一种基于深度学习的大范围快速遥感水体提取方法及系统

本发明属于信息技术服务，尤其涉及一种基于深度学习的大范围快速遥感水体提取方法。

背景技术：

1、在全球海平面上升和海岸线剧烈变化的大背景下，海岸带人口面临着越来越严重的洪水灾害，世界上将近有23％的人口直接暴露在百年一遇的洪水中。因此，对洪水的快速大范围监测是件及其重要的工作，它关乎人类财产及生命安全。包括洪水提取在内的地表水提取问题在近些年不断发展。原始的地表水制图方法通过人工测量，能够非常精准的获取地表水体范围，但其效率非常低，且需要耗费大量人力物力，适用性不强。基于遥感和传统机器学习的水体提取方法可分为监督分类、非监督分类，非监督分类方法包括一些常见的阈值分类方法，如最大类间方差、最小误差分割等方法，该类方法分割效率高，能够利用sar影像快速实现大范围水体提取，但依赖单一阈值的水体提取方法同时存在较大弊端，对于地物类型复杂的区域，sar后向散射强复杂多变，利用单一阈值得到的分类结果在分类细节上较差。监督分类方法包括支持向量机、随机森林等，其在精度上较传统阈值分割法往往有一定提升，但水体提取效率较低，需要耗费人力选定训练样本。传统机器学习在处理sar影像斑点噪声问题方面的能力非常有限，一般是通过滤波方法削弱斑点噪声。

2、近些年来，深度学习得到了飞速发展，广泛应用于包括自然语言识别、目标识别、自然图像分类等多种领域。深度学习能够提取到影像中的深层特征，相较于传统机器学习有很大优势，目前已有许多研究将深度学习应用于多光谱和高光谱影像的分类任务中，对于sar影像的分类应用仍相对较少。监督性深度学习的良好分类结果往往依赖于海量的训练数据，需要耗费人类物力制作训练标签，这对于追求时效性的洪水制图等水体提取问题来说是非常大的弊端。针对非监督性的深度学习方法在快速且大范围的洪水监测中有着巨大的潜力，是洪水提取的一个重要研究方向。

3、通过上述分析，现有技术存在的问题及缺陷为：原始的地表水制图方法效率非常低，且需要耗费大量人力物力，适用性不强；基于遥感和传统机器学习的水体提取方法分割效率高，但对于地物类型复杂的区域在分类细节上较差；监督分类方法在精度上较传统阈值分割法有一定提升，但水体提取效率较低，需要耗费人力选定训练样本；传统机器学习在处理sar影像斑点噪声问题方面的能力非常有限，一般是通过滤波方法削弱斑点噪声。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于深度学习的大范围快速遥感水体提取方法。

2、本发明是这样实现的，一种基于深度学习的大范围快速遥感水体提取方法，包括：

3、将预处理后影像分割为能够满足计算机算力要求的训练影像。在卷积聚类训练前期，融合原始训练影像的像素特征，同时结合超像素的分割标签，尽量保留住聚类特征图中的重要超像素块信息；

4、对水体、非水体占比极不均匀的训练影像进行训练时，利用两个超参数，防止随着训练次数的不断增加，其水体或非水体像素块发生丢失；

5、聚类后的影像一般包含34类，利用原始训练影像的像素特征，借助传统阈值分割法获取参考阈值，对聚类影像进行二值化，最终生成水体-非水体分类图。

6、本发明的另一目的在于提供一种基于深度学习的大范围快速遥感水体提取系统，基于深度学习的大范围快速遥感水体提取系统包括：

7、数据预处理模块，将原始数据输入后进行轨道矫正和热噪声去除；将处理后的数据进行辐射定标后，进行滤波和地形矫正处理；将校正后的数据转化为db单位，进行图像裁剪；

8、卷积网络聚类模块，网络原始影像经超像素分割后，生成分割标签；原始影像经过三层卷积层运算后，输出特征图；特征图进一步经过原始影像融合、分割标签聚类和两个超参数约束步骤后，生成聚类特征图；最后利用聚类特征图和特征图生成损失函数，经后向传播不断优化网络各节点参数；

9、聚类后二值化模块，将原影像中的像素强度信息和网络输出的聚类结果结合，得到最能体现原始影像特征的聚类结果图。

10、进一步，预处理后，将强度数据转换为的db数据，公式为：

11、db＝10*log10(i)；

12、

13、其中，i为预处理后的像素强度，db为转换生成的分贝单位数据。

14、进一步，预处理后的图像单位是db，数据类型为32位浮点型；在卷积神经网络对影像进行聚类前，将数据类型转换为无符号8位整型；在进行数据类型转换之前，对所有训练影像进行1％线性拉伸，所有影像的拉伸范围相同。

15、进一步，前期训练需要通过“融合输入影像”保留低维特征；随着网络训练次数的增加，影像中的一些小面积水体会作为低维特征慢慢消失，从而降低最终的聚类精度；将原始影像和卷积层输出的特征图进行融合，得到包含特征信息和原始影像信息的新特征图；融合方法是将原始影像和特征图按照一定比例进行加权求和，随着网络训练次数的增加，原始影像的权重逐渐减小，特征图权重逐渐增大，

16、

17、其中a为融合原始影像后的“新特征图”像元值，n表示训练次数，b表示输入影像对应像元值，c表示卷积层输出特征图对应像元值。

18、进一步，融合后生成的新特征图还需要经过分割标签处理。

19、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的串联芯片间的数据同步优化方法的步骤。

20、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的串联芯片间的数据同步优化方法的步骤。

21、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的串联芯片间的数据同步优化系统。

22、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

23、第一，融合传统阈值分割方法的高效性和深度学习的深层特征提取性，前期训练通过融合原始影像的像素信息特征，一定程度保留了小块超像素特征信息，降低了漏分误差。

24、优化深度学习框架，通过两个超参数的约束，克服了在聚类过程中，由于水体、非水体占比极不均造成的水体或非水体区域丢失问题。

25、通过独特的聚类后二值化操作，生成最终的水体提取结果图，该过程基本为非监督过程，只有在极端天气下拍摄的sar影像中才需要少量人工监督。

26、第二，本发明首先将预处理后影像分割为能够满足计算机算力要求的训练影像。对于水体、非水体占比极不均匀的训练影像，随着训练次数的不断增加，其水体或非水体像素块易丢失，本框架通过两处解决了这个问题，首先，在网络训练前期，利用原始影像的像素特征，结合超像素分割标签对超像素块进行特征约束，抑制其特征消失，其次，利用两个超参数约束了两端点处的像素值消失。聚类后的影像一般包含34类，本发明利用原始训练影像的像素特征，结合传统阈值分割法生成的参考阈值，对聚类影像进行二值化，最终生成水体-非水体分类图。

27、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

28、(1)本发明的技术方案转化后的预期收益和商业价值为：本发明可搭载在云平台上，例如ai earth。借助云平台，能够实现包括数据下载及预处理、卷积网络聚类和聚类后二值化在内的一体化流程。基于此能够能快速实现洪水的应急响应，也可用于长时序、大范围的地表水域变化监测。

29、(2)本发明的技术方案填补了国内外业内技术空白：国内外已有关于深度学习提取水体的文章，但是本方法的创新点在于通过优化网络结构，提高了其精度和稳定性，使其能够适应于复杂的地表水域提取需求。

30、(3)本发明的技术方案是否克服了技术偏见：随着深度学习在各个领域的大面积普及，很多深度学习方法被认为“盲目利用深度学习，没有与具体需求相结合”。而本方法与传统监督性深度学习方法存在较大差异，通过卷积神经网络结构上的创新，重点借助了卷积层的深度特征提取能力，融合传统阈值分割和各类限制条件，以快速大范围的地表水域提取为目标，实现了该框架在精度和稳定性上的突破，结果表明白该方法能有效削弱sar影像中的斑点噪声。