[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

说明书

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及系统，获取目标区域的高分辨率遥感影像，进行影像数据归一化，分为样本影像和测试影像；构建深度卷积网络，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；对各样本影像分别进行逐像素类别预测，利用预测值与真值之间的误差构建损失函数，对网络参数进行更新训练；对测试影像通过深度卷积网络提取影像特征，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，得到提取结果。本发明能够对遥感影像进行精确地自动化不透水面提取，符合实际的城市规划应用需求。

技术领域

本发明属于遥感影像数据的信息提取领域，涉及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技术方案。

背景技术

不透水面(Impervious Surface)是指地面阻止水分向土壤渗透的人工地表,常见的有建筑、道路、广场、停车场等，是评价城市生态系统健康及人居环境质量的关键指标之一。深度学习，特别是卷积神经网络，通过模拟人脑的认知过程，对外部输入信号进行从低级到高级的特征提取与识别，已经在自然图像的分类、分割和内容理解等领域取得了一系列突破性应用成果。但是，对于空间分辨率较低、地物类型更加复杂的遥感影像，卷积神经网络难以有效建立不同地物间的空间关系，从而导致分类结果的破碎或不合理。因此，本领域亟待更符合实际需求的新技术方案出现。

发明内容

为了能够从遥感影像上准确地挖掘特征并用于不透水面提取，本发明的目的在于提供一种基于深度学习的不透水面遥感提取技术方案。

本发明的技术方案提供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，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。

而且，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。

而且，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。

而且，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。

而且，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。

而且，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。