论文部分内容阅读
地表水体是人类生存和社会发展不可或缺的资源,对其进行快速、有效地监测,全面掌握其空间分布情况具有十分重要的意义。随着空间遥感技术的不断发展及各型高分辨率卫星的相继升空,运用遥感技术开展水体识别及其动态监测已成为一种高效快捷的途径。目前遥感水体提取已有较多方法,如目视解译法、水体指数法、监督分类法、谱间关系法、决策树分类法等,以上方法各有优劣,但是较为依赖专家经验,且自动化程度、精度等方面能力有限,难以对大面积、高时相的遥感数据进行快速、有效的遥感水体信息监测。近年来,深度学习在语音识别、图像目标识别和检测、自然语言处理等方面取得了巨大成就,因此不少学者将其应用于遥感领域,典型代表为遥感影像场景分类、遥感影像目标检测、遥感影像语义分割(地物分类)等。深度学习可自动提取高维数据中的浅层特征与深层特征,自动拟合分类结果,适用于多波段遥感影像信息提取,目前已成为遥感图像信息提取的有效途径。本文针对高分六号卫星影像遥感水体信息提取问题,对比分析了 FCN-8S、U-Net两种经典全卷积神经网络的水体提取效果,并对U-Net网络进行了结构优化;在优化后的全卷积网络VGGUnet中采用了组合损失函数,缓解了 U-Net网络中数据浅层特征丢失及数据及不平衡的问题,加强了网络对图像特征的抽取能力,提高了对遥感中细节水体的敏感程度,实现了更优的水体提取效果;将本文方法应用于GF-6卫星宽幅相机地表覆盖监测及地表覆盖变化快速检测技术课题中,为课题提供水体变化自动化监测提供支撑。本文的主要研究重点及研究内容如下:(1)对高分六号卫星影像水体提取的有效波段进行分析。在预处理后的高分六号WFV影像中选取裸土、植被、水体、建筑等不同类型样本,通过统计每种地物地表反射率均值,分析不同地物在不同波段的地表反射率差异。然后统计地物样本之间的J-M距离,从理论上分析不同波段组合中不同地物的可分离性。以上两种方法为深度学习进行水体提取提供理论支撑;(2)研究并改进了用于高分六号卫星影像水体信息提取的U-Net深度学习网络模型。为实现高分六号高分辨率多光谱相机(PMS)、宽视场相机(WFV)的影像水体自动化提取工作,本文采用FCN8-S、U-Net、VGGUnet为基础训练网络,综合对比分析水体提取结果得到其最优模型;基于最优模型进行优化,引入组合损失函数FD-Water loss进一步优化水体提取效果。基于VGGUnet与单波段阈值法、多波段谱间关系法、水体指数法等方法对比分析,进一步确认VGGUnet网络水体提取的效果;(3)基于上述算法模型,开发高分六号遥感影像水体信息自动提取原型系统,该系统具有遥感影像打开、缩放、保存等基础功能模块,同时集成了本文提出的遥感影像水体提取模型,实现遥感影像水体的自动化提取。