利用多源和多时颞高空间分辨率遥感图像的深度学习认识城市水体
来自高空间分辨率遥感影像(HSRRSI)的数据提供了识别地表水质的详细信息,包括这些液体质量的质地、几何结构和空间分布。收集到的综合信息表明,可以较好地反映地表水体的内部成分,并能较好地反映相邻物体之间的关系。在“大数据时代”背景下,利用遥感数据进行几何处理的识别方法有了显著的改进,如基于地理对象的图像分析(GEOBIA)。然而,这些方法主要侧重于自底向上的视觉特征到语义类别的分类,忽略了能够优化识别结果的自顶向下反馈,不能满足当前大规模应用的需求。由于深度学习具有强大的特征提取和表示能力,采用一种特殊的基于卷积神经网络(CNN)结构的区域提议生成和目标检测集成框架,大大提高了HSRRSI的目标检测性能;为遥感水体识别提供了一种新的模型。我们利用深度学习的优秀“自学习能力”构建了Mask-RCNN的改进结构,该结构集成了自底向上和自顶向下的水识别过程。与传统方法相比,该方法完全是数据驱动的,不需要先验知识,是一种具有实际工程应用价值的水体识别新技术。实验结果表明,该方法对多源、多时相水体识别结果准确,并能有效避免阴影等地物与水体的混淆。
旨在解决常规遥感图像水提取中固有的自动化,低效率和过度良好的问题,基于掩模R-CNN建立了基于面积的解决方案网络结构;这适用于HSRRSI水识别,基于物体的识别和自动提取水体。该方法是完全数据驱动的,不需要先验知识。它提高了水提取的速度,为地表水的实时监测提供了技术支持,为水有关的研究提供了数据支持。
如图1所示,我们利用北京通州区WorldView-3图像和GF-2图像,采用改进的Mask-RCNN模型(经过4个不同数据集训练)进行水体目标识别实验。实验结果表明,该方法有效地提高了四类遥感影像的水识别效果。无论是大水体(如湖泊、河流)还是小水体(如稻田、小支流)的遥感提取,水体范围的提取效果都有所改善。值得注意的是,四图像训练模型的交叉验证显示了准确的结果和很强的泛化能力——即使训练区域与测试区域不同。除了水数据的提取,该方法还可以应用于植被、沙漠、湿地等专题信息的准确提取,这些领域当然值得今后进一步研究。
参考文献
- 朱光,罗杰,沉Z.河道线性水自适应自动提取在DEM辅助遥感图像中的应用[J]。测绘学报,2013,42(2):27-283。
- 盛Y W和Xiao Q G. 1994.云污染NOAA / AVHRR图像中的水体鉴定。环境遥感,9(4):247-255。
- 周C H,Du YY和Luo J 1996.一种描述模型,基于来自NOAA / AVHR的自动识别水的知识。自然灾害杂志,5(3):100-108。
- 杜伊和周C H. 1998.自动提取水体的遥感信息。遥感学报,2(4):264-269。
- 杨春江,徐敏。1998。遥感信息机制中水体提取方法研究。地理研究,17:86-89。
- 杜建坤,黄永胜,冯学忠,王志林。2001。SPOT图像水体提取与分类研究。遥感学报,5(3):214-219。
- 他Z Y,Zhang x C,Huang Z C和Jiang H X. 2004.基于高空间遥感图像的水提取技术。浙江大学学报,31(6):701-707。DOI:10.1007 / S11769-003-0057-9
- Liu H和Jezek K C. 2004。结合Canny边缘检测和局部自适应阈值方法的卫星图像海岸线自动提取。国际遥感杂志25(5): 937 - 958。DOI: 10.1080 / 0143116031000139890
- Chunqi Z,Congsheng Z,郑盛L.基于谱签名和比例分析鉴定的陆地水信息研究。地质信息科学, 2008,10(5): 663 - 669。
- 建 - 郑立,延伟S,Zhan-Feng S等人。具有逐步迭代变换机制的多光谱图像的自动和高精度提取。遥感学报,2009,13(4):604-615。DOI:10.3321 / J.issn:1007-4619.2009.04.005
写的
刘建华
北京建筑工程大学