一种基于深度学习的遥感影像河湖岸线智能监测方法技术

本发明专利技术公开了一种基于深度学习的遥感影像河湖岸线智能监测方法。它包括如下步骤：步骤1：针对河湖岸线监测涉及的典型地物制作多源异构遥感解译样本集；步骤2：将深度学习模型应用于河湖岸线监测；构建多尺度深度卷积神经网络，并根据具体任务需求设计模型损失函数；步骤3：深度学习模型训练；步骤4：采用分块处理策略进行大场景影像数据处理；步骤5：进行解译结果后处理；步骤6：发展基于迁移学习的模型泛化；通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升模型的泛化能力。本发明专利技术方法具有能准确地识别出河湖岸线典型地物、计算效率高、泛化能力强的优点。泛化能力强的优点。泛化能力强的优点。

【技术实现步骤摘要】
一种基于深度学习的遥感影像河湖岸线智能监测方法


[0001]本专利技术涉及遥感图像处理
，更具体地说它是一种基于深度学习的遥感影像河湖岸线智能监测方法。

技术介绍

[0002]随着经济社会的快速发展，河湖岸线开发利用程度不断提高，同时河湖岸线的保护也同样面临严峻的挑战，河流岸线的有效保护和合理利用对区域生态文明建设和经济社会发展具有重要影响。因此，做好河湖岸线的监测工作具有重要的意义。
[0003]传统河湖岸线监测主要靠河湖管理人员定期现场巡河，但该方式巡查效率较低，工作量大，需耗费大量人力、物力和财力，且部分区域难以巡查到位，导致监测范围不全面等问题。随着遥感技术水平的不断提升，遥感影像数据资源日益丰富，通过对目标区域影像数据加以解译从而实现河湖岸线监测的方式，逐步成为主要趋势。河湖岸线遥感解译工作通常由具备专业知识的解译人员结合遥感影像特点和实际状况进行人工解译，但这种方式耗时、费力，不利于大规模大场景影像的高效解译。近年来，人工智能技术得到飞速发展，采用机器学习方法实现遥感影像自动、快速、精确的解译已经成为主流的研究方向。
[0004]因此，如何充分利用遥感影像大数据的优势，结合深度学习理论，实现遥感影像河湖岸线智能监测是亟待解决的重要问题。

技术实现思路

[0005]本专利技术的目的是为了提供一种基于深度学习的遥感影像河湖岸线智能监测方法，充分利用遥感影像大数据的优势，结合深度学习技术，实现遥感影像河湖岸线智能监测，泛化能力强；本专利技术通过构建大规模遥感解译样本集、发展多尺度深度学习方法、采用迁移学习优化策略等实现较准确地识别出河湖岸线典型地物，识别精度优于85％，并具有较高的计算效率(本专利技术通过分块处理、并行计算等方式实现高效计算)，一景高分二号影像(约500平方公里)智能解译效率优于10分钟，易于投入实用。
[0006]为了实现上述目的，本专利技术的技术方案为：一种基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：包括如下步骤：
[0007]步骤1：针对河湖岸线监测涉及的典型地物制作多源异构遥感解译样本集；
[0008]构建多源异构遥感影像河湖岸线监测样本集，结合已开展工程项目涉及到的历史影像与解译成果，对遥感影像河湖岸线监测典型地物类别进行数据采集和样本制作，构建得到包含十万量级的大规模不同传感器、不同分辨率、不同地物要素的多源异构遥感解译样本集产品，并划分为训练数据和测试数据；
[0009]步骤2：将深度学习模型应用于河湖岸线监测；
[0010]构建多尺度深度卷积神经网络模型，并根据具体任务需求设计多尺度深度卷积神经网络模型损失函数，主要包括多尺度编码
‑
解码结构、编码
‑
解码堆叠结构、二值交叉熵损失函数；
[0011]步骤3：深度学习模型训练；
[0012]对步骤1构建的训练数据进行数据增强，并输入到步骤2构建的深度学习模型中进行训练，采用随机梯度下降算法和反向传播算法进行多尺度深度卷积神经网络模型参数的更新优化；
[0013]步骤4：深度学习模型测试；
[0014]将步骤1构建的大场景遥感影像测试数据输入步骤3训练得到的多尺度深度卷积神经网络模型中，采用分块处理策略进行大场景影像数据处理，并输入已训练优化的多尺度深度卷积神经网络模型中得到初步解译的概率图(即采用分块处理策略得到输出的大场景概率图)，并采用阈值分割方式得到初步提取的二值化结果(即初步解译结果)；
[0015]步骤5：进行解译结果后处理；
[0016]采用形态学后处理对步骤4提取的二值化解译结果加以优化，并对优化结果添加地理坐标信息和进行栅格
‑
矢量转换得到最终的河湖岸线监测解译成果；
[0017]步骤6：发展基于迁移学习的模型泛化；
[0018]通过发展联合迁移学习的多源遥感影像智能解译处理策略，通过补充特定场景下的少量样本数据对上述已优化的多尺度深度卷积神经网络模型进行精调，实现多尺度深度卷积神经网络模型从源域(原始场景数据)到目标域(特定场景数据)的有效迁移，提升多尺度深度卷积神经网络模型的泛化能力。
[0019]本专利技术中的解译即实现地物的识别、监测，全流程都是为了实现准确解译。本专利技术中的步骤1
‑
4可以实现遥感影像上目标的初步解译，步骤5对步骤4的初步解译结果进行优化的后处理，步骤6则是进行迁移泛化，实现其他场景下目标的解译，本专利技术中的各步骤相互联系，前一步骤是后一步骤的基础，后一步骤是前一步骤的深化。
[0020]在上述技术方案中，在步骤1中，多源异构遥感解译样本集产品包含高分二号卫星、资源三号卫星、北京二号卫星、worldview卫星、无人机等不同传感器，0.2米、0.8米、2米等不同空间分辨率，水体、疑似开挖、建筑物、道路等不同地物要素。
[0021]在上述技术方案中，在步骤2中，多尺度深度卷积神经网络为对称式U型网络结构，先通过编码方式进行下采样，提取高维抽象特征，再通过解码方式进行上采样，恢复影像尺寸，得到精细解译结果；
[0022]此外，本专利技术引入了编码
‑
解码堆叠结构来同时集成低维空间信息和高维语义信息，对于每个对称的卷积
‑
反卷积对，卷积层的特征均堆叠到反卷积层上，从而提供了更详细的地物信息；其中，网络结构中的池化处理采用最大池化(max pooling)，根据经验选择池化核大小为2
×
2，步长为2，公式为：
[0023][0024]其中，表示与第k个特征图有关的在矩形区域R
ij
的最大池化输出值，表示矩形区域R
ij
中位于(p,q)处的元素。
[0025]激活函数为非线性激活单元ReLU(rectified linear unit)，在0和像元值x之间取最大值，公式为：
[0026]f(x)＝max(0,x)
[0027]该深度学习模型的损失函数为二值交叉熵，公式为：
[0028][0029]其中，是网络预测的置信度，用于衡量该像素属于该地物的概率；y
i
是真实值，其中识别对象和非识别对象分别赋值为1和0；i表示每个像素的索引；N表示总像素数；
[0030]该损失函数用来评价深度学习模型的预测值和真实值差异的程度，从而指导下一步的训练向正确的方向进行。
[0031]在上述技术方案中，在步骤3中，训练数据增强方式为影像裁切，顾及算力资源和多尺度深度卷积神经网络模型输入尺寸要求，将所有训练影像数据均统一裁切为128
×
128的尺寸大小，这个尺寸是一个经验值，可以根据实际情况选用其他尺寸，从而有效扩充训练数据量；通过将影像裁切为固定尺寸的小块数据，可以避免计算机硬件计算资源不足的问题，并增加训练的数据量。
[0032]在上述技术方案中，在步骤4中，大场景遥感影像数据处理方式为分块处理策略，影像分块大小可根据具体硬件配置进行调整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：包括如下步骤：步骤1：制作多源异构遥感解译样本集；结合已开展工程项目涉及到的历史影像与解译成果，对遥感影像河湖岸线监测典型地物类别进行数据采集和样本制作，构建得到包含十万量级的大规模不同传感器、不同分辨率、不同地物要素的多源异构遥感解译样本集产品，并划分为训练数据和测试数据；步骤2：将深度学习模型应用于河湖岸线监测；构建多尺度深度卷积神经网络模型，并根据具体任务需求设计模型损失函数，主要包括多尺度编码
‑
解码结构、编码
‑
解码堆叠结构、二值交叉熵损失函数；步骤3：深度学习模型训练；对步骤1构建的训练数据进行数据增强，并输入到步骤2构建的深度学习模型中进行训练，采用随机梯度下降算法和反向传播算法进行模型参数的更新优化；步骤4：深度学习模型测试；将步骤1构建的大场景遥感影像测试数据输入步骤3训练得到的网络模型中，采用分块处理策略得到输出的大场景概率图，并采用阈值分割方式得到初步提取的二值化结果；步骤5：进行解译结果后处理；采用形态学后处理对步骤4提取结果加以优化，并对优化结果添加地理坐标信息和进行栅格
‑
矢量转换得到最终的河湖岸线监测解译成果；步骤6：发展基于迁移学习的模型泛化；通过发展联合迁移学习的多源遥感影像智能解译处理策略，实现智能解译模型从源域到目标域的有效迁移，提升模型的泛化能力。2.根据权利要求1所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤1中，多源异构遥感解译样本集产品包含高分二号卫星、资源三号卫星、北京二号卫星、worldview卫星、无人机这些不同传感器，0.2米、0.8米、2米这些不同空间分辨率，水体、疑似开挖、建筑物、道路这些不同地物要素。3.根据权利要求1或2所述的基于深度学习的遥感影像河湖岸线智能监测方法，其特征在于：在步骤2中，多尺度深度卷积神经网络为对称式U型网络结构，先通过编码方式进行下采样，提取高维抽象特征，再通过解码方式进行上采样，恢复影像尺寸，得到精细解译结果；引入编码
‑
解码堆叠结构来同时集成低维空间信息和高维语义信息，对于每个对称的卷积
‑
反卷积对，卷积层的特征均堆叠到反卷积层上，从而提供了更详细的地物信息；其中，网络结构中的池化处理采用最大池化，根据经验选择池化核大小为2
×
2，步长为2，公式为：其中，表示与第k个特征图有关的在矩形区域R
...

【专利技术属性】
技术研发人员：罗爽，伍中华，罗兵，黄涛，杨建林，廖东晓，王成，雷苏琪，龚武，戴林，朱和平，陈旭，
申请(专利权)人：中国三峡建工集团有限公司国家能源集团江西电力有限公司万安水力发电厂恩施清江大龙潭水电开发有限公司，
类型：发明
国别省市：