[发明专利]弱监督深度学习水体提取方法、装置、计算机设备和介质

说明书

本发明公开了一种弱监督深度学习水体提取方法、装置、计算机设备和介质，包括构建初始卷积神经网络，获取遥感图像训练集，根据遥感图像训练集对初始卷积神经网络进行训练，得到训练好的卷积神经网络；获取原始遥感图像，通过邻近采样器对原始遥感图像进行邻近采样得到一组邻近图像组；将邻近图像组输入至训练好的卷积神经网络中，得到预测的水体提取概率图组；对预测的水体提取概率图组进行二值化处理得到预测结果组，按照预设的投票原则对预测结果组进行投票确定得到最终的水体提取结果。有效提高水体提取的精度。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种弱监督深度学习水体提取方法、装置、计算机设备和介质。

背景技术

水体提取是指从图像中提取水体表面，具体是从遥感图像中提取江、河、湖、海等自然形成的水体、水田、水库和水渠等人工水体。传统遥感图像水体提取方法通常包括单波段法、水体指数法、监督分类法和谱间关系法等相关算法。尽管这些方法在水体提取方面取得一定进展，但是仍然存在自动化程度低、手工特征繁琐且提取精度不足等问题。同时，由于遥感技术的快速进步，高分辨率遥感图像所包含的地物纹理信息越来越精细，边缘结构信息越来越丰富，传统遥感水体提取方法难以充分利用语义丰富的高分辨率遥感图像信息，也难以满足日益增长的遥感应用需求。

发明内容

针对以上技术问题，本发明提供一种可有效提高水体提取精度的弱监督深度学习水体提取方法、装置、计算机设备和介质。

在一个实施例中，弱监督深度学习水体提取方法，所述方法包括以下步骤：

步骤S100：构建初始卷积神经网络，获取遥感图像训练集，根据遥感图像训练集对初始卷积神经网络进行训练，得到训练好的卷积神经网络；

步骤S200：获取原始遥感图像，通过邻近采样器对原始遥感图像进行邻近采样得到一组邻近图像组；

步骤S300：将邻近图像组输入至训练好的卷积神经网络中，得到预测的水体提取概率图组；

步骤S400：对预测的水体提取概率图组进行二值化处理得到预测结果组，按照预设的投票原则对预测结果组进行投票确定得到最终的水体提取结果。

优选地，原始遥感图像的宽度和高度分别为W和H，每个网格的大小为K×K，步骤S200包括：

步骤S210：将原始遥感图像分成个网格；

步骤S220：从个网格中选择第i行j列的网格的所有元素，分别视为邻近采样器中邻近图像组的邻近图像的第(i , j)个元素，直至所有网格采样完成，生成一组邻近图像组，其中，，。

优选地，步骤S100包括：

步骤S110：构建初始卷积神经网络，初始卷积神经网络的结构为编码器-解码器网络结构；

步骤S120：获取遥感图像训练集，通过邻近采样器对遥感图像训练集中的遥感图像进行邻近采样得到一组训练邻近图像组；

步骤S130：将训练邻近图像组输入至初始卷积神经网络中，提取邻近特征得到邻近特征组；

步骤S140：将邻近特征组进行邻近特征聚合得到邻近聚合后的特征；

步骤S150：对邻近聚合后的特征进行后处理与点约束处理，得到伪标签；

步骤S160：将伪标签替换初始卷积神经网络中的点标签监督信息，重复步骤S120至步骤S130得到预测概率图组，对预测概率图组进行二值化处理得到训练预测结果组，按照预设的投票原则对训练预测结果组进行投票确定得到综合预测结果；

步骤S180：将综合预测结果替换伪标签，重复步骤S160进行迭代训练，当迭代次数达到预设迭代次数时完成训练，得到训练好的卷积神经网络。