[发明专利]一种基于深度学习的水体识别方法、系统和介质

权利要求书

1.一种基于深度学习的水体识别方法，其特征在于，所述方法包括：

步骤S1、获取水体样本集，利用所述水体样本集中的图像通过训练来获取用于识别所述水体的网络模型，所述网络模型为U型全卷积神经网络模型，包括降采样卷积编码层和上采样卷积编码层，各个卷积编码层通过ResNet残差结构连接；

步骤S2、接收待识别的水体图像，并对所述水体图像进行预处理，所述水体图像为中分辨率大区域SAR图像；以及

步骤S3、利用所述网络模型对经预处理的水体图像进行识别；

在所述步骤S1中，获取所述水体样本集具体包括：

获取包含所述水体的原始图像，所述原始图像为中分辨率大区域SAR图像；

对所述原始图像中的水体进行初提取，并通过结果矢量化和图像修正得到水体矢量图；

以及将所述原始图像与所述水体矢量图进行空间匹配，以生成与所述原始图像对应的标签图像，将所述SAR图像和所述标签图像制作成切片；

所述水体样本中加入一定比例的山区样本；

所述降采样卷积编码层用于提取所述原始图像的图像特征，所述图像特征包括多尺度纹理特征和高维语义特征；以及

所述上采样卷积编码层用于基于所述图像特征，还原经降采样的特征图像，并提取其中的水体部分；

在网络模型的编码阶段，前3个残差卷积块可获取不同尺度的纹理特征，第4个残差卷积块获取512个高维语义特征图；在网络模型的解码阶段，3个残差卷积块通过不断地上采样操作实现像素级的水体区提取；3个编码部分的Add节点通过跳跃连接的方式将特征信息传递到对应的解码模块的位置，这个操作由连接层完成；网络模型的输出端使用Softmax函数对上采样的特征图进行分类，并生成与输入图像等大小的二值提取结果。

2.根据权利要求1所述的基于深度学习的水体识别方法，其特征在于，在所述步骤S1中，利用所述水体样本集中的图像通过训练来获取所述网络模型具体包括：

获取所述水体样本集中的测试数据和训练数据；

利用所述测试数据来训练所述网络模型，并利用所述训练数据来测试经训练的网络模型的分类性能；

根据测试结果，通过最小化损失函数来优化所述网络模型；

其中，所述最小化损失函数为Dice损失函数，优化所述网络模型包括：

利用所述Dice损失函数计算数据重叠度，所述数据重叠度表征所述测试数据中经所述网络模型提取的水体图像与所述标签图像的相似度；

基于所述数据重叠度来确定所述网络模型的参数，并通过调整所述参数来优化所述网络模型。

3.根据权利要求1所述的基于深度学习的水体识别方法，其特征在于，所述预处理包括：对所述水体图像进行辐射标定和几何修正。