面向对象卷积神经网络支持的高分影像坑塘水体提取方法与流程

本发明属于遥感智能信息提取，具体涉及一种面向对象卷积神经网络支持的高分影像坑塘水体提取方法。

背景技术：

1、坑塘水体是指人工开挖或天然形成的蓄水量小于10万立方米坑塘常水位以下的土地，坑塘水体作为重要用地类型之一，在水产养殖、保水蓄水等方面具有重要意义，由独立分散逐渐向规模化、科学化的生产管理发展，因此如何为改进管理，建立长效监测机制，促进现代化农业健康发展，快速有效对坑塘水体进行提取，从而实现定量、定性分析，成为各地当前关注的焦点问题。随着对地遥感技术的高速发展，其覆盖面积大、重访周期短、现势性强及费用低等特点，使之成为资源调查、环境监测等领域获取地面信息新的技术手段。坑塘水体边缘特征显著，边缘信息相较于其他地物更为丰富和精细，为精确提取提供数据基础，利用遥感手段对坑塘水体进行动态监测，快速、精准的获取分布密度、面积及范围，对合理制定用地规划及管理政策具有重要的意义。同时，伴随神经网络技术的高速发展，利用神经网络进行分类任务成为当下热点解决方案，能够在一定程度上解决场景分类任务。然后，由于遥感影像的地物复杂行及边缘模糊性，神经网络在边缘提取上无法达到较高的精度，在坑塘水体精确提取上面临着挑战。

2、因此，对于遥感影像中的坑塘水体精确提取问题，现有的面向对象卷积神经网络支持的方法存在以下局限性：(1)遥感影像样本标记工作成本较高，低质量样本不仅无法带来有效的精度提升，反而会干扰训练权重，但高质量像素级样本需要大量的人力、物力投入；(2)边缘信息无法精确剔除，直接使用神经网络进行训练及预测，边缘信息无法得到精确分辨，导致连片坑塘一体化，无法精确表达地物间复杂空间信息。

技术实现思路

1、本发明针对现有技术中的不足，提供一种面向对象卷积神经网络支持的高分影像坑塘水体提取方法。

2、为实现上述目的，本发明采用以下技术方案：

3、一种面向对象卷积神经网络支持的高分影像坑塘水体提取方法，包括以下步骤：

4、步骤1：收集高分遥感影像数据，预处理高分遥感影像数据，所述预处理包括影像裁切、几何校正和rgb波段选择，以获取高分坑塘水体影像，并标注所述高分坑塘水体影像中的坑塘水体，生成坑塘水体真值标签图，利用无监督方式对高分坑塘水体影像进行图像分割，获得多个对象单元，并提取各对象单元的场景样本采样点；

5、步骤2：逐一提取对象单元特征，设定对象单元特征的阈值及场景样本默认尺寸，依据对象单元特征与阈值间数量关系，计算不同对象单元场景样本尺寸；以场景样本采样点为中心点，依次按尺寸进行场景样本的自适应裁切，通过裁切生成的场景样本形成了无分类标签的原始场景分类数据集；

6、步骤3：对高分坑塘水体影像进行边缘提取，计算提取到的边缘结果的边缘阈值；在坑塘水体真值标签图基础上，设定纯度阈值；计算场景样本边缘占比，比较边缘占比与边缘阈值之间的数量关系，计算场景样本纯度占比，比较纯度占比与纯度阈值间数量关系，剔除边缘样本及低纯度样本，得到优化后的场景分类数据集；

7、步骤4：将优化后的场景分类数据集和坑塘水体真值标签图送入卷积神经网络分类模型中，进行模型训练及参数迭代优化；训练完成后，将原始场景分类数据集送入训练好的神经网络分类模型中，预测场景样本分类结果；

8、步骤5：结合边缘阈值与场景样本边缘占比，对预测得到的场景样本分类结果进行修正，对边缘场景进行场景样本类别重赋值，形成最终的场景分类结果，赋值场景样本采样点；计算对象单元中场景样本采样点类别的众数，赋值对象单元类别，将对象单元还原成像素级成果并进行精度评定。

9、为优化上述技术方案，采取的具体措施还包括：

10、进一步地，步骤1中，所述利用无监督方式提取对象单元及场景样本采样点具体为：

11、采用影像多尺度分割算法进行无监督对象单元提取，通过迭代形状因子和紧致度因子参数，获取最优分割对象单元；

12、设定面积阈值、密度阈值、面积影响因子和密度影响因子，采用二叉树采样方法，计算采样点数量权重，结合对象单元像素点总数，逐一计算场景样本采样点数量；

13、将场景样本采样点数量作为k-means聚类点数量，计算各场景样本采样点位置并采用欧式距离进行采样点位置坐标的取整，形成场景样本采样点文件。

14、进一步地，步骤2包括如下子步骤：

15、步骤2.1：提取单个对象单元的特征，所述特征包括长度、宽度和长宽比；

16、步骤2.2：设定长宽比阈值、场景样本默认尺寸和最小尺寸，比较长宽比与长宽比阈值之间的数量关系，若长宽比小于长宽比阈值，则采用默认尺寸进行场景样本裁剪，若长宽比不小于长宽比阈值，则比较长度与宽度之间的数量关系，选用较小的一方作为较大一方裁剪后的尺寸，若长度或宽度低于最小尺寸限制，则选用最小尺寸进行场景样本裁剪；

17、步骤2.3：依据步骤2.2设定的场景样本裁剪尺寸，以场景样本采样点为中心点，计算裁切矩形框四角坐标，若超出对象单元边界限制，则以边界为准进行场景样本裁剪，形成原始场景分类数据集。

18、进一步地，步骤3包括如下子步骤：

19、步骤3.1：对高分坑塘水体影像进行基于二阶导数的canny算子边缘提取，并与坑塘水体真值标签图进行交并比计算，迭代参数，得到最佳边缘提取成果图；对边缘提取成果图进行二值化，计算边缘像素占影像总像素数比重，得到边缘阈值；

20、所述计算边缘像素占影像总像素数比重，得到边缘阈值的具体计算公式如下：

21、

22、式中，为边缘阈值，pointedge为边缘提取成果图中的边缘像素数量，pointall为边缘提取成果图中总像素数；

23、步骤3.2：在坑塘水体真值标签图基础上，计算标签图中坑塘水体的像素数量占高分坑塘水体影像总像素数量的比值，作为场景样本的纯度阈值，公式如下：

24、

25、式中，为纯度阈值，pointtrue为真值标签图中坑塘水体的像素数量，pointall为高分坑塘水体影像总像素数；

26、步骤3.3：计算单个场景样本图片中边缘像素与总像素占比，计算公式如下：

27、

28、其中，为场景样本边缘比重，pointunitedge为对象单元中边缘像素数量，pointunitall为对象单元总像素数；

29、比较场景样本边缘比重与边缘阈值之间的关系，若场景样本边缘比重不低于边缘阈值，则为边缘样本，若场景样本边缘比重低于边缘阈值，则为非边缘样本；

30、步骤3.4：计算单个场景样本目标像素与总像素占比作为场景样本图片的纯度，公式如下：

31、

32、其中，为场景样本的纯度，pointunitkt为对象单元中坑塘水体的像素数量，pointunitall为对象单元总像素数；

33、比较场景样本的纯度与纯度阈值之间的关系，若场景样本的纯度不低于纯度阈值，则为高纯度样本，若场景样本的纯度低于纯度阈值，则为低纯度样本；

34、步骤3.5：为原始场景分类数据集中的边缘样本、非边缘样本、高纯度样本和低纯度样本分别标注相应的数值，将原始场景分类数据集中的边缘样本和低纯度样本视为无效样本，将无效样本剔除后，依据坑塘水体真值标签图中与场景样本采样点相同位置的点对应的场景类别，用不同数值标注剔除无效样本后的场景分类数据集中的场景样本的目标场景和背景场景，生成优化后的场景分类数据集，所述目标场景为坑塘水体。

35、进一步地，步骤4中，所述神经网络分类模型选用resnet50，所述参数包括优化器sgd、学习率、迭代次数和批尺寸。

36、进一步地，步骤5包括如下子步骤：

37、步骤5.1：在获得的原始场景分类数据集的分类结果基础上，再次执行步骤3.3，将边缘场景所对应的分类结果修正为背景值；

38、步骤5.2：对修正后的场景分类结果赋值场景样本采样点，计算对象单元中场景样本采样点类别的众数，将对象单元所有像素点赋值为众数对应的类别，完成像素级成果还原；

39、步骤5.3：依据真值标签图，对像素级成果进行精度评定。

40、进一步地，所述采用二叉树采样方法，计算采样点数量权重，结合对象单元像素点总数，逐一计算场景样本采样点数量具体为：

41、依据对象单元的面积及密度特征构建二叉树采样点权重计算矩阵；利用二叉树采样算法计算单个对象单元的场景样本采样点数量的权重，结合对象单元像素点总数，逐一获取对象单元采样点个数，具体计算公式如下：

42、posum＝1.5*(pts/100)*matrixk

43、式中：pts代表对象单元总的像素数量，matrix代表二叉树采样点权重计算矩阵中的权重，k代表权重计算矩阵中元素的序数，posum表示算得采样点数量后向上取整得到的最终采样点数量。

44、进一步地，所述将场景样本采样点数量作为k-means聚类点数量，计算各场景样本采样点位置并采用欧式距离进行采样点取整具体为：

45、k-means聚类的计算公式如下：

46、

47、式中：xi为采样点横坐标，yi为采样点纵坐标，i为采样点序号，n为采样点总数；

48、k-means取值完成后，若出现浮点数据，则采用欧式距离，计算距离该浮点数据最近的采样点位置，取整最终场景样本采样点位置。

49、进一步地，步骤3.1中，所述canny算子边缘提取的具体步骤包括：

50、步骤3.1.1：高斯滤波平滑影像

51、g(x，y)＝f(x，y)*h(x，y)

52、式中，g(x，y)为滤波后影像，f(x，y)为原始影像，h(x，y)为高斯函数，

53、

54、式中，(x，y)为像素点坐标，σ为标准差；

55、步骤3.1.2：用一阶偏导的有限差分来计算滤波后影像的梯度；

56、步骤3.1.3：用梯度幅值抑制梯度的非极大值；

57、步骤3.1.4：用双阈值算法检测和连接边缘。

58、本发明的有益效果是：

59、(1)本发明提出了一种面向对象卷积神经网络支持的高分影像坑塘水体提取方法，该方法综合利用无监督对象单元提取及场景样本自适应生成方法，将像素级标注转为场景类别标注，有效降低样本标注成本，同时有效解决了不同尺寸对象单元场景图片信息量差异问题，有效提高场景样本质量；

60、(2)顾及边缘信息的样本优化策略，利用边缘检测算法，增加边缘阈值及纯度阈值筛选模块，对原始场景数据集进行样本优化，剔除低纯度场景及边缘场景，降低数据质量对模型所造成的精度影响，提高模型预测精度，加强边缘提取效果。

61、本发明在大尺度坑塘水体影像数据集中均取得了良好的分类效果，相比于传统的卷积神经网络，本发明方法的总体精度提高，标记样本成本低，边缘精确，为基于遥感影像的坑塘水体精确提取问题提供了新的解决思路。