[发明专利]一种融合光谱特征及多尺度空间特征的冰湖提取方法

说明书

本发明提供了一种融合光谱特征及多尺度空间特征的冰湖提取方法，主要解决现有的冰湖提取方法需进行后处理及辅助数据，而无法实现仅利用遥感图像自动化提取冰湖的技术问题。本发明基于卷积神经网络，采用在ImageNet上预训练好的VGG16网络，接着取出其中的浅层、中层和深层卷积特征，并对每一个层次的图像特征做上采样操作，并将上采样的结果和较浅一层的特征相连，重复上述过程，获得的最后一个卷积层包含了不同尺度的冰湖特征，并将最浅一层的结果做softmax操作，得到每一个像素类别属于冰湖像元的概率，进而得到冰湖模型，通过对模型进行训练，最终得到冰湖提取的网络模型，通过输入遥感图像完成冰湖的自动化提取。

技术领域

本发明涉及遥感图像处理及计算机视觉领域，具体涉及一种融合光谱特征及多尺度空间特征的冰湖提取方法。

背景技术

冰湖是关乎气候变化的一类敏感因子，监测冰湖的状态，可对全球气候变化的发展提供重要依据，对冰湖溃决灾害的预测预警具有指导价值，对高原地区的生态规划提供辅助。由于冰湖发育在高原人迹罕至的冰川周围，因此监测冰湖多采用遥感手段。遥感图像中包含丰富的地物信息，但很多地物信息(比如云层，山体阴影，融化冰川等)表现出与冰湖相似的光谱特征或空间特征，因此使用传统方法提取冰湖时，往往需要进行预处理或后处理等操作去除干扰因素的影响。

目前，冰湖提取方法可大致分为以下几类：

①基于人工辅助的方法：即人工对冰湖边界进行矢量化，获得冰湖的信息。这类方法精度较高，但需要标记人员具有一定的专业知识，且耗时耗力，只适用于小范围的冰湖提取。

②基于像素的方法：由于冰湖像元在蓝光波段的反射率较高，而在近红外波段的反射率较低，因此以图像中的每个像素为目标，判断该像素是否符合冰湖像素的光谱分布规律，并设定阈值来区分冰湖像素和背景像素，代表方法包括阈值分割方法，随机森林，水体指数等方法。这类方法的问题在于仅用到了冰湖的光谱特征，而忽略了图像本身的空间特征，导致提取出的冰湖边界不完整，容易受到噪声的影响，需一定的辅助数据(如高程数据DEM)及后处理工作优化提取结果。

③基于区域的方法：由于冰湖表面是均质的，因此一些方法考虑了捕捉冰湖的均质区域，代表方法包括面向对象法，改进C-V模型等。然而这类方法仅利用了冰湖目标的空间特征，难以直接去除具有同样表面均质的物体干扰(比如冰川)，同时分割尺度也需要多次实验设定，仍需要一定的辅助数据(如高程数据DEM)及后处理工作优化提取结果。

④基于特征的方法：由于冰湖不仅仅只有光谱特征和空间特征，还包含很多高级特征，如纹理，粗糙度等，因此这类方法使用卷积神经网络，挖掘影像中冰湖的高级特征，利用特征来精确提取冰湖，代表方法为U-Net网络，但这类方法仍在发展阶段，缺乏具有专门针对冰湖所设计的深度学习网络，且需要制作大量训练样本。

综上，传统的冰湖提取方法，大多需要辅助数据或者额外的处理以去除其他因素的干扰，比如山体阴影，云层，融化冰川等，目前难以实现仅利用遥感图像自动化的提取冰湖。

发明内容

本发明公开一种融合光谱特征及多尺度空间特征的冰湖提取方法，主要解决现有的冰湖提取方法需进行后处理及辅助数据，而无法实现仅利用遥感图像自动化提取冰湖的技术问题。

本发明一种融合光谱特征及多尺度空间特征的冰湖提取方法，其特殊之处在于，包括以下步骤：

步骤1，将冰湖遥感图像输入到预训练好的VGG16网络中，得到不同尺度的卷积层；同时得到冰湖遥感图像的水体指数NDWI光谱特征图；所述卷积层包括深层卷积层、中层卷积层和浅层卷积层，每个卷积层包括不同尺度的冰湖空间特征；

步骤2，抽取步骤1中的深层卷积层，对该层的卷积特征进行卷积计算和两次上采样处理，得到和步骤1中的中层卷积层的卷积特征大小相同的第一特征层；