【技術實現步驟摘要】
本專利技術涉及遙感信息技術，尤其涉及一種基于無監督遙感超分辨率的高精度湖泊提取方法。
技術介紹
1、湖泊是支持巨大生物多樣性并為各地居民提供重要的糧食供應和文化生態系統服務的動態系統。由于湖泊的變化與氣候和人類活動的影響密切相關，因此，湖泊已被確定為氣候變化的重要指標，且更精細的湖泊面積可以更好地反映氣候變化。
2、遙感技術使得長時序、廣覆蓋的湖泊監測成為可能，已有很多研究使用遙感數據進行湖泊面積提取等。然而，由于遙感監測技術無法同時獲得高時間分辨率、高空間分辨率和高光譜分辨率的圖像，使得小湖泊的精細提取具有較大挑戰。超分辨率技術旨在從其原始的低分辨率遙感影像重建出更高分辨率的影像。圖像超分辨率技術為提升遙感影像的空間分辨率，提升湖泊提取精度提供了可能。隨著深度學習的發展，已發展出很多超分方法，可分為監督超分方法和非監督超分方法兩大類。由于監督超分方法需要構建充足的樣本集來完成模型的訓練過程，而對于遙感圖像而言，不同的傳感器所產生的遙感圖像差異較大，構建樣本過程繁雜，且監督模型的泛化能力有限，難以保障模型的精度。
技術實現思路
1、本專利技術要解決的技術問題在于針對現有技術中的缺陷，提供一種基于無監督遙感超分辨率的高精度湖泊提取方法，本專利技術構建的一種非監督超分方法，無需利用額外的數據構建樣本數據集即可完成目標圖像的超分過程。
2、本專利技術解決其技術問題所采用的技術方案是：一種基于無監督遙感超分辨率的高精度湖泊提取方法，包括以下步驟：
3、步
4、其中，表示遙感影像的綠波段，表示遙感影像的近紅外波段；
5、步驟2）構建融合梯度的多通道無監督深度超分模型；多通道無監督深度超分模型用于對采集的目標區域遙感影像進行高空間分辨率圖像的重建；
6、模型包括梯度信息提取模塊、信息融合模塊、深度特征提取模塊、上采樣模塊及重建模塊；
7、所述梯度信息提取模塊，用于計算原始圖像的低分辨率圖像的梯度圖；所述低分辨率圖像由步驟1）采集的遙感影像進行下采樣獲得；
8、所述信息融合模塊，用于對原始圖像的低分辨率圖像進行信息提取獲得的特征圖和對獲得的梯度圖進行特征提取獲得的特征圖進行級聯融合，獲得融合信息；
9、所述深度特征提取模塊，用于采用多個殘差網絡結構對融合信息進行深度特征建模與提取；
10、所述上采樣模塊，用于對信息進行上采樣操作；
11、所述重建模塊，用于采用卷積核進行高分辨率圖像的重建；
12、步驟3）訓練模型，獲取優化后的模型參數；
13、步驟4）利用訓練得到的多通道無監督深度超分模型對采集的目標區域遙感影像進行高空間分辨率圖像的重建，獲得高分辨率遙感圖像；
14、步驟5）基于原始遙感圖像及步驟4）獲得的高分辨率遙感圖像進行圖像特點增強，得到最終高分辨率遙感圖像；
15、5.1)將高分辨率圖像ihr'下采樣到與原始圖像i分辨率相同，計算原始圖像i及估計的下采樣后圖像的差diffl，然后將diffl上采樣到與高分辨率圖像ihr'分辨率相同得到圖像差diffh；
16、5.2)通過將高分辨率圖像ihr'加上圖像差diffh作為對高分辨率圖像ihr'的更新；
17、5.3)迭代更新高分辨率圖像ihr'，直到圖像差diffh小于設定閾值或達到設定迭代次數n，獲得最終更新的高分辨率圖像。
18、步驟6）根據最終高分辨率遙感圖像，計算超分辨率遙感影像的ndwi指數；
19、步驟7）根據ndwi指數提取湖泊區域；
20、根據ndwi指數對地物類別進行劃分，其中ndwi值在0-1區間的為湖泊，對湖泊區域進行提取。
21、按上述方案，計算輸入低分辨率圖像的梯度圖時，采用sobel算子，具體如下：
22、
23、其中，gm表示梯度圖，sob表示sobel算子。
24、按上述方案，步驟3）中模型的訓練過程如下：
25、3.1）將目標圖像根據超分倍數進行下采樣，得到對應的低分辨率圖像；
26、3.2）根據低分辨率-圖像對，進行訓練樣本的自適應提取；
27、3.3）使用包括旋轉、翻轉、裁剪、平移、剪切、縮放在內的圖像增廣算法對訓練樣本進行擴充，得到擴充后的樣本數據集；
28、3.4）確定網絡激活函數為relu，優化算法為adam，學習率下降策略和批處理大小，對無監督深度超分網絡進行訓練，得到模型優化參數。
29、按上述方案，步驟3）中模型訓練中，采用的損失函數為l1損失函數，
30、
31、其中，m表示所有樣本個數，表示根據目標圖像使用圖像增廣算法獲得的樣本圖像，表示通過模型重建得到的對應高分辨率圖像。
32、按上述方案，圖像的ndwi指數計算方式如下：
33、；
34、其中，表示遙感影像的綠波段，表示遙感影像的近紅外波段。
35、本專利技術產生的有益效果是：
36、1、本專利技術構建了無監督深度超分網絡。該網絡可根據目標圖像自身進行訓練樣本的構建，而不需要其他輔助圖像，能夠實現不同圖像大小、分辨率、通道數的遙感圖像空間分辨率的提高，從而自適應提取高精度湖泊區域。
37、2、本專利技術通過二次處理對遙感圖像質量進行改善，首先構建無監督深度超分模型提升遙感圖像的分辨率，再基于原始遙感圖像及模型獲得的高分辨率遙感圖像對模型獲得的高分辨率遙感圖像進行圖像特點增強，得到最終高分辨率遙感圖像。在此基礎上，利用ndwi指數對高分辨率圖像的湖泊進行提取，從而得到邊界更清晰、面積更準確、空間分辨率更高的湖泊區域。
本文檔來自技高網...【技術保護點】
1.一種基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，所述步驟2）中，計算輸入低分辨率圖像的梯度圖時，采用Sobel算子，具體如下：
3.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，步驟3）中模型的訓練過程如下：
4.根據權利要求3所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，模型訓練中，采用的損失函數為L1損失；
5.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，所述步驟6）中，圖像的NDWI指數計算方式如下：
6.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，所述步驟7）中，根據NDWI指數對地物類別進行劃分，其中NDWI值在0-1區間的為湖泊，對湖泊區域進行提取。
7.一種電子設備，其特征在于，
8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執
...【技術特征摘要】
1.一種基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，所述步驟2）中，計算輸入低分辨率圖像的梯度圖時，采用sobel算子，具體如下：
3.根據權利要求1所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，步驟3）中模型的訓練過程如下：
4.根據權利要求3所述的基于無監督遙感超分辨率的高精度湖泊提取方法，其特征在于，模型訓練中，采用的損失函數為l1損失；
<...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。