[发明专利]一种基于FasterR-CNN的水系信息提取算法

权利要求书

1.一种基于FasterR-CNN的水系信息提取算法，其特征在于，包括以下步骤：

步骤1：预处理训练用的遥感影像数据，并建立样本数据库；

步骤2：使用样本数据库中的资料对FasterR-CNN网络进行深度学习，完成算法的训练；

步骤3：使用训练完后的FasterR-CNN网络检测漏检率并计算出F1分数指标；

步骤4：使用FasterR-CNN对实际采集的数据进行计算，得到训练样本集并使用AlexNet神经网络进行迁移学习，并使用AlexNet神经网络进行定位裂缝骨架；

步骤5：基于步骤4所得出的水系分类结果，使用形态学算法计算出水系的形态与宽度；

步骤6：通过F1分数指标降低最终结果的误检率，并输出最终结果。

2.根据权利要求1所述的一种基于FasterR-CNN的水系信息提取算法，其特征在于，所述的步骤1中的预处理包括以下步骤：

步骤1：通过ResNet残差网络提取图片特征，并生成卷积特征图；

步骤2：使用卷积特征图通过区域建议网络RPN对水系进行分类。

3.根据权利要求1所述的一种基于FasterR-CNN的水系信息提取算法，其特征在于，所述的AlexNet神经网络由五个卷积层和三个全连接层组成，深度总共八层，最后一个全连接层的输出送至Softmax层。

4.根据权利要求1所述的一种基于FasterR-CNN的水系信息提取算法，其特征在于，所述的F1分数指标由以下列式子获得：

式中：TP：真阳性、FP：假阳性、FN:假阴性；

5.根据权利要求1所述的一种基于FasterR-CNN的水系信息提取算法，其特征在于，所述的形态学算法其步骤如下：

步骤1：提取边界框区域内经过Faster R-CNN处理的水系骨架和通过CNN处理的每列最小灰度值像素点，形成水系初始基本骨架；

步骤2：采用3*3滑窗对步骤1中的图片进行遍历，若滑窗内部仅有一个像素点，则过滤掉该区域像素点；

步骤3：通过面积滤波器过滤掉面积较小的连通区域，在剩余连通区域中，进行相邻连通域连接操作；

步骤4:骨架化水系形态,得到完整连续型骨架；

步骤5：重复步骤3与步骤4，获得水系宽度。