[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

说明书

本发明属于遥感图像处理技术领域，公开了一种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；II.构建语义分割网络；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，训练所述绿潮提取模型；IV.获取待提取绿潮信息的MODIS图像输入训练后的绿潮提取模型，得到对应的绿潮提取结果。本发明方法能够替代传统的人工阈值方法；通过将图像超分辨率重建技术集成到语义分割网络中，在提高图像质量的前提下改善最终的分割性能；由于人为因素少，绿潮提取结果精确稳定。

技术领域

本发明涉及一种基于深度学习和超分辨率的遥感图像绿潮信息提取方法。

背景技术

绿潮是在特定的环境条件下，海洋中大型藻类(例如浒苔)爆发性增殖聚集形成的一种藻华现象。绿潮的大规模爆发不但会导致海洋灾害，还会影响景观，干扰旅游业的发展。

基于传统船舶走航的绿潮监测方法会耗费大量的人力和物力，而卫星遥感技术能够准确及时的获取绿潮爆发的位置和分布范围等信息，因而具有传统方法不可替代的优势。

中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer,简称MODIS)以其高时间分辨率的优势被广泛应用于绿潮动态的实时监测。但是，MODIS数据空间分辨率低(250m-1000m)，混合像元影响大，从而导致了绿潮提取误差较大。

传统的绿潮提取方法一直是绿潮检测领域关注和研究的热点。如基于阈值的绿潮单波段阈值选择法和多波段比值法，以及传统监督分类等方法都是应用于绿潮信息提取的常用方法。

绿潮单波段阈值提取法借助绿潮和海水光谱的差异性，特别是遥感图像的近红外波段的光谱特性更容易区分近海上的绿潮和海水，是遥感界用于提取地物分类的有效方法之一。

多波段比值法则通过对遥感图像不同波段间进行相应的比值，可以有效地增强绿潮和海水之间的差别，加强海水和绿潮的区分度，因此被广泛应用于绿潮遥感监测。

然而，以上两种绿潮提取方法均基于阈值，阈值的设定一定程度上依赖于使用者的经验，而且单一的阈值无法适应卫星数据中观测条件的变化。

传统监督分类方法是目前遥感界用于目标解译和分类的主要方法，是对现存的已经标记了绿潮信息的样本进行模型训练，进而对遥感数据进行像素级分类。

但是对于传统的监督分类方法，其分类结果由于遥感图像本身的空间分辨率的限制，往往出现较多的错分、漏分现象，导致绿潮信息分类精度不高。

综上所述，传统的针对卫星遥感图像进行绿潮提取的方法存在一定的不足。

近年来，深度卷积神经网络(Deep Convolutional Neural Networks,简称DCNN)由于其强大的特征表示能力，在计算机视觉的图像识别任务中取得了极大的成功。

目前，先后涌现出了FCN、R-CNN、F-RCN、UNet等深度卷积神经网络模型，并且成功将深度卷积网络应用于图像的语义分割和目标检测等图像处理任务。

深度卷积网络虽然在图像识别任务中取得了成功，然而，却极少被应用于遥感图像绿潮的提取及语义分割任务中，其原因在于，将深度卷积神经网络应用于低分辨率遥感影像中的绿潮信息提取任务时，在网络结构构建以及训练方法上仍然需要探索。

因此，如何能够将深度卷积神经网络应用于低分辨率遥感影像中的绿潮信息提取任务，以更好地完成绿潮提取任务，成为绿潮信息提取领域研究的一个重要方向。

发明内容

本发明的目的在于提出一种基于深度学习和超分辨率的遥感图像绿潮信息提取方法，以便将深度卷积神经网络应用于低分辨率遥感影像中的绿潮信息提取任务中。