[发明专利]基于U-net神经网络的精细水体提取方法

说明书

本发明公开了基于U‑net神经网络的精细水体提取方法，涉及卷积神经网络和水体提取技术领域，特别是涉及高光谱数据进行水体提取，包括：将全部波段的原始影像导入ENVI，进行主成分分析；将不同的主成分进行多种组合；形成标签数据；将最优遥感影像划分为训练数据和测试数据；将所有训练数据输入U‑net神经网络进行训练；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；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。

技术领域

本发明公开了基于U-net神经网络的精细水体提取方法，属于卷积神经网络和水体提取技术领域。

背景技术

随着遥感技术的不断发展,使用遥感手段自动提取地表水体信息已成为全球信息提取研究方面的热点。由于水体在近红外波段附近光谱反射特征的不同，通过设置阈值可识别水体，但这种采用单一波段的方法很难将背景与水体完全区分开；使用多个波段的组合进行比值运算及指数提取方法能突出水体信息，但只适用于大范围水体提取，对一些细小水体的识别效果并不理想。

发明内容

本发明公开了基于U-net神经网络的精细水体提取方法，以解决现有技术中对遥感影像的细小水体识别效果不好的问题。

基于U-net神经网络的精细水体提取方法，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。

优选地，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。

优选地，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。

优选地，所述步骤S3中，标签数据设置水体值为1，非水体值为0。

优选地，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。

优选地，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。

优选地，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。