[发明专利]基于深度学习和超分辨率的遥感图像绿潮信息提取方法

权利要求书

1.基于深度学习和超分辨率的遥感图像绿潮信息提取方法，其特征在于，

包括如下步骤：

I.利用降采样后的GF-1图像对超分辨率网络模型进行预训练，得到预训练好的超分辨率网络模型；其中，GF-1图像为与步骤III中MODIS训练图像为相同区域的图像；

II.构建语义分割网络，其包括编码路径模块、桥接模块、解码路径模块以及跳跃连接；

编码路径模块包括依次连接的第一卷积层、第一稠密块、第一池化层、第二稠密块以及第二池化层；桥接模块采用第三稠密块；

其中，第二池化层的输出端与第三稠密块的输入端相连；

解码路径模块包括依次连接的第一卷积+上采样块、第四稠密块、第二卷积+上采样块、第五稠密块、第二卷积层、第三池化层、第三卷积层以及第四卷积层；

其中，第三稠密块的输出端与第一卷积+上采样块的输入端相连；

跳跃连接有两个，分别为第一跳跃连接和第二跳跃连接；

第一跳跃连接为第一稠密块输出端与第五稠密块输入端之间的连接；其中，第一稠密块的输出特征图与第二卷积+上采样块的输出特征图进行拼接，作为第五稠密块的输入；

第二跳跃连接为第二稠密块输出端与第四稠密块输入端之间的连接；其中，第二稠密块的输出特征图与第一卷积+上采样块的输出特征图进行拼接，作为第四稠密块的输入；

III.基于预训练好的超分辨率网络模型和语义分割网络，得到绿潮提取模型；

获取MODIS训练图像，利用所述MODIS训练图像训练所述绿潮提取模型，得到训练好的绿潮提取模型；绿潮提取模型的训练过程如下：

III.1.获取MODIS遥感图像；

对MODIS遥感图像进行目视解译，生成二值标签图，并生成MODIS训练图像；

计算MODIS训练图像的归一化差分植被指数值，将归一化差分植被指数值作为一个波段，与所述MODIS训练图像的红色和近红外波段拼接，得到三波段遥感图像；

III.2.将步骤III.1中的三波段遥感图像输入到预训练好的超分辨率网络模型，得到分辨率提高一倍的重建图像；

III.3.将所述重建图像输入至语义分割网络，得到二值分割图；

III.4.利用二元交叉熵作为损失函数，计算步骤III.3中的二值分割图与步骤III.1中生成的二值标签图之间的损失；

将损失进行反向传播，利用自适应矩估计算法优化完成绿潮提取模型的训练；

IV.获取待提取绿潮信息的MODIS图像，将所述待提取绿潮信息的MODIS图像输入到经过步骤III训练好的绿潮提取模型中，得到绿潮提取结果。

2.根据权利要求1所述的遥感图像绿潮信息提取方法，其特征在于，

所述步骤I中，所述超分辨率网络采用WDSR超分辨率网络。

3.根据权利要求1所述的遥感图像绿潮信息提取方法，其特征在于，

所述步骤I具体为：

I.1.获取与步骤III中所述MODIS训练图像相同区域的GF-1图像；

I.2.将所述GF-1图像通过高斯滤波器降采样，得到分辨率降低一倍的降采样GF-1图像；

I.3.将所述降采样GF-1图像输入至超分辨率网络，得到超分辨率重建图像；

I.4：将步骤I.3中的超分辨率重建图像与步骤I.1所述GF-1图像通过均方误差函数MSE进行误差反向传播，获得预训练好的超分辨率网络模型。

4.根据权利要求3所述的遥感图像绿潮信息提取方法，其特征在于，

所述均方误差函数MSE的计算公式如下：

其中，θ表示总体参数，n表示样本的个数，i表示第i个样本；

X⁽ⁱ⁾，Y⁽ⁱ⁾分别表示输入的降采样GF-1图像和对应的原始GF-1图像；

F(X⁽ⁱ⁾；θ)表示超分辨率网络模型的输出，即超分辨率重建图像。

5.根据权利要求1所述的遥感图像绿潮信息提取方法，其特征在于，

所述编码路径模块中，第一卷积层的卷积核大小为3×3，第一稠密块以及第二稠密块均为五层稠密块，第一池化层以及第二池化层均采用最大池化。