[发明专利]联合深度学习和语义概率的不透水面提取方法及系统

权利要求书

1.一种联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于，包括以下步骤：

步骤一、获取目标区域的高分辨率遥感影像，进行影像数据归一化，并将所得归一化后的目标区域影像分为样本影像和测试影像两部分；

步骤二、构建用于高分辨率遥感影像特征提取的深度卷积网络，提取各样本影像的影像特征；所述深度卷积网络由多层卷积层、池化层以及对应的反池化和反卷积层构成；

步骤三、利用提取所得的影像特征，对各样本影像分别进行逐像素类别预测；

步骤四、利用样本影像的预测值与真值之间的误差构建损失函数，并对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练；

步骤五、利用步骤四的训练结果，对测试影像通过深度卷积网络提取影像特征，利用提取所得的影像特征进行逐像素类别预测，然后利用像素点之间的语义关联信息构建影像的条件随机场模型，对测试影像预测结果进行全局优化，得到分类结果，实现提取不透水面；

所述条件随机场模型的能量函数由数据项和光滑项组合而成，数据项惩罚预测类别与真实类别标签间的不一致性，光滑项惩罚相邻像素类别标签的不一致性，通过平衡二者关系，最终实现不透水面的准确提取；

设x_i表示第i个像素的标签变量，x_i为0-1向量，当其对应像素属于第k个地物类别时，则x_i的第k个元素x_i，k为1，其余为零，为标签变量集合，N为像素总个数，条件随机场模型表达为能量函数E(x)如下，

其中，(i，j)∈E表示第i个像素和第j个像素是邻接的顶点；

数据项Ψ_u(x_i)对标签与预测概率间的距离进行约束，

其中，预测概率表示预测得到的第i个像素属于第k个类别的概率；

光滑项Ψ_p(x_i，x_j)则对相邻像素间标签的不一致性进行惩罚，

Ψ_p(x_i，x_j)＝μ(x_i，x_j)(k⁽¹⁾(I_i，I_j)+λk⁽²⁾(I_i，I_j))

其中，为标签变量x_i和x_j的示性函数，k⁽¹⁾(I_i，I_j)和k⁽²⁾(I_i，I_j)分别要求空间相邻像素的标签应该一致、相邻且光谱一致的像素类别应该一致，I_i表示第i个像素点的光谱特征，I_j表示第j个像素点的光谱特征，λ为可调控参数。

2.根据权利要求1所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：步骤一中，通过进行影像数据归一化，使得目标区域影像具有平稳的性质，消除奇异数据对模型学习的不良影响。

3.根据权利要求1所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：所述深度卷积网络的前半段由多个卷积和池化层交叉堆叠构成，此过程实现遥感影像的多尺度特征提取，后半段则由对应的反池化和反卷积层堆叠而成，用于在于将网络前半段所提取的特征重新映射到每个像素点，最终实现逐像素的特征提取及类别概率预测，得到各目标区域影像的影像特征。

4.根据权利要求3所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：利用提取所得的影像特征，进行逐像素类别预测，实现方式为，采用softmax回归对像素点属于每一类的概率进行预测，得到每个像素点对应各个地物类别的概率。

5.根据权利要求1或2或3或4所述联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法，其特征在于：步骤四中，对深度卷积网络的网络参数和类别预测相关网络参数进行更新训练时，采用梯度下降法实现迭代更新，直至损失函数降低至满足预设条件。