[发明专利]大空间范围储油罐提取方法

权利要求书

1.一种大空间范围储油罐提取方法，其特征在于，该方法包括如下步骤：

S1，调取包含待分析区域的卫星多光谱高分影像，

S2，对图像做预处理，得到标准图像块，

S3，将标准图像块输入到储油罐提取模型中，得到储油罐位置信息；

所述图像预处理的过程为：

将所述卫星多光谱高分影像分割成多个标准像素大小的图像块，所述标准像素大小的图像块即为标准图像块；

标准图像块为512x512像素大小的图像块；

所述预处理过程还包括对多光谱高分影像做过滤处理，即保留绿光波段、红光波段和近红外波段三个波段，滤除其他所有的光波段，使得得到的图像为假彩色显示图像；

在所述预处理过程中，还要对所述多光谱高分影像做降位处理；

所述储油罐提取模型的搭建过程包括如下步骤：

步骤1，调取不同卫星的多光谱高分影像；

步骤2，获得多光谱高分影像中油罐的真实分布图；

步骤3，通过翻转变换、随机裁剪和噪声干扰的方法增加样本数量；

步骤4，采用U-net网络构建模型，并利用步骤3中得到的样本对该模型进行训练，得到储油罐提取模型；

在步骤1中，还对所述多光谱高分影像做过滤处理，即保留绿光波段、红光波段和近红外波段三个波段，滤除其他所有的光波段，得到的图像称之为2-3-4波段合成的图像，即为假彩色图像；

在步骤1中，还对所述多光谱高分影像做降位处理；将像素位深由原16位降位至8位；

步骤2获得真实分布图的过程包括如下子步骤：

子步骤1，寻找多光谱高分影像中亮度较高的区域，其中，对一帧多光谱高分影像中的全部像素点按照亮度高低进行排序，选取其中排在前2%的像素点；所述选取的像素点最集中的区域即为所述亮度较高的区域；

子步骤2，确定该区域的边界轮廓形状，从而分析该区域是否为储油罐；

子步骤3，将带有选框的多光谱高分影像逐一在显示屏幕上显示，并审核选框是否准确；

子步骤4，锁定选框内的储罐边缘轮廓矢量信息并转换为栅格数据，核查轮廓以外的背景区域的像素点，仅保留储罐边缘轮廓内的像素点，作为提取储油罐分布图；

在步骤4中，通过下述子步骤对多组样本做初步处理，得到可用样本，进而再通过可用样本进行训练，得到储油罐提取模型；

子步骤a，将多组样本分为两个部分，即为训练样本和验证样本，随机分配样本数据到两个样本中，所述训练样本中数据量占所述多组样本总数的85%；

子步骤b，利用训练样本中的数据训练采用U-net网络结构构建的模型，再用验证样本中的每个数据逐一验证该模型，并分别记录验证样本中每个数据的验证结果；

子步骤c，多次重复上述子步骤a和子步骤b，使得每个样本数据至少10次被分配到验证样本中，得到每个样本数据对应的平均验证结果；

其中，每次重复子步骤a和子步骤b，使得15%的样本数据都获得一个对应的验证结果，至少需要重复执行子步骤a和子步骤b共67次；每次重复子步骤a时，获得的样本数据分组情况都是不同的；

子步骤d，按照平均通过率从大到小的顺序给样本数据排序，删除平均通过率最小的10个样本数据，并通过步骤3中的方法，再次随机获得10个样本数据，使得样本数据的总量不变；所述平均通过率为一个样本数据对应的验证结果中验证通过的数量与该样本数据对应的验证结果的总数量之比；

子步骤e，重复子步骤c和子步骤d，直至最小的平均通过率达到85%以上，或者累计删除的样本数据数量达到总样本数据数量的60%，此时停止子步骤e，得到的样本数据即为可用样本；

在步骤2中，针对每一帧包含储油罐的多光谱高分影像，通过影像中像素点的经纬度信息获得储油罐的位置坐标，再获取储油罐的直径尺寸信息。

2.根据权利要求1所述的大空间范围储油罐提取方法，其特征在于，

在步骤3中，所述翻转变换包括将图像旋转30°、90°、180°和270°后作为新的样本。

3.根据权利要求1所述的大空间范围储油罐提取方法，其特征在于，

在步骤4中，采用ADAM学习策略，其中循环次数为50，学习率为1e-3。