基于高空间分辨率遥感影像的储油罐提取方法

本发明涉及图像处理、模式识别领域，特别涉及一种针对大空间范围高空间分辨率遥感影像的实用储油罐提取方法。
背景技术：
：储油罐，作为储存油品的容器，在储备和中转石油及其相关产品时尤为重要。对大空间范围内的储油罐进行及时、准确的监测有助于估算各地区的石油储备量，为我国制定石油生产和储备相关政策提供数据支撑。同时，由于储油罐常建于居民区以及港口附近，对油罐的实时监测有助于评估其发生爆炸和漏油等事件时对周边居民以及海港构成的威胁。因此，开展储油罐的高效监测技术研究很有必要。近年来，遥感技术的不断发展与成熟和计算机视觉相关技术的日新月异，越来越多的国产高分卫星数据，包括高分一、高分二、高分六以及资源卫星等，被广泛的应用于各个领域的目标监测任务中，并取得了丰硕的成果。目前，基于高空间分辨率遥感影像的储油罐监测方法也得到了快速发展。由于油罐在遥感影像中多呈圆形，模板匹配和霍夫变换(houghtransform)是两种比较常用的传统提取方法。这两种方法都存在计算量大、运算复杂和错分率高的缺点，难以对大空间范围内多种油罐进行提取。结合计算机视觉相关算法通过遥感影像分割对油罐提取也是一种常用的技术。自动阈值计算方法otsu，均值漂移和最小生成树等传统的分割方法在油罐提取中都起到了相应的应用，但是其结果精度受储油罐的大小、颜色和与背景地物的对比度影响较大。随着机器学习和深度学习方法的不断改进，部分模型在基于遥感影像的油罐提取领域也取得了相应的成果。基于区域的卷积神经网络fasterr-cnn(region-basedconvolutionalneuralnetwork)目前已经用于高分二影像中的储油罐提取中，并取得了89％的精度。在实现本发明构思的过程中，发明人发现相关技术中至少存在如下问题：现有方法多针对亮色、尺寸较大，而且与背景地物呈现明显光谱与纹理区别的储油罐进行提取。方法的可迁移性不强，使用限制条件过多，实用性不强，很难做到大面积应用。导致这一问题的主要原因是不同地区油罐的构造材质不同，在遥感影像中呈现的光谱特性不同。而且不同应用场景下的油罐尺寸和颜色也不尽相同。受成像条件限制，光照对影像中的油罐影响较大。很多情况下的油罐呈亮白色，与背景地物极易混淆。此外，提取得到的储油罐多比较琐碎，不完整。导致这一问题的主要原因是每个储油罐本身的不同像素，其在影像中的反射率都不尽相同，因此其同物异谱现象比较严重。技术实现要素：有鉴于此，本发明的主要目的在于提供一种基于高空间分辨率遥感影像的储油罐提取方法，以期部分地解决上述技术问题中的至少之一。为了实现上述目的，本发明提供了一种基于高空间分辨率遥感影像的储油罐提取方法一种基于高空间分辨率遥感影像的储油罐提取方法，包括：采集储油罐样本，将所述样本随机分为训练集和测试集；基于res2-unet模型结构构建储油罐提取模型；其中，基于unet语义分割结构提出深度学习网络res2-unet，采用res2net卷积模块，将特征层间学习改为粒度学习，并以残差方式布局；对所述测试集进行精度验证。其中，还包括：采用边缘损失函数来辅助模型的学习，所述边缘损失函数的定义如式(1)和式(2)所示：boundary＝i-ero(i)(1)；其中，boundary代表所提取的储油罐的边缘，i为提取的储油罐结果图，ero(i)是对图像i采用腐蚀计算得到的图像，bpred表示模型提取的储罐边缘，bgt表示储罐实际边缘信息，lboundary为边缘损失值。其中，所述储油罐提取模型整个模型结构的损失函数采用二值交叉熵bce与所述边缘损失函数相结合的方式，如下式所示：l＝μlbce+lboundary；其中，μ值设为2，l为整个储油罐提取模型的损失值，lbce为采用二值交叉熵bce部分的损失值，lboundary为边缘损失值。其中，所述深度学习网络res2-unet包括编码和解码，其中所述编码包括原始输入图像经过逐层res2net卷积运算和池化操作得到图像特征；所述解码包括所述图像特征经过逐层反卷积，特征大小逐步增大，维数逐步降低，最后生成与输入图像大小一致的单维二值结果图。其中，所述res2net卷积模块将1x1卷积以后的特征图从通道这一维度分为四块，得到四个子特征图x1、x2、x3和x4；其中，x1直接输入y1，x2经过3x3卷积得到特征图y2，x3与y2拼接，共同经过3x3卷积得到特征图y3，y3与x4拼接，共同经过3x3卷积得到特征图y4，y1、y2、y3和y4拼接，共同经过1x1卷积，再与原始特征图拼接，得到最终res2net卷积模块的输出特征图。其中，所述采集储油罐样本是基于gf1、gf2、gf6和zy卫星影像，通过目视解译采集的。其中，对所述储油罐样本进行如下处理：将每景影像根据油罐真实所处位置随机裁剪成512x512像素大小的图块，影像通道选取绿色、蓝色和近红外三个通道。其中，在所述储油罐提取模型训练过程中，先将输入数据逐级编码成多通道的特征，再通过与编码过程中生成的特征串联的方式，逐级解码到与输入图像相同大小的分割结果二值图，在二值图中，油罐标记为1，背景地物为0。其中，所述储油罐提取模型的学习率设置为0.01，优化策略采用随机梯度下降法。其中，所述对所述测试集进行精度验证计算了交并比、f1值、召回率和精度以评估测试集的精度。基于上述技术方案可知，本发明的基于高空间分辨率遥感影像的储油罐提取方法相对于现有技术至少具有如下有益效果之一：a、采用res2net模块改进unet网络结构，增强模型对储油罐多尺度特征的学习能力，可以增强对不同尺度储油罐的提取能力，进而提高模型的鲁棒性。b、采用res2-unet结构构建储油罐提取模型，模型结构简单，易与训练，而且采用unet的网络基本架构，对输入影像特征逐层编码和解码，得到最终的分类结果，可以增强对不同种类储油罐的提取能力，提高模型的可迁移性。c、采用边缘损失boundaryloss作为辅助损失函数增强模型对提取的储油罐边缘信息，进而保证其每个提取得到的储油罐的完整性，降低其同物异谱带来的影响。附图说明图1为本发明实施例提供的方法实现流程图；图2为本发明实施例提供的res2-unet网络结构图；图3为本发明实施例提供的res2net卷积模块示意图，其中，x1、x2、x3、x4为特征图的四个子通道集，y1、y2、y3、y4为相应的卷积之后形成的特征子集图；图4为本发明实施例提供的储油罐提取图，其中，(a)和(c)为原始影像，(b)和(d)为储油罐提取二值图。具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。如图1所示，为本发明所提出的方法流程图，具体包括以下步骤：步骤1：采集储油罐样本，将所述样本随机分为训练集和测试集；根据本发明进一步的实施例，基于gf1,gf2,gf6和zy卫星影像，通过目视解译收集油罐样本。受计算机计算能力的限制，将每景影像根据油罐真实所处位置随机裁剪成512x512像素大小的图块，影像通道选取绿色，蓝色和近红外三个通道。综合获取的所有图像斑块，随机选取其90％样本用于训练，10％样本用于测试。步骤2：基于res2-unet模型结构构建储油罐提取模型；其中，基于unet语义分割结构提出深度学习网络res2-unet，采用res2net卷积模块，将特征层间学习改为粒度学习，并以残差方式布局；如图2所示，为res2-unet网络结构图，其中，本发明提出的模型网络结构，主要由编码和解码两部分组成。原始输入图像大小为3x512x512,即三通道512x512像素大小，经过第一次res2net卷积后生成128通道特征，通过逐层池化、res2net卷积运算，最终生成2048通道特征。原始输入图像经过逐层res2net卷积运算和池化操作得到2048维特征的过程称为编码。从2048维特征经过逐层反卷积，特征大小逐步增大，维数逐步降低，最后生成与输入图像大小一致的单维二值结果图。这一过程称为解码。生成的二值结果图中，0即为背景，1为我们的目标提取物，即储油罐。在解码过程中，将编码逐层生成的特征与解码相对应大小的特征拼接，同时通过3x3卷积生成解码的特征。这一操作可以综合利用多层信息特征，有利于多尺度储油罐的提取。如图3所示，为res2net卷积模块示意图，其中，这一模块将传统1-3-1的3x3卷积结构改为4个尺度3x3卷积的残差结构。传统的3x3卷积结构是原始图像分别通过卷积核大小为1x1、3x3和1x1的卷积运算得到特征图。res2net将1x1卷积以后的特征图从通道这一维度分为四块，得到四个子特征图x1,x2,x3和x4.x1直接作为输入y1,x2经过3x3卷积得到特征图y2,x3与y2拼接，共同经过3x3卷积得到特征图y3,y3与x4拼接，共同经过3x3卷积得到特征图y4.y1,y2,y3和y4拼接，共同经过1x1卷积，在与原始特征图拼接，得到最终res2net模块的输出特征图。增加了每个网络层的感受野范围，提高了特征多尺度学习能力，更适于提取具有多尺度复杂特性的储油罐。根据本发明进一步的实施例，针对目前提取的油罐边缘信息多不完整问题，本发明提出边缘损失函数boundaryloss来辅助模型的学习。边缘损失函数的具体定义如公式(1)和(2)所示。其中，boundary代表所提取的储油罐的边缘，这里i为提取的储油罐结果图，ero(i)是对图像i采用腐蚀计算得到的图像，i-ero(i)即得到了提取的储油罐的边缘信息。基于边缘图boundary，根据式子(2)计算其与真实边缘图像素值的差异，将其作为衡量提取的储油罐边缘信息的缺陷。在式子(2)中，bpred表示模型提取的储罐边缘，bgt表示储罐实际边缘信息，lboundary为边缘损失值。整个模型结构的损失函数采用二值交叉熵bce(binarycrossentropy)与boundaryloss相结合的方式，如式子(3)所示。其中，μ值设为2，l为整个储油罐提取模型的损失值，lbce为采用二值交叉熵bce部分的损失值，lboundary为边缘损失值。boundary＝i-ero(i)(1)l＝μlbce+lboundary(3)根据本发明进一步的实施例，在模型训练过程中，先将输入数据逐级编码成2048通道的特征，再通过与编码过程中生成的特征串联的方式，逐级解码到与输入图像相同大小的分割结果二值图，油罐标记为1，背景地物为0。模型的学习率设置为0.01，优化策略采用随机梯度下降法sgd(stochasticgradientdescent)。步骤3：对所述测试集进行精度验证。根据本发明进一步的实施例，将训练得到的模型在测试集中测试，得到测试集的储油罐提取结果。将其中储油罐分布比较密集，而且尺寸多样的测试样本以及提取精度最差的测试样本展示在图4中。可以看到，本发明提出的模型可以比较好的解决多尺度储油罐提取问题，将多种储油罐提取出来。即使储油罐受阴影影响比较大，而且本身与背景地物光谱相差不大的情况下，训练得到的模型仍然可以将大部分储油罐像素成功提取。此外，我们还对整个测试样本集计算了交并比iou(intersectionoverunion),f1值，召回率recall和精度precision评估其精度，得到如表1所示的统计结果。iou的计算方式如式(4)所示，其中tp代表被提取为储油罐的真实像素个数；tn代表被提取为背景的真实像素个数；fp代表被错分为储油罐的真实背景地物的像素个数。recall和precision，以及f1值的具体计算方式如公式(5)-(7)所示。fn代表被错分为背景地物的真实储油罐的像素个数。表1储油罐精度验证统计表iourecallprecisionf177.2％79.06％96.72％83.07以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12