[发明专利]基于高空间分辨率遥感影像的储油罐提取方法

说明书

本发明提供了一种基于高空间分辨率遥感影像的储油罐提取方法，包括：采集储油罐样本，将所述样本随机分为训练集和测试集；基于Res2‑Unet模型结构构建储油罐提取模型；其中，基于UNet语义分割结构提出深度学习网络Res2‑Unet，采用Res2Net卷积模块，将特征层间学习改为粒度学习，并以残差方式布局；对所述测试集进行精度验证。本发明采用Res2net模块改进Unet网络结构，增强模型对储油罐多尺度特征的学习能力，可以增强对不同尺度储油罐的提取能力，进而提高模型的鲁棒性。

技术领域

本发明涉及图像处理、模式识别领域，特别涉及一种针对大空间范围高空间分辨率遥感影像的实用储油罐提取方法。

背景技术

储油罐，作为储存油品的容器，在储备和中转石油及其相关产品时尤为重要。对大空间范围内的储油罐进行及时、准确的监测有助于估算各地区的石油储备量，为我国制定石油生产和储备相关政策提供数据支撑。同时，由于储油罐常建于居民区以及港口附近，对油罐的实时监测有助于评估其发生爆炸和漏油等事件时对周边居民以及海港构成的威胁。因此，开展储油罐的高效监测技术研究很有必要。

近年来，遥感技术的不断发展与成熟和计算机视觉相关技术的日新月异，越来越多的国产高分卫星数据，包括高分一、高分二、高分六以及资源卫星等，被广泛的应用于各个领域的目标监测任务中，并取得了丰硕的成果。目前，基于高空间分辨率遥感影像的储油罐监测方法也得到了快速发展。由于油罐在遥感影像中多呈圆形，模板匹配和霍夫变换(Hough transform)是两种比较常用的传统提取方法。这两种方法都存在计算量大、运算复杂和错分率高的缺点，难以对大空间范围内多种油罐进行提取。结合计算机视觉相关算法通过遥感影像分割对油罐提取也是一种常用的技术。自动阈值计算方法Otsu，均值漂移和最小生成树等传统的分割方法在油罐提取中都起到了相应的应用，但是其结果精度受储油罐的大小、颜色和与背景地物的对比度影响较大。随着机器学习和深度学习方法的不断改进，部分模型在基于遥感影像的油罐提取领域也取得了相应的成果。基于区域的卷积神经网络Faster R-CNN(region-based convolutional neural network)目前已经用于高分二影像中的储油罐提取中，并取得了89％的精度。

在实现本发明构思的过程中，发明人发现相关技术中至少存在如下问题：现有方法多针对亮色、尺寸较大，而且与背景地物呈现明显光谱与纹理区别的储油罐进行提取。方法的可迁移性不强，使用限制条件过多，实用性不强，很难做到大面积应用。导致这一问题的主要原因是不同地区油罐的构造材质不同，在遥感影像中呈现的光谱特性不同。而且不同应用场景下的油罐尺寸和颜色也不尽相同。受成像条件限制，光照对影像中的油罐影响较大。很多情况下的油罐呈亮白色，与背景地物极易混淆。此外，提取得到的储油罐多比较琐碎，不完整。导致这一问题的主要原因是每个储油罐本身的不同像素，其在影像中的反射率都不尽相同，因此其同物异谱现象比较严重。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于高空间分辨率遥感影像的储油罐提取方法，以期部分地解决上述技术问题中的至少之一。

为了实现上述目的，本发明提供了一种基于高空间分辨率遥感影像的储油罐提取方法一种基于高空间分辨率遥感影像的储油罐提取方法，包括：

采集储油罐样本，将所述样本随机分为训练集和测试集；

基于Res2-Unet模型结构构建储油罐提取模型；其中，基于UNet语义分割结构提出深度学习网络Res2-Unet，采用Res2Net卷积模块，将特征层间学习改为粒度学习，并以残差方式布局；

对所述测试集进行精度验证。

其中，还包括：

采用边缘损失函数来辅助模型的学习，所述边缘损失函数的定义如式(1)和式(2)所示：

boundary＝I-Ero(I) (1)；