[发明专利]基于U-net神经网络的精细水体提取方法

权利要求书

1.基于U-net神经网络的精细水体提取方法，其特征在于，包括：

S1.将全部波段的原始影像导入ENVI，进行主成分分析，使相关性强的波段转换为相关性弱的波段，相关性弱的波段作为主成分；

S2.将不同的主成分进行多种组合，每种组合均合成一幅多波段遥感影像，把多波段遥感影像分别输入U-net网络进行试验，确定能获得最好水体分类效果的多波段遥感影像，称为最优遥感影像；

S3.对最优遥感影像进行水体目视解译、使用ENVI勾画感兴趣区域、标注水体，形成标签数据；

S4.将最优遥感影像划分为训练数据和测试数据，训练数据中一部分数据作为验证集；对标签数据作出与S4中最优遥感影像相同方式的划分；

S5.将所有训练数据输入U-net神经网络进行训练，经过卷积操作和最大池化的下采样操作，获得第一次水体特征；经过卷积操作和上采样操作，获得第二次水体特征；将上述两次水体特征进行连接，提取最终的水体特征；将最终水体特征与真实水体特征进行对比，不断优化网络参数，使U-net神经网络输出的水体和真实水体不断接近，完成对U-net神经网络的训练；

S6.将最优遥感影像的测试数据输入训练后的U-net神经网络，得到输出影像；将输出影像进行阈值分割、拼接，还原至原始大小；

S7.把还原至原始大小的输出影像与标签数据中的测试数据进行对比，评价精细水体提取的精度；

所述步骤S5中，U-net神经网络的设置使用Adam优化器，对学习率进行动态设置；U-net神经网络的每一层都使用随机失活的方法防止过拟合、使用批标准化防止梯度消失；所述步骤S5中，将U-net神经网络训练所用的世代分为若干批次，一个批次训练完成后分别输出训练精度、验证精度，若有一定量世代的精度连续维持在90％以上且不发生大的改变，则停止U-net神经网络的训练；

所述步骤S6执行前，将最优遥感影像的测试数据分割成64*64的影像；所述阈值分割中，值大于0.1的赋值为1，表示水体，其余的赋值为0，表示非水体；步骤S7中，以回召率和准确率作为精度评价标准：回召率＝(神经网络正确识别出水体的像素个数)/(实际水体像素个数)，准确率＝(神经网络正确识别出水体的像素个数)/(神经网络识别出水体的像素总个数)；

所述步骤S1中原始影像格式为.tiff，进行主成分分析时使用的参数为协方差矩阵，过程为：建立一个原点为数据均值的坐标系统，通过坐标轴的旋转使数据的方差达到最大，生成互不相关的输出波段；

所述步骤S5中，对U-net神经网络进行加深处理，加深后包含了3×3的卷积层、2×2的下采样层、2×2的上采样层和跳跃连接层，卷积操作执行后，使用Relu激活函数。

2.根据权利要求1所述的基于U-net神经网络的精细水体提取方法，其特征在于，所述步骤S1中，形成主成分后ENVI按照以下顺序输出：第一主成分方差最大，第二主成分方差第二大，以此类推，最后的主成分方差最小。

3.根据权利要求1所述的基于U-net神经网络的精细水体提取方法，其特征在于，所述步骤S3中，标签数据设置水体值为1，非水体值为0。

4.根据权利要求1所述的基于U-net神经网络的精细水体提取方法，其特征在于，所述步骤S4中，验证集不参与训练，用于计算训练完成后U-net神经网络的精度。

5.根据权利要求1所述的基于U-net神经网络的精细水体提取方法，其特征在于，所述步骤S5执行前，将最优遥感影像的训练数据、对应标签数据的训练数据进行分割，输出64*64的影像，作为步骤S5中的训练数据。