基于深度学习的遥感图像水体索求综述免费最新伦理电影
温泉1, 李璐2, 熊立3, 杜磊4, 刘庆杰5, 温奇6
1.腾讯科技(北京)有限公司,北京 100094
2.之江履行室,杭州 311121
3.江西省减灾备灾中心,南昌 330030
4.自然资源部国土卫星遥感应用中心,北京 100048
5.北京航空航天大学杭州改进计划院,杭州 310051
6.中国科学院空间应用工程与手艺中心,北京 100094
节录:
对江河湖泊等水体标的的空间漫步、时序变化进行实时、准确的检测和统计具有尽头遑急的意旨和应用价值,已成为面前遥感地表不雅测计划的遑急热门。传统水体索求智力依靠训戒遐想的指数模子进行水体阈值分割或分类,易受到植被、建筑物等地物的暗影以及水体本人泥沙含量、盐碱浓度等理化特点变化的影响,难以在不同期佛门径环境下保捏鲁棒性。跟着海量多源、多分辨率的遥感图像的快速获取,深度学习算法在水体索求方面的上风渐渐突显并被国表里学者庸碌海涵。收货于深度神经网罗模子浩大的学习才气和活泼的卷积结构遐想有谋划,计划东说念主员不绝提倡了各式模子和学习计策用以提高水体索求的鲁棒性和精度,但当今穷乏对该类计划进展的全面综述和问题剖析。因此,著述对频年来国表里发表的相关计划后果进行总结,要点归纳不同算法在遥感图像水体索求方面的优时弊及存在的问题,并对基于深度学习的遥感图像水体索求智力计划的发展提倡了建议和预测。
0 媒介
陆地水体是遑急的地物粉饰类型和自然要素之一,诈欺遥感图像对水体空间漫步及变化信息进行快速、灵验索求已一语气多年景为计划的热门。水体索求对湿地生态系统保护与归附、河活水域监管与羞耻管理、自然灾害评估等领域的计划具有遑急意旨。因此,计划怎样高效准确地从遥感图像中索求水体区域受到国表里学者的庸碌海涵,并透露出一系列智力。
水域信息在不同的地形环境下表现为湖泊、河流和湿地等类型,受地形地貌影响,各式水体类型的畛域、漫步情状不一致。同期,受东说念主类分娩、糊口等行为影响,城市区域的河活水质变化导致其在遥感图像中的光谱、纹理表征也存在互异。一般来说,水体的光谱表征主要与其名义反射的波段、泥沙浓度、透射深度等成分互相作用筹商,自然皎白水体对0.4~2.5 μm波段的电磁能量招揽较高,并跟着波长的增大渐渐缩小,在近红外和中红外波段内反射的能量极少。与之相背,植被和泥土在这个范围具有较高的反射率,这使得这2类地物与水体的光谱图像表征产生彰着区别。因此,挖掘遥感图像中各谱段特征是水体索求计划的要点。但是概述琢磨当今的手艺趋势与需求,传统遥感水体索求智力存在东说念主为详情阈值使得自动化进程低、同谱异物导致索求效果差等问题,难以快速准确地获取计划区水体范围。而在实质应用中,对大区域范围内快速、智能地进行水体索求与产物制作的要求束缚提高,传统遥感水体索求智力彰着无法得志上述需求,亟需发展新的手艺为水体索求提供新的处治有谋划。
跟着频年深度学习、东说念主工智能手艺的束缚发展和提高,传统遥感图像解译模子判别特征索求难、依赖训戒参数等问题正在被缓解,部分模子和算法在遥感图像交融、地物标的检测、地表变化检测、高光谱图像分类等计划领域取得了优于传统智力的罢休。但是,多数计划是针对具体数据和对象提倡处治智力,依靠计划东说念主员的训戒和技巧进行深度学习算法遐想,未能针对不同水体索求算法和数据作念举座的总结和分析。鉴于此,本文将较全面地概述遥感图像水体索求智力的计划近况,要点总结频年来深度学习算法在遥感水体索求领域的国表里计划后果,分析面前存在的问题并对过去的计划提倡建议和预测。
1 传统遥感图像水体索求智力
遥感图像水体信息索求的数据源主要包含合成孔径雷达(synthetic aperture Radar,SAR)遥感数据、光学/多光谱遥感数据以及两者交融后的数据。图1分别展示了高分三号、Sentinel-2和Landsat8获取的SAR和光学遥感图像,前2种图像的空间分辨率为10 m,Landsat8为30 m。对比4个场景中水体区域不错看出,水体在不同传感器成像情况下具有较大的情怀、纹理、几多么表征互异。受水体区域雷达波的平面散射影响,阈值法大略快速地从SAR图像中索求水体区域。关于光学/多光谱遥感图像,水体索求则较多使用阈值和光谱指数法、面向对象法和机器学习分类法等。
1)阈值和光谱指数法。该类智力具有策画节略、快速的优点,是中低空间分辨率遥感图像水体索求的常用智力,曾玲方等和Cao等诈欺SAR图像强度图的局部直方图单、双峰值漫步进行水体分割阈值详情,实考解说双峰法大略扼制SAR图像联系斑噪声对阈值忖度及水体索求罢休的影响。此外,阈值法多在后处理阶段使用形态学处理、Markov分割等智力对初步索求罢休进行优化。在多光谱遥感图像水体索求计划中,计划东说念主员通过分析水体与其他各种地物的光谱弧线特征法例,设立归一化水体指数(normalized difference water index,NDWI)模子,给与阈值分割的智力从水体指数产物中索求地表水体。为处治NDWI易受云层、山体和建筑物暗影影响的问题,走动往需要结合民众训戒来聘请合适的波段以及后处理技巧对分割罢休进行优化。由此可见,分割阈值的忖度易受地舆环境、季节以及水体本人特点等成分变化影响,难以康健地在不同区域扫尾自动、灵验地水体信息索求。
2)面向对象法。正常水体在光谱图像局部区域具有相似的纹理和光谱特征,以水体对象里面的同质性为量化门径,结合多门径分割智力使同质像元构成大小不同的对象,进而扫尾更高等次的水体区域索求。但受风波影响水体名义的体反射能量也出现互异,导致同质区域内出现互异较大的变化。因此,计划东说念主员也将SAR图像的极化明白特征、多源图像的交融特征等进行组吞并诈欺阈值函数或分类器进行分类。自然面向对象智力大略取得比阈值法愈加准确的索求罢休,但分割门径会显赫影响索求的性能,因此怎样自动、准确地聘请最优分割门径还是该类智力计划的要道。
3)机器学习分类法。跟着机器学习分类算法在图像分类、分割任务中的闇练应用,基于非监督的朦拢C均值聚类(fuzzy C means,FCM)和监督学习的因循向量机(support vector machine,SVM)、AdaBoost分类器智力渐渐成为大区域水体索求的首选有谋划之一。林顺海和洪亮等结合水体指数NDWI和改进的FCM聚类算法扫尾了城市地表水、河流的自动索求,不仅较好地保捏了水体区域完好性,对复杂布景也具有更好的扼制作用。为克服SAR图像强度图中建筑物、山体暗影导致水体误分的问题,胡德勇等诈欺单极化SAR图像的纹理特征,通过SVM分类器扫尾了水体和建筑用地信息的索求; Pradhan等借助ArcMap软件获取TerraSAR-X图像中灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理信息索求激流区域,总体索求精度最高达到了83.63%。这些将SAR结合水体的纹理特征与极化特征的模式分类智力渐渐引起了海涵。但是,机器学习智力索求水体需要复杂的光谱分析和特征聘请,需要依赖于丰富的先验学问,不仅耗时且难以得志对精度、自动化水和蔼应用范围的要求。
2 基于深度学习的水体索求智力2.1 深度学习算法简介
当今,遥感图像解译中常用的深度学习网罗包括卷积神经网罗(convolutional neural networks, CNN)、轮回神经网罗(recurrent neural network, RNN)、詈骂期挂念网罗(long short-term memory, LSTM)、自编码器(autoencoder, AE)和生成造反网罗(generative adversarial networks, GAN)等。其中,19层、50层和101层的VGG模子、ResNet和EfficientNet已四肢骨干网罗庸碌应用于各式特点学习任务中。
在与遥感图像水体索求紧密相关的图像语义分割领域,由Long等提倡的全卷积神经网罗(fully convolutional network,FCN)和在此基础上提倡的“编码-解码”结构的U-Net网罗模子成为端到端图像语义分割的主流智力。FCN和U-Net的结构如图2所示,其中FCN将传统CNN的全诱导层替换为上采样的卷积层,U-Net将下采样获取纹理、边际等图像细节和语义信息通过逾越诱导的方式传入到解码结构,扫尾了对任性尺寸的输入图像进行端到端的像素级分类。为弥补下采样过程引起的特征图分辨率和细节信息丢失问题,Chen等提倡推广卷积结构,在空间分辨率保捏不变的情况下增大模子的感受野,而且诈欺该结构提倡了DeepLab V3并在视觉场景分割任务中取得了较好的分割性能。
黑丝内射2.2 基于深度学习的水体索求进程
跟着深度学习神经网罗模子在标的检测、分类与分割等策画机视觉领域束缚取得打破性进展,计划东说念主员启动海涵怎样遐想合适的神经网罗模子来处治传统智力在遥感图像空谱特征聘请、水体分割方面存在的问题。
基于深度学习算法的遥感图像水体索求进程如图3所示,其举座约莫可分别为图像(与标签)输入、特征索求、语义分割和后处理4个阶段。由于CNN可活泼地遐想卷积层结构,深度学习算法不错使用不同类型和通说念数的遥感图像四肢输入,但正常需要在查验前对图像进行归一化操作。标志样本的制作正常开首于东说念主工目视解译后对图像像素逐个标志,但东说念主工和时候老本较高。Gong等提倡诈欺FCM对AE学习到的图像特征进行聚类,将得到的分类罢休四肢伪标签输入到网罗模子进行监督查验; 李鑫伟等提倡将多个互不重迭的原始样本数据子集分别查验神经网罗并协同更新标签,通过弱监督屡次迭代重复查验语义分割网罗,多个网罗分别预测并通过投票产生最终的水体索求罢休。这些方式缩小了东说念主工标志的时候和老本,但模子的分类精度易受伪标签质地的影响。使用样本数据对网罗模子进行查验后,神经网罗可凭证学习到的水体特征进行像素级分割,得到初步分割罢休。为进一步处治高分辨率图像中其他地物导致的分割空乏、碎块等问题,正常需结合图像处理、数字高程模子(digital elevation model,DEM)支持信息等技巧对索求罢休进行后处理,提高水体索求的完好性和精度。
2.3 基于深度学习的水体特征索求与分割 2.3.1 光学图像水体索求 2.3.1.1 光学图像水体特征索求
不同于传统基于单一或固定尺寸邻域像素的采样模子,基于深度学习智力的遥感图像地物识别、索求多诈欺AE 、深度置信网罗[55-56]、深度卷积神经网罗(deep convolutional neural networks,DCNN)和GAN等模子扫尾在不同空间门径下图像低阶纹理、几何特征和高阶语义特征的索求。
在水体特征索求计划中使用的4种不同深度学习模子结构如图4所示,其中图4(a)展示的是在遥感图像分类、标的检测等领域使用最多的CNN模子,其结构正常所以VGG16(或VGG19)为代表的CNN。通过使用堆叠的多层卷积、池化结构获取原始图像的纹理、语义特征,每层特征图的个数由卷积核的个数决定,每张特征图大略对不同的地物类型产生互异的响应。图4(b)展示的是多个残差卷积块堆叠而成的深层残差卷积网罗,常四肢“U”型神经网罗的特征编码结构,在遥感图像地物分割计划中往往使用。图4(c)和(d)展示的是2种不同的多门径特征索求模子结构,图4(c)诈欺降采样的方式在输入层对原始图像进行多门径处理,图4(d)在中间卷积层诈欺不同池化率或推广率的池化/卷积操作对特征图进行多门径处理,获汲水体局部、全局的纹理和语义特征。
王惠英等[63]诈欺原始的CNN模子进行河说念区域索求,该智力在高分一号2 m空间分辨率图像中准确地索求了永定河的河说念范围; 吕亚龙等[60]构建DCNN并使用标志样本进行监督查验,在多个卷积层内获汲水体的光谱与空间特征,扫尾对光学遥感图像水体的准确识别。为缩小DCNN模子存在的退化问题,Weng等[64]结合残差卷积结构提倡了可分离的残差分割网罗(separable residual SegNet,SR-SegNet),在索求深层水体特征的同期确保了网罗模子查验时不会产生梯度消散的问题。当今,跟着网罗模子趋于深层化、复杂化,这种残差卷积结构在许多深度学习遥感计划智力都有体现。
Yu等[69]初次结合CNN和逻辑回首分类器提倡一种深度学习水体空谱特征学习智力,从原始图像均分档次索求深层特征,学习不同层水体特征的空间频谱法例; 何海清等构建NDWI指数与CNN水体识别概率的斡旋忖度模子,并以迭代运算扫尾优化的遥感水体索求,显赫地提高了基于指数法的水体索求精度; 赵海萍提倡基于空谱特征交融的水体索求智力,通过构建深度SVM网罗模子对获取的多种水体指数特征与局部二值模式(local binary pattern, LBP)纹理特征进行交融,使得水体特征同期包含了光谱特点与纹理信息。为增强交融特征对高分辨率图像中水体细节的抒发,Chen等提倡了一种基于光谱和多门径空间特征3-D卷积的密致水体索求网罗模子,诈欺所提的全局空谱卷积模块、多门径卷积模块和畛域细化模块分别对水体的空谱特征进行多级交融。通过对资源三号和高分一号、二号光谱图像中水体索求精度进行考证,证据了该智力对细长河流的准确索求才气。
2.3.1.2 光学图像水体区域分割
自FCN和U-Net等语义分割网罗被用于端到端的神态生成像素级的分割罢休,以该模子为基础的水体索求算法渐渐得到海涵[72⇓⇓⇓-76]。比拟于传统阈值法、逐像素滑窗分类法,FCN大略给与多张光谱图像四肢输入数据,在网罗模子的编码器部分学习丰富的空间和光谱特征,并在上采样或反卷积构成的解码器部分逐像素对整张图像进行处理。王雪等[77]诈欺VGG16四肢基础网罗构建了3种不同上采样结构的FCN模子,证据了FCN-8s更能准确地索求水体信息。为提高对城市河流等水体的快速索求,Wang等[61]提倡了结合FCN与GEE(Google Earth Engine)平台的离线学习在线预测的水体索求智力,在寰宇36个城市区域进行考证,其中大部分城市索求罢休的F1分数和Kappa系数均达到0.9。为增强水体细节的索求,梁泽毓在编码-解码结构的FCN基础上,引入DenseNet模子的密集诱导,灵验地提高了网罗模子在水体细节部位的敏锐度,并使用Landsat8图像扫尾对长江部分流域的水体面积索求精度提高到了98.5%; Kim等诈欺U-Net网罗模子从GOCI图像中索求朝鲜半岛水域与赤潮相关的光谱特征,并解说4个波段的查验数据集的学习效果在平均标的精度方面比6个波段数据集低13%; 王宁等诈欺U-Net网罗从高分一号卫星图像中索求巢湖流域的水体范围,解说该模子的总体精度不错达到98.69%,而且在暗影去除方面有较大的上风; Ge等对U-Net的每一层编码器息争码器都作念了局部跳接,最大化地使用了特征信息并增强了模子的泛化才气,从高分一号可见光图像中索求水体较其他智力有更高的精度。
高分辨率光学遥感图像中包含数十个像素的小畛域水域索求,多门径图像输入和多门径特征学习已成为影响水体过甚畛域索求准确性的要道成分。为此,Li等结合面前流行的DeepLab V3+模子和条目立地场构建多门径斡旋预测的水体密致索求智力。通过将遥感图像进行分层的多门径分割处理后输入到模子,将模子的特征输出调理为加权交融后的多门径特征,在模子的后端诈欺全连通条目立地场(conditional random field, CRF)优化水体畛域细节。当今,这种集成多个分割罢休的语义分割框架已在许多领域和竞赛中证据了其灵验性。除了在网罗模子不同位置增添多门径卷积或金字塔结构外,Duan等[82] 在Li的计划基础上引入了卷积注目力结构,提倡具有扼制布景特征的擦除注目力模块(erasing attention,EA),履行罢休解说,该模子大略进一步根除高分辨率图像中山体、建筑物的暗影影响,缩小水体索求的虚警; Feng等提倡了一种增强的深度卷积编码器解码器(deep convolutional encoder decoder, DCED)网罗deep U-Net,该网罗应用超像素分割和条目立地域增强水体、非水体区域的连通一致性; Chen等[84]提倡基于自适合池化的水体索求模子(self-adaptive pooling convolutional neural network, SAP-CNN),在图像超像素分割基础上索求地表水体,提高了城市区域水体细节的索求才气,但由于超像素分割需要依赖东说念主工训戒阈值的设定,因此该智力未能扫尾完好意思自动的水体索求进程; 沈骏翱等在常用特征索求骨干网罗的基础上引入了通说念注目力和空间注目力羼杂模块,对长江三角洲部分地区的高分六号卫星多光谱影像索求水体范围,对不同空域大小的水体细节有较好的索求效果; Wieland等[86]在U-Net和DeepLab V3+模子架构均分别使用了MobileNet V3,ResNet-50和EfficientNet-B4编码骨干网罗,对环球不同区域、不同卫星和航空遥感数据进行成例水体分割和洪涝水体分割,对比了3种精度办法来判别最好的模子架构; Parajuli等[87]构建了由残差注目力模块(residual attention module, RAM)、密集卷积模块(dense convolutional module, DM)、头部模块(head block, HB)、尾部模块(end block, EB)和滚动模块(transition block, TB)交叉构成的注目力密集CNN,针对尼泊尔部分地区的Sentinel-2数据进行水体索求,总体精度最高可达87.83%,高于其他经典网罗模子; Lu等[88]提倡了基于邻近像素图采样的弱监督水体索求网罗NFANet,给与邻近像素图组和点标注四肢伪标签,通过“U”型编解码网罗、特征团聚模块、点标注拘谨后处理以及轮回查验过程,在0.5 m空间分辨率可见光影像数据纠合该智力较现存的监督分类和弱监督分类智力精度都有一定的提高; Xiang等[89]在经典的编解码结构基础上,加多了密集金字塔池化模块(dense pyramid pooling module, DensePPM)用来获取更多的全局险峻文信息,残差旅途模块来填补分割缺口,空间和通说念注目力压缩激勉模块来捕捉像素级的水体空间信息,在0.5 m无东说念主机可见光影像和GID (Gaofen image dataset)数据集上取得了超越其他现存智力精度的水体分割罢休。
2.3.2 SAR图像水体索求 2.3.2.1 SAR强度图像水体分割
跟着SAR图像空间分辨率的提高,强度图像中联系斑噪声、水面的波动、建筑物和船舶等标的的旁瓣效应均严重加多了水体索求的难度。同期,斑噪的影响使得SAR强度图无法像光学图像雷同具有较为平滑、一语气的灰度变化,CNN中大跨度卷积、池化形成的分辨率亏空难以在上采样过程被很好地归附,因此,仅针对网罗模子进行卷积层堆叠无法得到较好的索求罢休。针对这一问题,Zhang等诈欺空乏卷积结构提倡一种反卷积金字塔模块(upsampling pyramid network,UPN),诈欺不同推广率的卷积核代替池化操作进行多门径特征索求,减少了编码阶段的细节信息亏空; Zhang等[91]在此基础上加入了改进的CRF进行后处理,针对全诱导CRF策画复杂的问题,提倡全卷积条目立地场(fully-convolutional conditional random fields, FC-CRF),诈欺邻域像素的类别概率对UPN模子输出的水体概率映射图进行二值分类,得到畛域完好的水体索求罢休; Zhang等[92]提倡了一种交融CNN,ResNet,DenseNet,全局卷积网罗(global convolutional networks, GCN)和卷积詈骂期挂念(long short-term memory,LSTM)的多分辨率沸腾编解码器网罗,对水体及暗影区域的GLCM、卷积特征进行多门径索乞降加权交融,得到水体和暗影区域的分类,其水体、暗影区域的像素级分类精度分别达到了95.16%和88%。
2.3.2.2 PolSAR图像水体索求
极化SAR特征明白智力大略从更多角度揭示不同地物的散射离别,因此常被四肢特征输入与学习算法相结合进行地皮粉饰分类。其中,最径直的方式即是将多个极化明白特征进行堆叠,然后输入到神经网罗的输入层。Avolio等诈欺CNN和轮回神经网罗(recurrent neural network,RNN)代替传统的归一化植被指数(normalized difference vegetation index,NDVI)和NDWI优化有谋划; Ni等诈欺LSTM网罗结构从多种指数模子、SAR极化数据中获取不同极化和光谱组合后的时空特点,改善了地物特征学习阶段对先验学问的依赖。为缩小输入特征的维度及不同极化特征间的冗余,Wang等引入基于疏淡-低秩表征的图镶嵌计策,在特征子空间获取低维极化特征,并与FCN获取的多门径空间特征交融进行水体、建筑物等地物的分割; Xue等用改进的Dense Block模块来索乞降交融双极化SAR影像中水体的特征,用坐标注目力模块(channel attention module, CAM)来减少水体畛域的亏空,用特征诱导模块来幸免信息冗余,在高分三号和Sentinel-1卫星双极化影像水体索求中较其他网罗取得的更高的精度,解说了双极化SAR影像对水体索求的灵验性; Hertel等给与自适合贝叶斯卷积神经网罗(Bayesian convolutional neural networks, BCNNs)对双极化模式的Sentinel-1卫星SAR遥感数据进行水体索求,以Sentinel-2可见光遥感数据索求的水体四肢考证,较普通U-Net构型的CNN和蒙特卡洛丢弃网罗(Monte Carlo dropout network, MCDN)有更高的精度。除了上述基于极化明白特征学习的智力外,一些计划东说念主员提倡基于复数值域学习的卷积神经网罗算法,径直输入SAR后向散射数据及相位信息进行水体、裸地等地表覆被分类、引导标的识别。这种复数神经网罗在输入层因循SAR后向散射分贝值的径直输入,并在前馈传播与梯度更新运算时加入了复数策画,幸免了因复数转实数域时数值压缩导致的信息亏空,因此大略愈加准确地揭示地物与散射强度、相位/联系信息之间的表征关系,提高SAR图像地物类型的分类精度。
2.3.3 其他水体索求智力
四肢遥感图像地表粉饰/地皮诈欺分类计划中遑急的计划对象,水体常与植被、建筑物等地物类型结合在一王人进行分类计划。李胜和张书瑜提倡将多地物各自的领域学问与特征学习智力筹商在一王人,结合东说念主工遐想智力与深度学习算法索求多类型形貌特征,提高包含水体在内的多地物分类才气。但是,不同地区(或时候)的遥感图像地表粉饰特征随图像类型、空间分辨率、空间门径等变化存在互异,相聚分类样本和模子重新查验均会奢靡广阔时候。因此,聘请来自相近漫步的样本数据集进行移动学习可快速得志在不同遥感图像上得到准确分类罢休。现常用特征空间对王人和样本微探访验等智力来扫尾特征索乞降地物分类的学问重用。此外,为提高移动学习过程中的多类特征抒发才气,学者们计划了在移动学习中交融多种特征进行分类识别的智力,以提高移动的适用性和准确性 。
2.4 基于深度学习的水体变化检测
当今,可用于水体变化检测的深度学习计划主要可分为2类: 差分图检测法和时序特征分析法。Song等提倡将多时候图像分别通过事前查验好的FCN进行特征学习,并凭证网罗模子终末预测层的得分图来生成差分图像。由于得分图已将大部分非水体区域的像素进行吞并,因此特征差分大略更显赫地杰出水体的变化区域。但是差分图生成过程未免形成图像信息亏空,产生伪变化和具体变化类型难以详情等问题。为克服差分图变化检测的上述劣势,Gong等结合超像素分割和堆栈自编码器提倡了基于档次差分暗示学习的光谱图像变化检测算法,在双时序高分辨率光谱图像中索求水体区域及畛域的变化信息。由于编码器自学习的方式无需进行差分图生成和标志样本,因此该智力大略对大区域范围的水体时序变化进行快速、自动索求。
但是,SAR图像固有的联系斑噪声受成像时候、传感器情状等变化而具有一定的立地性,使得自编码特征学习方式易受SAR图像强度图中斑噪影响,无法灵验地学习时序变化特征。为此,Su等进一步引入朦拢数的见解将输入图像过甚邻域特征调换到朦拢域,保留了更多肖似变化的图像信息,随后诈欺变化向量分析法扫尾SAR图像水体过甚他多种类型地物的变化检测; Gao等将DT-CWT小波变换引入到CNN模子中代替最大池化操作,通过丢失高频子带的方式扼制部分散斑噪声,扫尾SAR图像海冰变化检测。
除了上述的空间CNN模子外,RNN[117]和LSTM[118]等时序深度神经网罗也已被应用到遥感图像地物粉饰变化检测计划。由于部分地物类型在不同季节时序的遥感图像中具有彰着的、法例的变化,这种基于标的时序特征的智力往往大略取得丰富的空间卷积特征和内在变化特征,进而取得更高的检测精度。
3 水体索求数据集与评估智力3.1 水体索求数据集
查验样本数据的数目和质地是影响深度学习算法性能的遑急成分。当今,用于遥感影像水体索求的数据集主要以RGB可见光和近红外波段的遥感图像为主,且样本切片中常包含除水体以外的其他地物类型。本节将要点先容5个像素级标志的样本数据集。
1)GID数据集。该数据集主要用于地皮诈欺和地皮粉饰类型索求,包括我国范围内近60多个不同城市的150幅高分二号遥感图像,总体粉饰区域卓绝5万km2。该数据集包含了由高分二号卫星生成的1 m空间分辨率全色图像和4 m空间分辨率的多光谱图像,图像及标签的平均大小为6 908像素×7 300像素。数据集下载地址: http: //captain.whu.edu.cn/GID/。
2)EvLab-SS数据集[120]。该数据集有35幅卫星图像,平均大小约为4 500像素×4 500像素。其中有19幅WorldView-2卫星图像、5幅GeoEye卫星图像、5幅QuickBird卫星图像和6幅高分二号卫星图像,空间分辨率在0.25 m~0.1 m之间。该数据集包含了农田、花坛、林地、草地、建筑、水域等11个类别,每个类别的标志主要开首于实质的地舆条目探访,每幅图像都有地舆条目探访的完好审视。因此,该数据集旨在用于评估着实工程场景上的语义分割算法,为高分辨率像素级分类任务寻找一种邃密的深度学习架构。数据集下载地址: 。
3)DeepGlobe_Land数据集[121]。该数据集提供了高分辨率亚米级卫星图像,共包含1 146幅卫星图像,图像平均大小为2 448像素×2 448像素,空间分辨率为0.5 m。该数据集包含了建筑、农田、牧场、湖泊、丛林等7个地表粉饰类型,凭证查验、考证和测试集分别3个子集,每组分别包含803,171和172幅图像,即对应70%,15%和15%的总体数据占比。数据集下载地址: 。
4)SEN12MS数据集。该数据集为城市区域的遥感影像语义分割数据集,数据开首为Sentinel-1和Sentinel-2,图像空间分辨率分别为20 m和10 m。大地着实数据给与MODIS地表粉饰数据集,地皮粉饰精度为74%,地皮使用精度为81%,名义水文体精度为87%。通盘数据集给与256像素×256像素切片大小,共生成180 748套切片。数据集下载地址: https://mediatum.ub.tum.de/1474000。
5)海南岛陆域水体遥感索求数据集。该数据集包含了2013—2017年间粉饰通盘海南范围的高分一号和Landsat8 OLI多光谱、全色图像数据,空间分辨率分别为16 m和15 m,云量均低于9%。数据集给与面向对象学问章程集自动索求一语气5 a的水体漫步信息,制作出海南全省水体漫步矢量图,并最毕生成5张水体漫步图像和1个考证样本数据。数据集下载地址: 。
3.2 水体索求评估智力
水体索求精度正常不错使用像素级分类精度和遥感图像制图精度进行评价,其中像素精度(pixel accuracy,PA)、平均像素精度(mean pixel accuracy,MPA)、平均交并比(mean intersection over union,mIoU)和F1分数开首于语义分割算法精度评价智力。
1)语义分割精度办法。PA为预测正确的像素数目占总像素数的比例,值越大暗示预测罢休越接近着实的地表漫步。
2)遥感图像制图精度办法。制图精度由稠浊矩阵暗示,该矩阵通过对比、统计每个图像位置中地表着实像素与相应位置的预测类别得到,矩阵的每一列代表了一个地表着实分类,每一列中的数值等于地表着实像素在分类图像中对应于相应类别的数目,有像素数和百分比暗示2种。
3)其他水体索求信息量化评价办法。为了大略愈加直不雅地从量化办法中反馈水体的畛域、轮廓索求精度信息,梁泽毓[59]界说了水体岸线长度精度(length accuracy,LA)和水体面积精度(area accuracy,AA),值越高则暗示算法的索求罢休与着实标志越接近。
4 基于深度学习水体索求的遥感应用
由于深度学习手艺灵验地提高了水体索求算法的时虚浮化才气,使得所查验的网罗模子大略对大空间区域内的河流、湖泊信息及变化进行准确索求,为河床变化、激流监测、水环境保护等任务提供可靠的手艺因循。梁泽毓将所提的深度学习水体索求算法应用到长江(安徽段)流域变化监测任务中。通过对2013—2018年间的Landsat8 OLI和Sentinel-2影像进行水体索求,并在时序索求罢休中得出水位变化致使滩涂堆积、长江支流窒碍和长江干流变化的原因; 蒋广鑫诈欺Deeplab V3+对4景30 m空间分辨率的Landsat遥感图像进行水体索求,扫尾了青藏高原湖泊面积及湖泊变化信息获取; Fang等提倡基于ResNet-50移动学习的水库识别算法,结合GEE平台扫尾在环球范围制作3 800张图像级水库、湖泊样本切片。随后,预查验的ResNet-50对环球东说念主工水库漫步信息准确地进行识别。为了提艰深度学习算法在环球门径上进行激流精准制图的水平,Bonafilia等基于公开的Sentinel-1数据制作了像素级标注的地表水数据集Sen1Floodds11。该数据集粉饰12万km2,跨越11次激流事件、357个生态区域和世界6大洲,制作了4 831张尺寸为512像素×512像素的样本切片,包括始终水域和不同地区、时节的激流区域。纵不雅上述深度学习水体索求应用计划发现,征集包含各个地区、不同水域的广阔标志样本数据,大略提高神经网罗模子对不同类型、不同情状水体的识别才气。同期,在神经网罗模子的输入端使用多源遥感图像大略进一步增强区分大区域范围内水体与其他地表覆被的判别力。
5 存在的问题与参谋5.1 遥感图像水体索求存在的要道问题
当今,基于深度学习算法的水体索求计划已取得了许多后果,在索求精度和算法泛化才气上有了彰着的改进。但在复杂地舆环境、各样化水体类别条目下仍难以得志实质需求,其主要原因可约莫归为如下3点:
1)图像源本人存在表征信息不及的劣势。当今大多数智力仍基于单一图像源信息,导致深度学习算法未能同期学习水体光谱、散射等多个物理特点。自然神经网罗的卷积层特征大略匡助算法剔除建筑物暗影对水体索求精度的影响,但光学图像学习难以灵验地处治沥青说念路、搁置耕地等区域的检测虚警,同期,SAR图像的散射强度特征仍无法灵验地处治建筑物、山体等暗影区域的影响。
2)基于小数样本学习的水体索求智力有待进一步计划。当今,深度学习水体索求算法大多基于像素级标注样本,且数据多来自计划区内获取的多景遥感图像,这导致神经网罗模子的学习才气严重受限于样本数据的各样性,无法对大范围内多种类型的湖泊、河流等水体进行准确识别和索求。
3)高空间分辨率图像水体细节索求完好性不及。当今多数神经网罗的屡次池化操作会不成幸免地导致水体空间特征的亏空、畛域朦拢等问题,但是这种信息亏空在网罗模子的解码阶段是难以被完好意思补回的。因此,多数深度学习算法在索求中、低空间分辨率遥感图像水体时,会导致部分河流的主体区域存在不完好的分割罢休,而在高空间分辨率图像中也会形成水体细长的部分分割,出现断裂、漏检等情况[59,84]。自然一些算法通过在模子加入多门径卷积、空乏卷积或金字塔结构来缓解这种劣势,但复杂的模子结构和广阔的参数需要更多的标志样本数据去查验,这种智力不仅形成东说念主力老本的加多,而且难以将模子智力实施到大区域乃至环球范围的水体索求应用中。
5.2 深度学习遥感水体索求智力的上风及预测
面前,从大空间范围、高空间分辨率的遥感图像中进行河流、湖泊信息索求及变化动态监测是多个领域的应用热门,在大区域空间扫尾快速、普适的水体信息智能索求还是面前遥感图像解译的遑急内容。但是,现存的深度学习水体索求智力大多基于一个结构固定、参数训戒设立的神经网罗模子,在广阔东说念主工密致标注的样本集下进行查验。这些智力的索求罢休往往容易受样本漫步的影响,导致在小范围内具有过拟合的水体分割精度,但算法的泛化才气仍然无法适合大范围的水体索求应用需求。因此,基于深度学习的水体索求手艺还需要进一步加强如下几个方面的计划:
1)计划基于数据驱动的智能水体索求智力。对已获取的特定类型的遥感数据过甚水体表征进行分析,依据分析罢休组合各式多门径卷积、注目力和特征交融等网罗模块,构建相宜计划区域的最好水体索求模子,提高算法对数据的智能适配才气,进而提高高空间分辨率图像中水体主体和细节的索求精度。
2)进一步计划将移动学习、小样本学习表面引入到遥感图像水体索求计划中,遐想相宜在小数标志样本或初级标志样本下的神经网罗模子和查验有谋划,快速地学习水体过甚他地物标的间的判别表征,提高模子对水体区域的识别、联络才气。此外,还不错诈欺生成造反学习的念念想,挖掘与水体具有肖似表征的地物(如天外、搁置后的田野、沥青说念路、雪地等)间的深层判别特征,缩小算法在复杂环境下的检测虚警。同期,诈欺生成器模子异常的标志图像生成才气,在网罗模子得到充分学习后,自动生成带标签的生成图像四肢监督学习的查验样本,缩小东说念主工标志图像老本的同期,为神经网罗模子提供更多的带标签样本数据,提高网罗模子对水体和其他地物的学问学习才气,获取愈加鲁棒、准确的水体索求罢休。
3)诈欺RNN和LSTM等时序深度学习算法和网罗模子,对粉饰不同期节的时序多光谱图像进行分析,挖掘水体、植被和建筑物等地物在时序上的光谱弧线变化法例和空间漫步信息,学习相应的判别特征实时序变化趋势信息,扫尾水体的时空变化检测,为水资源保护、生态防治、洪涝监测等领域提供可靠的手艺有谋划。
4)Transformer,ViT和Swin Transformer等新的策画机视觉自注目力机制模块不错高效地捕捉全局险峻文信息,在分割、分类、标的检测等视觉任务领域取得了一定的打破。这些模块不错用于改良已有的水体索求网罗模子,提高区分判别水体与其他地类畛域的才气,提高遥感影像水体信息索求的精度。
6 论断
跟着高空间分辨率遥感手艺与深度学习算法的快速发展,基于海量数据样本查验的深度神经网罗模子大略克服复杂地舆环境、水体表征变化等成分,准确、快速地索求大范围的湖泊、河流等地表要素,就业于水资源监测、生态保护、洪涝防灾减灾等领域。通过总结可知,在多光谱及雷达图像中索求判别特征还是水体精准索求的要道,自然深度神经网罗算法大略学习到丰富的水体形态和语义特征,但大多数算法的性能严重依赖于广阔强标志的水体样本,在大范围检测应用中仍存在本人的局限性。因此,计划如安在小数样本查验情况下进行移动学习,是增强深度学习水体索求智力泛化才气的灵验技巧和要道。此外,水体、植被等地物易受季节景象影响产生时序的光谱变化,诈欺时序深度学习算法索求地物间显赫的光谱时空特征,同期结合多源数据的同化计划和多门径信息集成计划,是形成更具泛化才气的水体索求系统的可行有谋划,更能得志区域致使环球化的水体智能监测任务。
(原文有删减)
【作家简介】温 泉(1985-),男,硕士,工程师,主要从事策画机视觉、自然言语处理领域的计划。
Email: aristoego@gmail.com 。
【基金资助】国度自然科学基金款式“基于深度学习的高分辨率遥感影像建筑物检测与实例分割计划”(41871283)
【援用步地】温泉, 李璐, 熊立, 杜磊, 刘庆杰, 温奇. 基于深度学习的遥感图像水体索求综述[J]. 自然资源遥感, 2024, 36(3): 57-71.
社群相通/原创投稿/ 商务团结
开首:测绘学术资讯免费最新伦理电影