【技术实现步骤摘要】
本专利技术涉及云雪湖泊图像识别，具体涉及一种用于高原山地的云雪湖泊图像识别方法。
技术介绍
1、遥感影像是获取地理环境信息和土地资源情况的有效方式，光学遥感卫星对地观测具有很高的分辨率，包含丰富的内容，具有很清晰的细节，可以用于监测土地、森林和大气等任务。然而在遥感卫星对地观测过程中，地球表面常被云层遮挡以及雪域覆盖，使得大量地貌信息和地表特征无法被监测到。同时，在气候-人-环境相互作用研究中，云雪、湖泊在研究气候变化、调查水文资源、发布雪灾预警等方面发挥着至关重要的作用。因此进行遥感影像云雪、湖泊分割很有必要。由于云雪、冰湖在可见光和近红外波段具有相似的反射率特征，在共存的情况下极易产生混淆，云比大多数陆地表面更亮、更冷。现有的云掩蔽算法通常是有效的，然而在积雪覆盖地区和冰湖地区表现较差。sentinel-2中的1.38μm波段用于薄卷云的探测，但在雪地等高反照率表面很难探测薄卷云，因此在分割任务中区分三者具有挑战性。
2、深度学习作为机器学习的一个子领域，近年来在图像处理方面取得了重大进展，这极大地推动了遥感云雪、湖泊的探测研究。深度学习可以在训练过程中自动捕获图像的纹理、形状和上下文信息，并且结果往往优于传统方法。尽管神经网络在分割任务上表现很好，但对数据的依赖也非常严重，数据集的数量和质量将直接影响分割的效果，因此如何制作出高质量的数据集是当前分割的难点，通常采用目视解译法手动标注。而遥感影像图幅大、波段多、纹理复杂、地物类型丰富，倘若只用目视解译法去人工标注，工作量太大，所以依靠一些传统算法去辅助标注可以提
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种用于高原山地的云雪湖泊图像识别方法解决了对云雪、湖泊标注目视解译法工作量太大标注速度慢、波段阈值法精度低以及机器学习算法特征选择难的问题。
2、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：
3、提供了一种用于高原山地的云雪湖泊图像识别方法，其包括以下步骤：
4、s1、获取高原山地的云雪湖泊的遥感影像数据；
5、s2、对遥感影像数据进行预处理，获取假彩色影像数据；
6、s3、将假彩色影像数据输入至云雪湖泊图像识别模型，得到识别结果，完成对云雪湖泊图像的识别。
7、进一步地，步骤s2包括以下步骤：
8、s2-1、对遥感影像数据进行大气校正和辐射定标，得到对应的大气反射率数据；
9、s2-2、对大气反射率数据进行标准化，得到标准化后的大气反射率数据；
10、s2-3、对标准化后的大气反射率数据进行波谱分析，得到对应的分析结果；
11、s2-4、基于分析结果，利用双线性插值法对遥感影像数据进行重采样，得到重采样后的遥感影像数据；
12、s2-5、对重采样后的遥感影像数据进行波段合成并剔除真彩色影像数据，得到假彩色影像数据。
13、进一步地，假彩色影像数据采用swir、green、blue波段对应的假彩色影像。
14、进一步地，步骤s3中的云雪湖泊图像识别模型包括串联的mobilenet-v2卷积神经网络和fpn深度学习模型；mobilenet-v2卷积神经网络包括串联的逐深度卷积层和逐点卷积层；fpn深度学习模型包括串联的编码器和解码器；编码器包括串联的第一卷积层、bottleneck模块；bottleneck模块包括串联的第一bottleneck单元、第二bottleneck单元和第三bottleneck单元，第一bottleneck单元、第二bottleneck单元和第三bottleneck单元均包括串联的bottleneck1层、bottleneck2层；bottleneck1层包括串联的第二卷积层、第一dwise层和线性卷积层；所述bottleneck2层包括串联的第三卷积层、第二dwise层和线性卷积层；
15、解码器包括并行的第一采样模块、第二采样模块和第三采样模块，且第一采样模块和第二采样模块之间、第二采样模块和第三采样模块之间通过上采样层进行连接；第一采样模块、第二采样模块和第三采样模块均包括串联的两个第四卷积层和上采样层。
16、进一步地，第一卷积层采用relu函数进行激活，且卷积核大小为3×3以及步长为2；第二卷积层和第三卷积层均采用relu函数进行激活，且卷积核大小为1×1；第一dwise层采用relu函数进行激活，且卷积核大小为3×3以及步长为2；第二dwise层采用relu函数进行激活，且卷积核大小为3×3；每个线性卷积层的卷积核大小均为1×1；每个第四卷积层采用relu函数进行激活，且卷积核大小为3×3以及步长为1。
17、进一步地，步骤s3中的云雪湖泊图像识别模型的训练过程包括以下步骤：
18、s3-1、获取训练遥感影像数据并采用与步骤s1至s2相同的方法进行处理，得到训练假彩色影像数据；
19、s3-2、利用svm对训练假彩色影像数据进行分割，获取初始训练分割数据；
20、s3-3、对训练分割数据集进行随机裁剪和数据增强，得到最终训练分割数据；
21、s3-4、将最终训练分割数据输入至逐深度卷积层，得到第一特征图数据；
22、s3-5、将第一特征图数据输入至逐点卷积层输入至逐点卷积层，得到第二特征图数据；
23、s3-6、将第二特征图数据输入至第一卷积层和第一bottleneck单元，得到第三特征图数据；
24、s3-7、将第三特征图数据输入至第二bottleneck单元，得到第四特征图数据；
25、s3-8、将第四特征图数据输入至第三bottleneck单元，得到第五特征图数据；
26、s3-9、将第五特征图数据输入至第一采样模块，得到第一预测结果；
27、s3-10、将第四特征图数据和第一采样模块的第一个第四卷积层的输出数据进行拼接后输入至第二采样模块，得到第二预测结果；
28、s3-11、将第三特征图数据和第二采样模块的第一个第四卷积层的输出数据进行拼接后输入至第三采样模块，得到第三预测结果；
29、s3-12、对第一预测结果、第二预测结果和第三预测结果进行逐像元相加并利用sigmoid函数进行处理，得到最终预测结果；
本文档来自技高网...
【技术保护点】
1.一种用于高原山地的云雪湖泊图像识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤S2包括以下步骤：
3.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述假彩色影像数据采用SWIR、Green、Blue波段对应的假彩色影像。
4.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤S3中的云雪湖泊图像识别模型包括串联的MobileNet-v2卷积神经网络和FPN深度学习模型；所述MobileNet-v2卷积神经网络包括串联的逐深度卷积层和逐点卷积层；所述FPN深度学习模型包括串联的编码器和解码器；所述编码器包括串联的第一卷积层、Bottleneck模块；所述Bottleneck模块包括串联的第一Bottleneck单元、第二Bottleneck单元和第三Bottleneck单元，第一Bottleneck单元、第二Bottleneck单元和第三Bottleneck单元均包括串联的Bottleneck1层、Bottleneck2层；
5.根据权利要求4所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述第一卷积层采用Relu函数进行激活，且卷积核大小为3×3以及步长为2；所述第二卷积层和第三卷积层均采用Relu函数进行激活，且卷积核大小为1×1；所述第一Dwise层采用Relu函数进行激活，且卷积核大小为3×3以及步长为2；所述第二Dwise层采用Relu函数进行激活，且卷积核大小为3×3；每个所述线性卷积层的卷积核大小均为1×1；每个所述第四卷积层采用Relu函数进行激活，且卷积核大小为3×3以及步长为1。
6.根据权利要求3或5所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤S3中的云雪湖泊图像识别模型的训练过程包括以下步骤：
7.根据权利要求6所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤S3-2包括以下步骤：
8.根据权利要求7所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤S3-14包括以下步骤：
...【技术特征摘要】
1.一种用于高原山地的云雪湖泊图像识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤s2包括以下步骤：
3.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述假彩色影像数据采用swir、green、blue波段对应的假彩色影像。
4.根据权利要求1所述的用于高原山地的云雪湖泊图像识别方法，其特征在于：所述步骤s3中的云雪湖泊图像识别模型包括串联的mobilenet-v2卷积神经网络和fpn深度学习模型；所述mobilenet-v2卷积神经网络包括串联的逐深度卷积层和逐点卷积层；所述fpn深度学习模型包括串联的编码器和解码器；所述编码器包括串联的第一卷积层、bottleneck模块；所述bottleneck模块包括串联的第一bottleneck单元、第二bottleneck单元和第三bottleneck单元，第一bottleneck单元、第二bottleneck单元和第三bottleneck单元均包括串联的bottleneck1层、bottleneck2层；所述bottleneck1层...
【专利技术属性】
技术研发人员：孙章丽，黄开洪，熊一，王航通，涂琳，杨晨曦，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。