[发明专利]基于边界辅助的遥感影像浒苔检测方法

说明书

本发明涉及遥感影像目标识别及信息提取技术领域，具体涉及一种基于边界辅助的遥感影像浒苔检测方法包括以下步骤：步骤一：基于浒苔特性的卷积神经网络语义分割架构，获得遥感影像的初始浒苔检测及浒苔边界检测结果；步骤二：基于浒苔边界辅助的遥感影像浒苔检测结果优化处理，针对现有基于卷积神经网络的语义分割架构难以有效应用于不同分布形状、边界模糊和弥散性分布的高分辨率遥感影像浒苔检测的问题，提出了一种基于边界辅助的双路卷积神经网络高分辨率遥感影像浒苔检测方法，可有效应用于不同分布形状、边界模糊和弥散性分布的高分辨率遥感影像浒苔精确检测。

技术领域

本发明涉及遥感影像目标识别及信息提取技术领域，具体涉及一种基于边界辅助的遥感影像浒苔检测方法。

背景技术

浒苔作为一种常态化的海洋生态灾害，每年对我国海洋产业的发展造成巨大损失。因此，如何能快速准确的发现浒苔并对其状态进行监测，对浒苔及时治理、减少浒苔危害和促进我国海洋产业健康发展具有重要意义。遥感影像具有观测范围大、重访周期短、多角度和多频次观测等特点，利用遥感影像对浒苔进行检测已成为浒苔灾害监测的一种重要的技术手段。针对遥感影像浒苔检测，国内外学者开展了大量的研究。根据浒苔检测过程中浒苔特征生成方式，将浒苔检测方法分为传统浒苔检测方法和卷积神经网络浒苔检测方法。其中，传统浒苔检测方法多通过提取浒苔的光谱、纹理和叶绿素含量等特征，然后根据提取的特征对影像进行分类，实现影像中浒苔检测。该类方法对特定情况下的遥感影像浒苔检测可取得较好的效果。而由于遥感卫星复杂多变的拍摄条件，且每天产生大量的遥感影像，该类方法难以适应不同环境下大数据量的遥感影像浒苔检测，算法的鲁棒性、普适性较弱。

由于卷积神经网络可基于其特有的网络结构自动学习和生成复杂度极高的非线性特征，突破人工设计的局限性；当训练数据充足时，卷积神经网络自动学习与提取的目标特征在不同复杂情况下具有良好的鲁棒性和普适性。因此，国内外学者已经将基于卷积神经网络的语义分割架构应用于遥感影像浒苔检测与提取。但遥感卫星以一种自上而下的方式对地瞬时成像时，由于海洋波浪、潮汐和洋流等影响，获取的遥感影像上浒苔区域具有边界模糊和弥散性分布等现象，现有基于卷积神经网络的语义分割架构难以有效应用于不同分布形状、边界模糊和弥散性分布的高分辨率遥感影像浒苔检测。

针对以上问题，本发明提出了一种基于边界辅助的双路卷积神经网络高分辨率遥感影像浒苔检测方法。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于边界辅助的遥感影像浒苔检测方法。

本发明为解决其技术问题所采用的技术方案为：基于边界辅助的遥感影像浒苔检测方法，包括以下步骤：

步骤一：基于浒苔特性的卷积神经网络语义分割架构，获得遥感影像的初始浒苔检测及浒苔边界检测结果；

步骤二：基于浒苔边界辅助的遥感影像浒苔检测结果优化处理。

所述步骤一中借鉴多属性目标特征融合检测思想，实现影像中浒苔区域检测、边界检测多属性特征的提取，基于浒苔区域、边界多属性特征融合处理实现影像中各种类型的浒苔区域检测。

所述步骤一包含双路卷积神经网络语义分割架构，其中一路用于提取影像中浒苔区域，另一路用于提取影像中浒苔区域边界。

在双路卷积神经网络遥感影像浒苔语义分割架构时，融合残差模块优化训练网络参数、编码阶段底层特征位置信息与解码阶段高层特征语义信息相结合、输入影像与输出目标属性特征尺寸尺度对称。

双路卷积神经网络语义分割架构中，每路卷积神经网络语义分割网络包括网络编码和解码两个阶段；

所述网络编码阶段采用五级特征对影像特征进行提取，在每级特征上有两个特征图用于提取影像特征和一个残差模块优化特征图训练参数；