[发明专利]基于空基平台视觉监视的水域面积检测方法与装置

摘要

本发明公开了基于空基平台视觉监视的水域面积检测方法与装置，涉及图像处理技术领域。该装置包括图像采集器，CNN特征提取器，多孔卷积网络的分支器，特征融合器，分类器和面积转换器。首先卷积神经网络提取待监测水域面积图片中的高层语义信息，得到输出特征图，并输入多孔卷积网络。然后根据其边缘信息，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征；利用线性SVM分类器训练模型，将期望特征的样本向量进行分类，最后输出分类结果，得到水域面积S。根据图例参数gamma和原图水域面积S，计算水域部分的真实面积。本发明较强鲁棒性，能够监测水域部分的真实面积的变化，预测自然灾害。

主权项

1.基于空基平台视觉监视的水域面积检测方法，其特征在于，包括如下具体步骤：步骤一、获取某张待监测水域面积的图片，基于卷积神经网络CNN提取图片中的高层语义信息，得到输出特征图；所述的高层语义信息为待监测水域面积图片中的不同区域的模糊的边缘信息；步骤二、将输出特征图输入多孔卷积网络进行多支路不同感受野的多孔卷积；多孔卷积网络以1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积，分别对输出特征图进行五个不同感受野的卷积，得到5个多孔卷积网络的输出特征图，其尺寸均为H*W*256，输出通道数均为256；步骤三、对多孔卷积网络的输出特征图进行不同感受野特征的融合，得到通道数为1的输出特征图；所述的通道数为1的输出特征图包含了原图的边缘信息，且已经将原图分割为不同大小的区域；步骤四、根据通道数为1的输出特征图的边缘信息以及分割的不同大小区域，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征，作为最终进行分类的样本向量；步骤五、利用线性SVM分类器训练模型，将期望特征的样本向量进行分类，输出水域和非水域的分类结果，同时得到水域面积S；线性SVM分类器训练模型将区域的划分本质上转化为一个二分类模型，分类结果为0或1；0代表该期望特征来自非水域，1代表该期望特征来自水域；最终，统计所有分类结果为1的分割区域，结合每个区域中像素点的个数，计算原图中的水域面积S；步骤六、根据图像采集器参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积S，计算水域部分的真实面积；根据输出的水域面积S，计算水域部分的真实面积S′，具体计算公式为：S′＝gamma2*S步骤八、监测水域部分的真实面积S′的变化，提前预测部分自然灾害。