[发明专利]基于卷积神经网络与类别热力图的滑坡遥感信息提取方法

说明书

本申请涉及一种基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，高分辨率遥感影像中滑坡尺度差异巨大，且与其它地物的光谱混淆问题严重。现有基于卷积神经网络(CNN)的滑坡场景解译方法难以精确定位滑坡边界，基于全卷积神经网络(FCN)的像素级滑坡信息提取方法需要人工勾绘大量的样本。本申请针对以上问题，以类别热力图为桥梁，提出一种弱监督滑坡灾害信息提取框架：首先，本申请设计了一种耦合注意力机制与多层次、多尺度特征的分类网络模型学习滑坡和非滑坡场景，进而获取高质量的滑坡场景类别热力图；其次，利用从类别热力图获取的像素级伪标签训练语义分割网络，进而实现遥感影像中高精度的像素级滑坡灾害信息提取。

技术领域

本发明设计了一种灾害信息提取方法，更具体地说是涉及基于卷积神经网络与类别热力图的滑坡遥感信息提取方法。

背景技术

我国疆域非常辽阔、地形地貌复杂，滑坡等地质灾害每年给重大工程、经济建设和人民生命安全造成严重威胁，精确的滑坡边界可为滑坡灾后救援和灾情评估服务。因此，灾害发生后，快速、准确地获取滑坡灾害信息能够为灾区开展应急救援、决策指挥以及灾后重建等工作提供技术支持和决策依据。遥感技术以其宏观、快速的优势广泛地应用于滑坡灾害的调查，较以前的人工实地调查，大幅度提升了工作效率。特别地，高分辨率遥感影像能够为解译滑坡提供更加精细的纹理和空间信息，并且获取日益便利，为滑坡灾害识别和精准定位提供了重要的数据支撑和保障。而且解译方法也实现了从应用之初的目视解译到自动解译的跨越。以卷积神经网络(Convolutional neural networks,CNN)模型为代表的深度学习方法，其以原始图像块作为输入，能够从大量的监督样本中自动学习到由底层视觉特征到高层语义特征的层次化特征表达，避免了人为特征设计对先验知识的依赖，极大地增强了模型的泛化能力。目前，基于深度学习的方法已经在滑坡灾害提取方面展现出了巨大的潜力，相关研究已成为近年来学术研究的热点。

滑坡场景解译方法难以定位滑坡边界，而像素级滑坡区域提取方法需要完整确切的监督信息，制作这样的样本需要耗费极大的人力、物力。通过利用相对容易获取的场景样本进行像素级信息提取可以大大降低样本的标注难度和所需时间，这为精细化滑坡信息提取提供了新思路。限于类别热力图过于粗糙，后来的大多研究都着重于获得更精细且准确的类别热力图，如利用自监督信息提升类别热力图的准确性，使用随机游走和超像素分割进行优化等等。在遥感领域已经有很多学者从事弱监督分类方法的研究，文章在传统的弱监督框架下提出了针对光学遥感影像的分类与目标检测方法。目前，还没有与滑坡等地质灾害相关的弱监督提取研究，可能的原因是滑坡情况更加复杂以及缺乏能够进行测试的滑坡数据集。

发明内容

基于以上研究，本申请针对高分辨率遥感影像中滑坡尺度差异大、滑坡和其他地物存在光谱混淆的问题，提出一种耦合注意力机制与多层次、多尺度特征的类别热力图精细化方法，用于恢复高精度的像素级滑坡信息。综上所述，本申请针对滑坡场景解译方法难以精确定位滑坡边界以及像素级滑坡信息遥感提取面临的样本标注难的问题，以2017年九寨沟震后无人机影像数据为例，利用场景级标注的滑坡样本进行像素级滑坡灾害信息提取，旨在提升震后快速获取精确滑坡边界信息的能力。

本申请提出一种基于卷积神经网络与类别热力图的滑坡遥感信息提取方法，包括第一步，数据预处理，对原始影像进行裁剪并设置一定的重叠度，根据得到影像场景内是否包含滑坡区域将其分为滑坡和其它两类；第二步，建立场景分类模型，利用图片级标注样本训练进而用于图片分类，从模型输出的概率值节点出发，通过反向传播方式到达指定卷积层，得到该概率值类别对应的热力图进而用于恢复输入场景中地物的像素级信息。

优选的，所述第二步还包括设计耦合注意力机制与多层次、多尺度特征的弱监督分类网络来学习场景影像中的滑坡区域和非滑坡区域；基于此，设计一个包含三阶段的框架，通过易标注的场景级样本进行像素级滑坡灾害信息提取；首先，利用获取的滑坡和非滑坡场景训练场景分类网络，进而获取滑坡场景的类别热力图；其次，结合图像底层特征应用全连接条件随机场算法对边缘进行优化获取像素级滑坡分割掩膜；最后，利用获取的像素级伪标签训练语义分割神经网络，以获得精度更高的像素级信息。