技术特征：
1.一种基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于，包括如下步骤：s1：获取目标区域高分辨率遥感影像，对影像进行标注，得到不透水面标签图像；对高分辨率遥感影像以及对应不透水面标签图像进行数据预处理操作，最终得到不透水面样本数据集；s2：构建用于高分辨率遥感影像特征提取的多尺度融合网络模型，所述多尺度融合网络模型以u
‑
net为骨干网络，并将特征金字塔引入u
‑
net网络中对上采样过程中不同尺度的特征进行融合，并基于融合特征对输入模型的高分辨率遥感影像进行逐像素地物类别预测，实现多尺度不透水面目标的检测；s3：以所述不透水面样本数据集作为训练数据，通过最小化损失函数，利用神经网络优化器对多尺度融合网络模型参数进行迭代优化，使多尺度融合网络模型能够准确检测高分辨率遥感影像中的不透水面；s4：将目标高分辨率遥感影像输入训练得到的多尺度融合网络模型中，提取影像融合特征并进行逐像素地物类别预测，得到地物类别为不透水面的区域。2.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述步骤s1中，按照s11～s12步骤构建不透水面数据集：s11：对目标区域的高分辨率遥感影像中不透水面区域进行标注，生成不透水面标签图像；s12：对高分辨率遥感影像以及对应不透水面标签图像利用固定尺寸的随机窗口进行图像块提取，将提取得到的高分辨率遥感影像图像块和不透水面标签图像块作为样本，通过样本筛选、数据增强和归一化操作后，构建为不透水面样本数据集。3.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述不透水面样本数据集预先分为训练集和测试集，利用训练集对多尺度融合网络模型进行训练，并利用测试集验证其模型精度，满足精度要求后用于实际高分辨率遥感影像的不透水面提取。4.根据权利要求2所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述数据增强的操作包括多角度翻转、镜像映射、线性拉伸和添加噪声。5.根据权利要求2所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述随机窗口的尺寸为256
×
256像素。6.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述步骤s2中，多尺度融合网络模型包括u
‑
net网络和特征金字塔网络，其中u
‑
net网络由左侧压缩通道和右侧扩张通道构成，左侧压缩通道对输入的高分辨率遥感影像逐层进行下采样，减小池化层空间维度，用以实现遥感影像特征提取，而右侧扩张通道逐层进行上采样，逐步恢复图像细节和空间维度，并利用跳跃结构与左侧压缩通道对应层级的特征图进行融合；其中特征金字塔网络作为骨干网络u
‑
net之外的子网络，能够获取右侧扩张通道在上采样过程中每一层级的特征图，并将各层级得到的特征图以双线性插值的方式进行尺寸恢复，再将恢复尺寸后的特征图以通道拼接的方式形成融合特征图；最终融合特征图输入softmax分类器中，对像素点属于每种地物类别的概率进行预测，得到高分辨率遥感影像中每个像素点对应各个地物类别的概率，从而确定不透水面类别所在区域。
7.根据权利要求6所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：对所述通道拼接后的特征图使用1
×
1的卷积核调整特征通道数，再进行softmax分类。8.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述损失函数由交叉熵损失函数和dice loss组成。9.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：利用反向传播与优化算法对所述多尺度融合网络模型进行训练，训练过程中通过adam优化算法不断更新权值，使损失函数误差不断减小，直至模型趋于稳定。10.根据权利要求1所述的基于深度学习的高分辨率遥感影像不透水面提取方法，其特征在于：所述s4中，目标高分辨率遥感影像采用边缘重叠的方式进行分块裁剪，然后将每个图像块输入训练得到的多尺度融合网络模型中得到输出的分类图块，再将所有分类图块通过忽略边缘策略按序拼接，得到完整影像的地物类别分类结果，即可从中提取出地物类别为不透水面的区域。
技术总结
本发明公开了一种基于深度学习的高分辨率遥感影像不透水面提取方法。本发明利用深度学习网络架构，将不透水面提取转化为深度学习网络模型构建与训练优化问题。本方法的优点在于充分考虑高分辨率遥感影像的特点，利用深度学习模型强大的计算能力和特征提取能力，实现遥感不透水面的精确提取。同时，考虑到加强网络对细节不透水面的敏感程度，引入特征金字塔，融合影像多尺度信息，提高模型泛化能力，进一步提高遥感影像不透水面的提取精度。本发明可实现不透水面自动特征提取，对于遥感不透水面提取研究对于城市建设、城市生态环境等具有十分重要的实际应用价值。十分重要的实际应用价值。十分重要的实际应用价值。
技术研发人员：汪愿愿 楼宇秦 吴森森 杜震洪 张丰
受保护的技术使用者：浙江大学
技术研发日：2021.07.12
技术公布日：2021/11/2