[发明专利]大空间范围储油罐提取方法

说明书

本发明公开了一种大空间范围储油罐提取方法，该方法中通过读取卫星图像中是否包含储油罐，对储油罐数量、规模与空间分布进行监测，实现VOCs排放源的精准定位，从而为臭氧及挥发性有机物治理提供有效的技术支撑，其中，通过构建储油罐提取模型来快速识别图像中的储油罐，在构建储油罐提取模型的过程中，通过翻转变换、随机裁剪和噪声干扰的方法增加样本数量，从而提高模型的准确性、实用性和普适性。

技术领域

本发明涉及识别卫星图像中储油罐识别提取方法，具体涉及一种大空间范围储油罐提取方法。

背景技术

基于光学影像的储油罐提取，多基于影像的光谱、纹理几何和形状等特征。其方法主要分为两类：(1)基于像素的提取方法：以每个像素为研究对象，统计图像中各像素的光谱和纹理特征，通过影像增强和霍夫变换等影像变换等方法，设置阈值对储油罐进行提取。但此类方法仅考虑单个像元的特征，缺少像元所属地物的整体属性，以及像元之间的空间关系，提取的油罐多比较琐碎，而且受影像成像角度和光照条件影响较大。(2)面向对象的提取方法：以区域为研究对象，通过设置的区域增长规则对具有相似光谱和纹理特征的相邻像素进行合并以形成区域，并统计图像中各区域的光谱、纹理、几何和形状特征设置阈值，进而对储油罐进行提取。该类方法受增长后得到的区域对目标地物表达代表性影响较大，一旦合并的区域中包含很多背景地物，或者缺失很多目标地物像元，直接会影响后续的提取精度。

上述两类方法为传统的提取储油罐的方法，均需要大量的人工阈值设定工作，而且方法迁移性不强，受限于影像内储油罐的种类(颜色、大小)、背景地物复杂度以及影像的成像条件和空间分辨率等因素。机器学习方法可以通过构建模型对用于油罐提取的特征阈值基于训练样本进行自动学习，并也得到了广泛的应用。但是这类方法仍然需要大量的人工对油罐提取特征进行提取，对研究人员的背景知识要求比较高，而且训练得到的模型鲁棒性受遥感影像地物的分布与模型训练采用的训练样本分布一致性影响较大。

由于上述原因，本发明人对现有的储油罐提取方法做了深入研究，设计出一种能够解决上述问题的新的大空间范围储油罐提取方法。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种大空间范围储油罐提取方法，该方法中通过读取卫星图像中是否包含储油罐，对储油罐数量、规模与空间分布进行监测，实现VOCs排放源的精准定位，从而为臭氧及挥发性有机物治理提供有效的技术支撑，其中，通过构建储油罐提取模型来快速识别图像中的储油罐，在构建储油罐提取模型的过程中，通过翻转变换、随机裁剪和噪声干扰的方法增加样本数量，从而提高模型的准确性、实用性和普适性，从而完成本发明。

具体来说，本发明的目的在于提供的大空间范围储油罐提取方法，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。

其中，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；

优选地，标准图像块为512x512像素大小的图像块。

其中，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。