；
S4：根据S2得到的训练集、验证集对S3得到的优化之后的语义分割网络模型进行训练；
S5：根据S2得到的测试集与S4训练之后得到的语义分割模型对海岸带地物进行分类实验；
S6：根据S5测试结果来调整训练参数，循环此操作直到得到精度最高、训练时间最短的语义分割网络模型；
S7：根据S6得到海岸带地物语义分割网络模型对海岸带地物进行分类。


2.根据权利要求1所述的一种基于无人机高分辨率遥感影像海岸带地物分类方法，其特征在于，所述的步骤S1包括以下步骤：
(1)数据集使用无人机搭载2048万像素镜头进行采集，飞行高度为100米；
(2)海岸带划分为沙滩、岩滩、建筑、海水、植被、道路和其他地物共七大类。


3.根据权利要求1所述的一种基于无人机高分辨率遥感影像海岸带地物分类方法，其特征在于，所述的步骤S2包括以下步骤：
(1)将数字正射影像图像转换为灰度图，并对其像素值重新赋值为0-6，裁剪为像素大小为684×456的图片；
(2)数据集共有19200张,数据集增广包括对影像进行平移、旋转操作，用来避免训练过拟合，增强语义分割模型的鲁棒性。


4.根据权利要求1所述的一种基于无人机高分辨率遥感影像海岸带地物分类方法，其特征在于，所述S3包括以下步骤：
(1)MIOU是深度学习中语义分割网络模型训练结果精度...

【专利技术属性】
技术研发人员：张胜景，赵瑞山，李守军，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21