[发明专利]一种基于深度学习的水体识别方法、系统和介质

说明书

本公开涉及一种基于深度学习的水体识别方法、系统和介质。其中所述方法包括：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。所述方法通过构建稳健的水体识别网络模型，从而实现高精度、自动化地水体识别和多时相监测。

技术领域

本公开涉及图像处理领域，更具体地，涉及一种基于深度学习的水体识别方法、系统和介质。

背景技术

及时准确地进行水体大范围制图和动态监测对于水资源监测和防洪减灾具有重要意义。合成孔径雷达(Synthetic aperture radar,SAR)具有全天时、全天候、大范围周期性对地观测的特点，在大范围水体监测应用中起着关键作用。但是，大范围高效率和高精度的水体识别和动态监测依然存在一定挑战。

遥感的出现为洪水信息的获取提供了先进的技术手段。随着遥感数据源的增多，利用光学传感器数据获取地表水体信息的研究已有较多发展。但是，洪水期云雨天气限制了光学数据的有效性。合成孔径雷达数据具有全天时、全天候的数据可获取性，且水体在SAR图像中后向散射系数值较低，具有与其他地物明显的可分性，可用于应对复杂天气的水文监测挑战，实现对洪水扩张和消退的时间序列的近实时监测。

随着星载合成孔径雷达SAR技术的发展，大量星载雷达SAR数据，如ALOS PALSAR、COSMO-SkyMed、TerraSAR-X、Sentinel-1、GF-3等在水文信息监测方面具有广泛的应用。基于SAR数据进行水体范围提取的方法主要包括阈值法、监督分类和非监督分类法、面向对象技术、图像纹理算法、主动轮廓建模以及机器学习等方法。

传统方法基于SAR图像中水体的低散射回波与周围地物的高回波的对比。该方法存在的挑战主要有四个方面：一是城市内部水体提取，高层建筑产生的阴影很容易被分割为水体；二是在密集分布的植被下的水体，由于植被层的双重回波散射导致水体区域后向散射值较高，导致分类错误；三是不同时期湖水面积发生变化，水位下降湖泊表面的后向散射值不均匀，以及郊区水田呈现与水体相似的特征；四是山区水体提取方面，山体阴影呈现与水体相似的散射特征，不易与水体区分。针对上述挑战，很难设置一个合适的阈值，且阈值的设置受人为干预较多。

近年来，随着深度学习技术在SAR图像场景分类、目标识别、变化检测等领域取得显著成果，存在一些尝试将深度学习技术应用到SAR数据水体的自动提取中。例如选择城市洪涝区作为研究区，并使用多时相SAR数据开发主动的自学习方法训练CNN模型，其与单纯训练的分类器相比，表现出了更好的性能。又例如对FCN网络进行改进，实现GF-3SAR数据水体的自动和高精度提取。基于U-Net网络和XNet网络，利用阈值法提取的水体作为样本，节约了大量人工标注时间，并且获得了精确的制图结果,但是阈值法的设定受人为干预影响较大，且样本数据的人工清洗比较耗时。再例如由多尺度空间特征(MSF)提取、多级选择性注意网络(MLSAN)和改进策略三部分的端到端的SAR图像水体和阴影区域自动分类框架，实现了山区水体的精确提取。上述成果说明应用深度学习技术进行SAR数据进行洪水范围提取具有一定应用潜力。但是上述方法并没有在大区域范围多时相SAR数据进行算法的泛化性能的测试。

发明内容

本公开提供一种基于深度学习的水体识别方案，以解决上述技术问题。该方案针对水文快速监测需求，采用自动化的多时相水体快速检测框架。通过引用双峰阈值分割方法生成多时相水体样本集；将残差模块引入到U-Net模型，对于大范围SAR图像水体提取具有良好的效果，从而为洪水监测、抗洪救灾提供技术和决策支持。