基于自监督学习算法的卫星遥感影像水体识别方法及系统技术方案

本发明专利技术公开了一种基于自监督学习算法的卫星遥感影像水体识别方法及系统，该方法包括根据卫星遥感影像生成指数波段遥感数据；构建基于

【技术实现步骤摘要】
基于自监督学习算法的卫星遥感影像水体识别方法及系统


[0001]本专利技术涉及卫星遥感影像处理
，具体涉及一种基于自监督学习算法的卫星遥感影像水体识别方法及系统
。

技术介绍

[0002]利用卫星遥感影像获取地表水体信息，是掌握水文水资源变化信息，提高水资源利用率，进行水资源监测的重要手段
。
[0003]当前使用卫星遥感影像进行水体信息提取，主要分为三种方法：
①
指数法：结合所使用的卫星遥感的数据的波段特性，构建水体提取指数
(
波段
)
并设置对应的指数阈值，通过设定阈值规则，逐像素地进行水体提取；
②
面向对象的水体分类方法：首先将遥感影像分割为大小不同的对象，随后借助纹理
、
颜色及形状等特征对这些对象目标进行分类，通过对判断对象是否为水体实现影像中水体目标的提取；
③
深度学习：借助深度学习，将遥感影像水体提取任务转换为语义分割任务，通过深度学习良好的函数拟合能力，实现水体提取任务
。
[0004]然而，上述的方法都有其对应的缺陷：
①
指数法虽然简单，然而对遥感影像的波段数据要求严格，当缺少对应波段数据时无法进行水体提取，此外，由于本质是进行逐点分类，因此会引入非常多的噪声，水体信息提取效果较差；
②
面向对象的水体分类方法强依赖于第一步的对象分割结果与后续分类步骤中的特征工程，同一套参数通常难以迁移到其他区域或其他时相的遥感影像，泛化性能较差；
③
相比于前两类方法深度学习方法对数据的波段特性要求低，同时，训练好的深度神经网络模型能够泛化到不同区域
、
不同时相的遥感影像
。
但是训练深度神经网络需要大量的带有标签的，且数据分布广泛的样本，当样本数据不足时，利用深度学习进行水体提取的提取精度
、
泛化等性能都将会受到影响
。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供了一种基于自监督学习算法的卫星遥感影像水体识别方法及系统，以期解决由于带标签样本不足而使得深度神经网络在遥感影像水体提取任务中性能下降的问题，从而提升遥感影像水体提取任务的精度与泛化性
。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：第一方面，本专利技术提出了一种基于自监督学习算法的卫星遥感影像水体识别方法，包括以下步骤：根据卫星遥感影像生成指数波段遥感数据；构建基于
swin transformer
深度神经网络和
UNet
网络的卫星遥感影像水体识别模型；根据无标签的指数波段遥感数据，采用基于掩膜自编码自监督算法对构建的卫星遥感影像水体识别模型进行预训练；根据带标签的指数波段遥感数据，对预训练后的卫星遥感影像水体识别模型进行
再次训练；利用训练后的卫星遥感影像水体识别模型对待识别的卫星遥感影像进行水体识别，并对水体识别结果进行后处理，得到最终的水体提取结果
。
[0007]进一步地，所述根据卫星遥感影像生成指数波段遥感数据具体包括以下步骤：根据卫星遥感影像计算归一化水体指数和改进的归一化水体指数；将归一化水体指数和改进的归一化水体指数与卫星遥感影像的原始波段数据共同叠加，生成指数波段遥感数据
。
[0008]进一步地，所述根据卫星遥感影像生成指数波段遥感数据还包括：对生成的指数波段遥感数据进行数据增强处理；所述数据增强处理包括图像旋转
、
图像镜像
、
图像随机裁剪操作
。
[0009]进一步地，所述卫星遥感影像水体识别模型具体包括：基于
swin transformer
深度神经网络的编码器和基于
swin transformer
深度神经网络的解码器；所述基于
swin transformer
深度神经网络的编码器通过跳跃连接和底层的特征变换模块将不同分辨率不同抽象层级的图像特征传递给解码器
。
[0010]进一步地，所述基于
swin transformer
深度神经网络的编码器具体包括：区块划分层
、
线性嵌入层
、
第一特征变换层
、
第一区块融合层
、
第二特征变换层
、
第二区块融合层
、
第三特征变换层和第三区块融合层；所述区块划分层将输入的指数波段遥感图像从像素分辨率图像转换为区块分辨率图像，并输出至线性嵌入层；所述线性嵌入层将区块划分层输出的区块分辨率图像中各个区块映射为对应的嵌入向量，并输出至第一特征变换层；所述第一特征变换层对线性嵌入层输出的嵌入向量进行基于窗口注意力机制的特征变换，得到第一尺度的图像特征；将第一尺度的图像特征输出至第一区块融合层，并通过跳跃连接将第一尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第一区块融合层对第一特征变换层输出的第一尺度的图像特征进行区块融合，得到降低区块分辨率后的图像特征，并输出至第二特征变换层；所述第二特征变换层对第一区块融合层输出的降低区块分辨率后的图像特征进行基于窗口注意力机制的特征变换，得到第二尺度的图像特征；将第二尺度的图像特征输出至第二区块融合层，并通过跳跃连接将第二尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第二区块融合层对第二特征变换层输出的第二尺度的图像特征进行区块融合，得到降低区块分辨率后的图像特征，并输出至第三特征变换层；所述第三特征变换层对第二区块融合层输出的降低区块分辨率后的图像特征进行基于窗口注意力机制的特征变换，得到第三尺度的图像特征；将第三尺度的图像特征输出至第三区块融合层，并通过跳跃连接将第三尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第三区块融合层对第三特征变换层输出的第三尺度的图像特征进行区块融
合，得到降低区块分辨率后的图像特征；并通过底层的特征变换模块进行基于窗口注意力机制的特征变换后将第四尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级
。
[0011]进一步地，所述基于
swin transformer
深度神经网络的解码器具体包括：第一区块扩展层
、
第四特征变换层
、
第二区块扩展层
、
第五特征变换层
、
第三区块扩展层
、
第六特征变换层
、
正则化层和预测投影层；所述第一区块扩展层对底层的特征变换模块输出的第四尺度的图像特征进行区块扩展，得到提高区块分辨率后的图像特征，并输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自监督学习算法的卫星遥感影像水体识别方法，其特征在于，包括以下步骤：根据卫星遥感影像生成指数波段遥感数据；构建基于
swin transformer
深度神经网络和
UNet
网络的卫星遥感影像水体识别模型；根据无标签的指数波段遥感数据，采用基于掩膜自编码自监督算法对构建的卫星遥感影像水体识别模型进行预训练；根据带标签的指数波段遥感数据，对预训练后的卫星遥感影像水体识别模型进行再次训练；利用训练后的卫星遥感影像水体识别模型对待识别的卫星遥感影像进行水体识别，并对水体识别结果进行后处理，得到最终的水体提取结果
。2.
根据权利要求1所述的基于自监督学习算法的卫星遥感影像水体识别方法，其特征在于，所述根据卫星遥感影像生成指数波段遥感数据具体包括以下步骤：根据卫星遥感影像计算归一化水体指数和改进的归一化水体指数；将归一化水体指数和改进的归一化水体指数与卫星遥感影像的原始波段数据共同叠加，生成指数波段遥感数据
。3.
根据权利要求1或2所述的基于自监督学习算法的卫星遥感影像水体识别方法，其特征在于，所述根据卫星遥感影像生成指数波段遥感数据还包括：对生成的指数波段遥感数据进行数据增强处理；所述数据增强处理包括图像旋转
、
图像镜像
、
图像随机裁剪操作
。4.
根据权利要求1所述的基于自监督学习算法的卫星遥感影像水体识别方法，其特征在于，所述卫星遥感影像水体识别模型具体包括：基于
swin transformer
深度神经网络的编码器和基于
swin transformer
深度神经网络的解码器；所述基于
swin transformer
深度神经网络的编码器通过跳跃连接和底层的特征变换模块将不同分辨率不同抽象层级的图像特征传递给解码器
。5.
根据权利要求4所述的基于自监督学习算法的卫星遥感影像水体识别方法，其特征在于，所述基于
swin transformer
深度神经网络的编码器具体包括：区块划分层
、
线性嵌入层
、
第一特征变换层
、
第一区块融合层
、
第二特征变换层
、
第二区块融合层
、
第三特征变换层和第三区块融合层；所述区块划分层将输入的指数波段遥感图像从像素分辨率图像转换为区块分辨率图像，并输出至线性嵌入层；所述线性嵌入层将区块划分层输出的区块分辨率图像中各个区块映射为对应的嵌入向量，并输出至第一特征变换层；所述第一特征变换层对线性嵌入层输出的嵌入向量进行基于窗口注意力机制的特征变换，得到第一尺度的图像特征；将第一尺度的图像特征输出至第一区块融合层，并通过跳跃连接将第一尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第一区块融合层对第一特征变换层输出的第一尺度的图像特征进行区块融合，得到降低区块分辨率后的图像特征，并输出至第二特征变换层；
所述第二特征变换层对第一区块融合层输出的降低区块分辨率后的图像特征进行基于窗口注意力机制的特征变换，得到第二尺度的图像特征；将第二尺度的图像特征输出至第二区块融合层，并通过跳跃连接将第二尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第二区块融合层对第二特征变换层输出的第二尺度的图像特征进行区块融合，得到降低区块分辨率后的图像特征，并输出至第三特征变换层；所述第三特征变换层对第二区块融合层输出的降低区块分辨率后的图像特征进行基于窗口注意力机制的特征变换，得到第三尺度的图像特征；将第三尺度的图像特征输出至第三区块融合层，并通过跳跃连接将第三尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级；所述第三区块融合层对第三特征变换层输出的第三尺度的图像特征进行区块融合，得到降低区块分辨率后的图像特征；并通过底层的特征变换模块进行基于窗口注意力机制的特征变换后将第四尺度的图像特征输出至基于
swin transformer
深度神经网络的解码器中对应层级
。6.
根据权利要求5所述的基于自监督学习算法...

【专利技术属性】
技术研发人员：卢鑫，庄耘天，罗茂盛，廖勇，惠健，阚飞，陈玥，代强，周伍光，杨源，
申请(专利权)人：四川省水利科学研究院，
类型：发明
国别省市：