[发明专利]水体识别方法、装置、电子设备和存储介质

权利要求书

1.一种水体识别方法，其特征在于，包括：

获取待检测可见光影像数据；

将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；

基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；

其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。

2.根据权利要求1所述的水体识别方法，其特征在于，在所述将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度之前，所述方法还包括：

基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络；

基于所述循环神经网络和多个卷积层构建所述初始网络模型。

3.根据权利要求2所述的水体识别方法，其特征在于，所述多个上采样层和多个池化层的交叉网络路径依次包括第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层；

所述基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络，包括：

将所述第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层的组合确定为所述循环神经网络。

4.根据权利要求3所述的水体识别方法，其特征在于，所述基于所述循环神经网络和多个卷积层构建所述初始网络模型，包括：

在所述第一上采样层与网络输入层之间依次设置第一卷积层和第二卷积层；

在所述第一上采样层和所述第一池化层之间依次设置第三卷积层和第四卷积层；

在所述第一池化层与所述第二池化层之间依次设置第五卷积层和第六卷积层；

在所述第二池化层与所述第二上采样层之间依次设置第七卷积层和第八卷积层；

在所述第二上采样层与所述第三池化层之间依次设置第九卷积层和第十卷积层；

在所述第三池化层与所述第三上采样层之间依次设置第十一卷积层和第十二卷积层；

在所述第三上采样层与所述第四上采样层之间依次设置第十三卷积层和第十四卷积层；

在所述第四上采样层和所述第四池化层之间依次设置第十五卷积层和第十六卷积层；

在所述第四池化层与网络输出层之间依次设置第十七卷积层、第十八卷积层和第十九卷积层。

5.根据权利要求4所述的水体识别方法，其特征在于，所述多个预设路径的网络层连接包括：

将所述第二卷积层与所述第一池化层连接；

将所述第六卷积层与所述第二上采样层连接；

将所述第十卷积层与所述第三上采样层连接；

将所述第十四卷积层与所述第四池化层连接；

将所述第四卷积层与所述第四上采样层连接。

6.根据权利要求2所述的水体识别方法，其特征在于，在所述基于所述循环神经网络和多个卷积层构建所述初始网络模型之后，所述方法还包括：

对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本；

基于每个像素点的所述灰度共生矩阵样本的熵和所述影像样本数据对所述初始网络模型进行训练，得到所述水体识别模型。

7.根据权利要求6所述的水体识别方法，其特征在于，所述对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本，包括：

对所述影像样本数据进行预处理，得到正射影像样本；

将所述正射影像样本进行灰度处理，得到灰度图像样本；

基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本。

8.根据权利要求7所述的水体识别方法，其特征在于，所述基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本，包括：

将所述灰度图像样本进行线性灰度压缩；

基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本。