基于高分辨率影像剔除水面桥梁连续水面构造的方法与流程

1.本发明涉及图像识别领域，具体为一种基于高分辨率影像剔除水面桥梁连续水面构造的方法。


背景技术：

2.遥感图像是指记录各地物电磁波大小的胶片或者照片，通常由卫星拍摄或者航空拍摄得到，通过深度学习，目标检测和特征检测等技术，可对遥感图像进行处理，得到需要的信息；
3.传统水域信息提取通常依赖手工作业，专人巡查，耗费大量人力、时间和资金成本，且精度低时效性差，现将高分辨率遥感技术应用于水域轮廓提取与面积设计，可更高效提取水域信息；利用高分辨率影像监测水体信息时，通常因为水面上桥梁建筑等设施光谱和纹理特征与水体不同，导致水域被打断，影响模型的全局性；
4.因此，本发明提供一种基于高分辨率影像剔除水面桥梁连续水面构造的方法来提取完整的水域轮廓。


技术实现要素：

5.本发明的目的在于提供基于高分辨率影像剔除水面桥梁连续水面构造的方法来解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：基于高分辨率影像剔除水面桥梁连续水面构造的方法，该构造方法包括以下步骤：
7.s1、选取高分辨率遥感图像，获取数据并预处理，辐射定标并校正输出，融合影像并剪裁；
8.s2、改进提取模型，使用pspnet，改进使用resnet模块作为骨干提取网络，添加辅助损失函数进行优化；
9.s3、改进网络训练数据集，对数据集进行归一化处理，进行网络训练；
10.s4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；
11.s5、转换为灰度影像，采用harris算子，分离影像并拟合得到不同灰度图像，导入检测算法；
12.s6、计算影像像素点梯度值，进行滤波计算，计算响应函数确定角点；
13.s7、根据公共角点，进行多边形构建面，合并修复，得到连续水域要素。
14.根据上述技术方案，在步骤s1中，选取建有基础设施的水域的高分辨率遥感图像，选取分辨率m米的多光谱mux影像和分辨率n米的全色pan影像，多光谱mux影像有多个单波段，光谱分辨率高，全色pan图像是单通道的灰度照片，空间分辨率高，选择这两种图片进行处理融合，以获得高分辨率和多光谱的影像；现分别对两种影像进行处理；对两种影像进行辐射定标，将图像的亮度灰度值转换为绝对的辐射亮度，该操作利于计算地物的光谱反射率和光谱辐射亮度；对辐射定标后的多光谱影像进行大气校正，由于遥感器测得的地面目
标的总辐射亮度包含了由大气吸收，特别是散射作用造成的辐射量误差，通过大气校正可以消除辐射误差，得到地物真实的表面反射率，在本方法中，使用envi5.6软件进行大气校正，输入辐射定标的影像，设定传感器基本信息，包括成像中心经纬度、传感器类型、传感器高度、成像区域平均高度、像元大小和成像时间，设定大气与气溶胶参数，该参数包括大气模型、气溶胶模型、气溶反演方法、初始能见度和高光谱参数，在设定完毕后，进行大气校正输出；对定标后全色影像与大气校正多光谱影像分别作正射校正，纠正几何畸变，通过envi5.6软件“rpc校正工作流”模块，设定输出分辨率，使用三次卷积法内插，设置输出路径和输出名称，完成地理校正；由于影像背景值为0，影像周边存在黑边现象，对其进行忽略背景值设定，去除黑边效应；利用nndiffusepansharpening工具，输入参数，进行影像融合，并设置融合影像的输出路径和影像名称，得到高分辨率和多光谱影像，根据x区域矢量，选择“rois外数据掩膜”，仅保留矢量内数据，进行剪裁，获取有效信息。
15.根据上述技术方案，在步骤s2中，首先根据特征进行提取，使用深度学习提取技术，卷积神经网络可共享深层的网络参数来减少网络的权重和偏差，通过结合不同地物的光谱、空间和形状特征综合分析，充分学习地物的深层次语义特征来精准提取地物轮廓，对复杂环境的多类地物提取效果佳，使用pspnet分别对桥梁和水体进行提取，采用resnet作为骨干网络进行提取，同时为了加快网络收敛速度，采用辅助损失函数，在常规使用softmax训练者最终分类器主要分支外，在骨干网络的第四阶段后应用另一个分类器，优化网络学习过程，其公式如下：loss＝mainloss+auxloss*auxloss，其中mainloss表示对分割map使用的softmax损失，用于训练final分类器，auxloss是resnet的第四阶段后应用的的另一个分类器所产生的的loss，用于优化模型训练；
16.根据上述技术方案，在步骤s3中，采用两类开源数据集进行模型训练，一类为isprs，一类为igarsss，对数据集中影像进行归一化处理，表达式如下：
[0017][0018]
其中v代指像素值；式中mi为第i个像素值，min(m)，max(m)为该幅影像的最大像素值与最小像素值，经过该操作新的像素值v取值范围将会在0-1之间，提高了影像的收敛速度；将开源数据集尺寸裁剪为n*n大小的影像集，便于网络学习全局影像特征，为防止样本数据过小导致模型训练过拟合，采取平移、旋转和对称手段来对数据增广；将预处理后的开源数据放入pspnet进行训练，设置训练模式参数，数据集学习率，采用adam作为优化器来训练binary_crossentropy损失函数，adam优化器梯度下降速度快，易用性高，可实现快速便捷训练；
[0019]
根据上述技术方案，在步骤s4中，采用recall和oa两类指标来综合评定选取最优训练模型参数，recall是查全率，用来评估所有正样本的像素中，被正确预测为正样本的像素所占的比重，其中tp表示正样本被正确预测为正样本的情况，tn表示为负样本被正确预测为负样本的情况；oa是像素准确率，用来评估正确预测的像素占所有像素的比重，fp表示负样本被错误预测为正样本，fn表示正样本被错误预测为负样本；通过反复试验，对比recall和oa的最好实验结果，使用对应的模型。
[0020]
根据上述技术方案，在步骤s5中，将彩色影像转换为灰度影像，导入检测算法；角
点检测算子都是基于像素点的灰度变化进行监测，为了最大限度提取公共角点，将多光谱影像分离，得到红通道、绿通道、蓝通道和近外红通道灰色图像，四通道取平均拟合全色通道影像，拟合公式如下：gray＝[0.250.250.250.25][irrgb]
t
，其中irrgb分别为该像素点对应的近红外、红色、绿色和蓝色波段像素值，gray为四通道平均拟合后的像素值，将制作后的各个灰度影像图导入检测算法中，公共角点算法选取harris算子作为检测算法，harris算子基于信号的点特征提取算子，在图像中设计局部检测窗口，当检测窗口沿着各个方向做微小移动时，考察窗口的平均能量变化，当变化超过设定的阈值时，就将窗口的中心像素点提取为角点；其表达式如下：e(i,j)＝∑
x,y
ω(x,y)[i(x+i,y+j)-i(x,y)]2，式中，[i(x+i,y+i)-i(x,y)]2为该图像像素点灰度梯度值；ω(x,y)为高斯滤波函数，i和j分别表示为x与y上的细微偏移量，将其进行泰勒展开：式中式中其中i
x
、iy为图像在x，y方向上的偏导，m为自相关矩阵，本质上为一个椭圆函数，椭圆的扁率与尺寸由m的特征值和决定，椭圆方向由m的特征矢量决定；当像素点在直线上时，表现为一个特征值大、一个特征值小，自相关函数值在某一方向上大，其余方向小，该情况为像素点处于边缘区域；当像素点处于平面上时，变现为两类特征值偏小，且近似相等，自相关函数值在各个方向均偏小；当像素点位于角点时，两个特征值偏大，自相关函数在所有方向上偏大；
[0021]
根据上述技术方案，在步骤s6中，通过计算像素点的响应值来判断该像素点是否为角点，响应函数如下：r＝detm-κ
·
trace2m，其中m，其中k为常量，detm为矩阵m的行列式，tracem为矩阵的迹，计算响应函数，当响应函数大于给定的阈值，且为局部最大值时，说明该像素点为角点，具体的角点提取与对比分析步骤如下：
[0022]
s601：分别将制作的近红外灰度影像、红色灰度影像、绿色灰度影像、蓝色灰度影像以及四通道平均拟合灰度影像依次导入公共角点检测算法中；
[0023]
s602：计算图像像素点在水平与垂直方向的梯度值i
x
和iy；
[0024]
s603：计算水平和垂直方向上梯度的乘积和i
xiy
；
[0025]
s604：对和i
xiy
进行高斯滤波计算，得到自相关矩阵m；
[0026]
s605：计算图像像素点的角点响应函数r；
[0027]
s606：设置角点响应函数阈值并将小于阈值的角点响应函数值置零；
[0028]
s607：设立一个n*n的局部窗口进行非大值抑制，确立是否为局部最大值，得到最终角点；
[0029]
通过对上述5类通道影像进行公交角点提取后，与原始地图对比分析，选取能最大限度提取正确公共角点坐标的通道影像，叠加值原始底图，为多点构建多边形做数据准备。
[0030]
根据上述技术方案，在步骤s7中，进行多边形构建，得到连续水域；将生产的公共角点全部标注，连接所有公共角点，生成连线，基于连线生成多边形面，将公共角点构建的面要素与前期网络提取的水域要素合并，得到连续水域要素。
[0031]
与现有技术相比，本发明所达到的有益效果是：
[0032]
1.本发明摆脱传统人工手动提取、检测的方法，从高分辨率影像深层语义特征出发，构建了快速提取与小样本预测的两类地物提取模型。该模型能够充分学习高分影像的深层特征、对不同尺度的地物进行精准提取。其提取模型鲁棒性高、可迁移性强。
[0033]
2.本发明利用影像角点灰度与面曲率突变的原理，通过多类方法分析确立了使用harris算子进行桥梁与水体的公共角点检测工作，检测了不同尺度、不同灰度数据、不同类型的公共角点，通过对多次评估选取最适合进行角点检测的单波段灰度数据，从而获取精度最为准确的公共角点。
[0034]
3.利用gis快速多点构线、多线构面的功能，将公共角点构建出桥梁遮挡的水面，将其“遮挡”与前期提取“打断”水面进行矢量合并，可将“打断”水面修复为完整的连续水面。
附图说明
[0035]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0036]
图1为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的步骤示意图；
[0037]
图2为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的损失函数策略图；
[0038]
图3为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的公共角点提取方法示意图；
[0039]
图4为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的高分辨率遥感图；
[0040]
图5为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的桥梁与水体识别图；
[0041]
图6为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的公共角点提取图；
[0042]
图7为本发明一种基于高分辨率影像剔除水面桥梁连续水面构造方法的水体修复图。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
如图1～图7所示，本发明提供如下技术方案：一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，该构造方法包括以下步骤：
[0045]
s1、选取高分辨率遥感图像，获取数据并预处理，辐射定标并校正输出，融合影像并剪裁；
[0046]
s2、改进提取模型，使用pspnet，改进使用resnet模块作为骨干提取网络，添加辅
助损失函数进行优化；
[0047]
s3、改进网络训练数据集，对数据集进行归一化处理，进行网络训练；
[0048]
s4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；
[0049]
s5、转换为灰度影像，采用harris算子，分离影像并拟合得到不同灰度图像，导入检测算法；
[0050]
s6、计算影像像素点梯度值，进行滤波计算，计算响应函数确定角点；
[0051]
s7、根据公共角点，进行多边形构建面，合并修复，得到连续水域要素。
[0052]
在步骤s1中，选取建有基础设施的水域的高分辨率遥感图像，本方法选用高分二号光学卫星拍摄的遥感图像，该卫星使用多光谱传感器，搭载两台相机，可获取0.8米分辨率的全色单通道影像、四米多光谱影像，分辨率为全色优于1米，星下点空间分辨率能够达到0.8米，多光谱优于4米，单星成像幅宽45km，可拍摄高分辨率遥感图像，如图4所示；选取分辨率m米的多光谱mux影像和分辨率n米的全色pan影像，多光谱mux影像有多个单波段，光谱分辨率高，全色pan图像是单通道的灰度照片，空间分辨率高，选择这两种图片进行处理融合，以获得高分辨率和多光谱的影像；现分别对两种影像进行处理；对两种影像进行辐射定标，将图像的亮度灰度值转换为绝对的辐射亮度，该操作利于计算地物的光谱反射率和光谱辐射亮度；对辐射定标后的多光谱影像进行大气校正，由于遥感器测得的地面目标的总辐射亮度包含了由大气吸收，特别是散射作用造成的辐射量误差，通过大气校正可以消除辐射误差，得到地物真实的表面反射率，在本方法中，使用envi5.6软件进行大气校正，输入辐射定标的影像，设定传感器基本信息，包括成像中心经纬度、传感器类型、传感器高度、成像区域平均高度、像元大小和成像时间，设定大气与气溶胶参数，该参数包括大气模型、气溶胶模型、气溶反演方法、初始能见度和高光谱参数，在设定完毕后，进行大气校正输出；对定标后全色影像与大气校正多光谱影像分别作正射校正，纠正几何畸变，通过envi5.6软件“rpc校正工作流”模块，设定输出分辨率，使用三次卷积法内插，设置输出路径和输出名称，完成地理校正；由于影像背景值为0，影像周边存在黑边现象，对其进行忽略背景值设定，去除黑边效应；利用nndiffusepan sharpening工具，输入参数，进行影像融合，并设置融合影像的输出路径和影像名称，得到高分辨率和多光谱影像，根据x区域矢量，选择“rois外数据掩膜”，仅保留矢量内数据，进行剪裁，获取有效信息。
[0053]
在步骤s2中，首先根据特征进行提取，使用深度学习提取技术，卷积神经网络可共享深层的网络参数来减少网络的权重和偏差，通过结合不同地物的光谱、空间和形状特征综合分析，充分学习地物的深层次语义特征来精准提取地物轮廓，对复杂环境的多类地物提取效果佳，使用pspnet分别对桥梁和水体进行提取，采用resnet作为骨干网络进行提取，同时为了加快网络收敛速度，采用辅助损失函数，在常规使用softmax训练者最终分类器主要分支外，在骨干网络的第四阶段后应用另一个分类器，优化网络学习过程，其公式如下：loss＝mainloss+auxloss*auxloss，其中mainloss表示对分割map使用的softmax损失，用于训练final分类器，auxloss是resnet的第四阶段后应用的的另一个分类器所产生的的loss，用于优化模型训练；
[0054]
在步骤s3中，采用两类开源数据集进行模型训练，一类为isprs，一类为igarsss，对数据集中影像进行归一化处理，表达式如下：
[0055][0056]
其中v代指像素值；式中mi为第i个像素值，min(m)，max(m)为该幅影像的最大像素值与最小像素值，经过该操作新的像素值v取值范围将会在0-1之间，提高了影像的收敛速度；将开源数据集尺寸裁剪为n*n大小的影像集，便于网络学习全局影像特征，为防止样本数据过小导致模型训练过拟合，采取平移、旋转和对称手段来对数据增广；将预处理后的开源数据放入pspnet进行训练，设置训练模式参数，数据集学习率，采用adam作为优化器来训练binary_crossentropy损失函数，adam优化器梯度下降速度快，易用性高，可实现快速便捷训练；
[0057]
在步骤s4中，采用recall和oa两类指标来综合评定选取最优训练模型参数，recall是查全率，用来评估所有正样本的像素中，被正确预测为正样本的像素所占的比重，其中tp表示正样本被正确预测为正样本的情况，tn表示为负样本被正确预测为负样本的情况；oa是像素准确率，用来评估正确预测的像素占所有像素的比重，fp表示负样本被错误预测为正样本，fn表示正样本被错误预测为负样本；通过反复试验，对比recall和oa的最好实验结果，使用对应的模型，迁移使用，该网络处理结果如图5所示。
[0058]
在步骤s5中，将彩色影像转换为灰度影像，导入检测算法；角点检测算子都是基于像素点的灰度变化进行监测，为了最大限度提取公共角点，将多光谱影像分离，得到红通道、绿通道、蓝通道和近外红通道灰色图像，四通道取平均拟合全色通道影像，拟合公式如下：gray＝[0.250.250.250.25][irrgb]
t
，其中irrgb分别为该像素点对应的近红外、红色、绿色和蓝色波段像素值，gray为四通道平均拟合后的像素值，将制作后的各个灰度影像图导入检测算法中，公共角点算法选取harris算子作为检测算法，harris算子基于信号的点特征提取算子，在图像中设计局部检测窗口，当检测窗口沿着各个方向做微小移动时，考察窗口的平均能量变化，当变化超过设定的阈值时，就将窗口的中心像素点提取为角点；其表达式如下：e(i,j)＝∑
x,y
ω(x,y)[i(x+i,y+j)-i(x,y)]2，式中，[i(x+i,y+i)-i(x,y)]2为该图像像素点灰度梯度值；ω(x,y)为高斯滤波函数，i和j分别表示为x与y上的细微偏移量，将其进行泰勒展开：式中式中其中i
x
、iy为图像在x，y方向上的偏导，m为自相关矩阵，本质上为一个椭圆函数，椭圆的扁率与尺寸由m的特征值和决定，椭圆方向由m的特征矢量决定；当像素点在直线上时，表现为一个特征值大、一个特征值小，自相关函数值在某一方向上大，其余方向小，该情况为像素点处于边缘区域；当像素点处于平面上时，变现为两类特征值偏小，且近似相等，自相关函数值在各个方向均偏小；当像素点位于角点时，两个特征值偏大，自相关函数在所有方向上偏大；
[0059]
在步骤s6中，通过计算像素点的响应值来判断该像素点是否为角点，响应函数如下：r＝detm-κ
·
trace2m，其中m，其中k为常量，detm为矩阵m的行列式，tracem为矩阵的迹，计算响应函数，当响应函数大于给定的阈值，且为局部最大值时，说明该像素点为角点，具体的角点提取与对比分析步骤如下：
[0060]
s601：分别将制作的近红外灰度影像、红色灰度影像、绿色灰度影像、蓝色灰度影像以及四通道平均拟合灰度影像依次导入公共角点检测算法中；
[0061]
s602：计算图像像素点在水平与垂直方向的梯度值i
x
和iy；
[0062]
s603：计算水平和垂直方向上梯度的乘积和i
xiy
；
[0063]
s604：对和i
xiy
进行高斯滤波计算，得到自相关矩阵m；
[0064]
s605：计算图像像素点的角点响应函数r；
[0065]
s606：设置角点响应函数阈值并将小于阈值的角点响应函数值置零；
[0066]
s607：设立一个n*n的局部窗口进行非大值抑制，确立是否为局部最大值，得到最终角点；
[0067]
通过对上述5类通道影像进行公交角点提取后，，如图6所示，与原始地图对比分析，选取能最大限度提取正确公共角点坐标的通道影像，叠加值原始底图，为多点构建多边形做数据准备。
[0068]
在步骤s7中，进行多边形构建，得到连续水域；将生产的公共角点全部标注，连接所有公共角点，生成连线，基于连线生成多边形面，将公共角点构建的面要素与前期网络提取的水域要素合并，得到连续水域要素；本方法使用gis软件自动完成这一步骤，导入角点检测后生成的文件，保留序号，x,y信息，导入excel中，保存为常规文件，在argis中添加数据，添加x,y数据，选择好表格中对应的x,y字段，将其导出为.shp文件并设置与影像相同的坐标系统，在gis软件中采用自动连线功能，构建线成功后使用线转面功能输出公共角点构面要素，将该构面要素与前期网络提取的水域要素进行合并得到连续水域，如图7所示。
[0069]
实施例1
[0070]
通过中国资源卫星应用中心官网下载高分二号光学卫星对芜湖市水域拍摄的遥感图像，分别下载分辨率4米的多光谱mux影像和分辨率1米的全色pan影像，启动envi5.6软件，使用辐射定标功能，分别输入多光谱和全色影像，选择应用大气设置功能，进行辐射定标输出；使用大气校正模块，输入辐射定标后的多光谱影像，选择flaash大气校正功能，设定单因子换算系数与辐射亮度保持一定，设置系数为1，设定传感器基本信息，大气与气溶胶参数，进行大气校正输出；启动rpc校正工作流，输入多光谱影像和全色影像，对多光谱输入选择多光谱数字高程模型，设定输出分辨率为4米，对全色影像输入选择全色数据，设定输出分辨率为1米，选择三次卷积法内插，输出为标准envi格式；进行忽略背景值设定，去除黑边效应；使用nndiffusepansharpening工具，打开融合面板，选择正射纠正后全色影像，设置输出路径与名称，输出得到高分辨率的多光谱影像；进行影响裁剪；使用rois裁剪功能，输入融合后的影像，输入rois选择芜湖市矢量，选择对rois外数据掩膜，设定输出路径与输出数据名称。
[0071]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，其特征在于：该构造方法包括以下步骤：s1、选取高分辨率遥感图像，获取数据并预处理，辐射定标并校正输出，融合影像并剪裁；s2、改进提取模型，使用pspnet，改进使用resnet模块作为骨干提取网络，添加辅助损失函数进行优化；s3、改进网络训练数据集，对数据集进行归一化处理，进行网络训练；s4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；s5、转换为灰度影像，采用harris算子，分离影像并拟合得到不同灰度图像，导入检测算法；s6、计算影像像素点梯度值，进行滤波计算，计算响应函数确定角点；s7、根据公共角点，进行多边形构建面，合并修复，得到连续水域要素。2.根据权利要求1所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s1中，选取分光谱mux影像和全色pan影像，多光谱mux影像有多个单波段，全色pan图像是单通道的灰度照片，选择这两种图片进行处理融合；现分别对两种影像进行处理；对两种影像进行辐射定标，将图像的亮度灰度值转换为绝对的辐射亮度，对辐射定标后的多光谱影像设定基本信息，进行大气校正，得到地物真实的表面反射率；对定标后全色影像与大气校正多光谱影像分别作正射校正，纠正几何畸变；影像周边存在黑边现象，对其进行忽略背景值设定，去除黑边效应；进行影像融合，得到高分辨率和多光谱影像，根据该遥感图像拍摄区域矢量进行剪裁，获取有效信息。3.根据权利要求2所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s2中，首先根据特征进行提取，使用深度学习提取技术，结合不同地物的光谱、空间和形状特征综合分析，使用pspnet分别对桥梁和水体进行提取，采用resnet作为骨干网络进行提取，采用辅助损失函数加快网络收敛速度，在常规使用softmax训练者最终分类器主要分支外，在骨干网络的第四阶段后应用另一个分类器，优化网络学习过程，其公式如下：loss＝mainloss+auxloss*auxloss，其中mainloss表示对分割map使用的softmax损失，用于训练final分类器，auxloss是resnet的第四阶段后应用的另一个分类器所产生的loss。4.根据权利要求3所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s3中，采用两类开源数据集进行模型训练，一类为isprs，一类为igarsss，对数据集中影像进行归一化处理，表达式如下：其中v代指像素值；式中m
i
为第i个像素值，min(m)，max(m)为该幅影像的最大像素值与最小像素值；将开源数据集尺寸裁剪为n*n大小的影像集，采取平移、旋转和对称手段来对数据增广；将预处理后的开源数据放入pspnet进行训练，设置训练模式参数，数据集学习率，采用adam作为优化器来训练binary_crossentropy损失函数。5.根据权利要求4所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s4中，采用recall和oa两类指标来综合评定选取最优训练模型参数，
recall是查全率，用来评估所有正样本的像素中，被正确预测为正样本的像素所占的比重，其中tp表示正样本被正确预测为正样本的情况，tn表示为负样本被正确预测为负样本的情况；oa是像素准确率，用来评估正确预测的像素占所有像素的比重，fp表示负样本被错误预测为正样本，fn表示正样本被错误预测为负样本；通过反复试验，对比recall和oa的实验结果，选取数据最优的模型。6.据权利要求5所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s5中，将彩色影像转换为灰度影像，导入检测算法，提取公共点；角点检测算子都是基于像素点的灰度变化进行监测，将多光谱影像分离，得到红通道、绿通道、蓝通道和近外红通道灰色图像，四通道取平均拟合全色通道影像，拟合公式如下：gray＝[0.250.250.250.25][irrgb]
t
，其中irrgb分别为该像素点对应的近红外、红色、绿色和蓝色波段像素值，gray为四通道平均拟合后的像素值，将制作后的各个灰度影像图导入检测算法中，公共角点算法选取harris算子作为检测算法，在图像中设计局部检测窗口，移动窗口观察窗口的平均能量变化，当变化超过设定的阈值时，就将窗口的中心像素点提取为角点；其表达式如下：e(i,j)＝∑
x,y
ω(x,y)[i(x+i,y+j)-i(x,y)]2，式中，[i(x+i,y+i)-i(x,y)]2为该图像像素点灰度梯度值；ω(x,y)为高斯滤波函数，i和j分别表示为x与y上的细微偏移量，将其进行泰勒展开：式中式中其中i
x
、i
y
为图像在x，y方向上的偏导，m为自相关矩阵。7.根据权利要求6所述的一种基于高分辨影像剔除水面桥梁连续水面构造的方法，在步骤s6中，通过计算像素点的响应值来判断该像素点是否为角点，响应函数如下：r＝det(m)-κ
·
trace2(m)，其中(m)，其中k为常量，det(m)为矩阵m的行列式，trace(m)为矩阵的迹，计算响应函数，当响应函数大于给定的阈值，且为局部最大值时，说明该像素点为角点，具体的角点提取与对比分析步骤如下：s601：分别将制作的近红外灰度影像、红色灰度影像、绿色灰度影像、蓝色灰度影像以及四通道平均拟合灰度影像依次导入公共角点检测算法中；s602：计算图像像素点在水平与垂直方向的梯度值i
x
和i
y
；s603：计算水平和垂直方向上梯度的乘积和i
x
i
y
；s604：对和i
x
i
y
进行高斯滤波计算，得到自相关矩阵m；s605：计算图像像素点的角点响应函数r；s606：设置角点响应函数阈值并将小于阈值的角点响应函数值置零；s607：设立一个n*n的局部窗口进行非大值抑制，确立是否为局部最大值，得到最终角点；通过对上述5类通道影像进行公交角点提取后，与原始地图对比分析，选取能最大限度提取正确公共角点坐标的通道影像，叠加值原始底图，为多点构建多边形做数据准备。8.据权利要求7所述的一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，在步骤s7中，进行多边形构建，得到连续水域；将生产的公共角点全部标注，连接所有公共角点，生成连线，基于连线生成多边形面，将公共角点构建的面要素与前期网络提取的水域要
素合并，得到连续水域。

技术总结
本发明公开了一种基于高分辨率影像剔除水面桥梁连续水面构造的方法，涉及图像识别领域，包括以下步骤：S1、选取高分辨率遥感图像并预处理；S2、改进提取模型；S3、改进网络训练数据集；S4、改进网络评定方法，选用两类指数综合评定训练模型，选取参数；S5、转换为灰度影像，分离影像并拟合，导入检测算法；S6、计算影像像素点响应函数确定角点；S7、根据公共角点构建面，合并修复，得到连续水域。本发明摆脱传统人工手动提取、检测的方法，构建了快速提取与小样本预测的两类地物提取模型，优先提取关注对象再进行角点检测，可最大程度减少其他非关注地物对角点检测的干扰，减少算法的计算量，更具客观性、鲁棒性，对于打断水面的修复精准有效。效。效。


技术研发人员：狄玮琪 闫泽川 陈燕婕 孙皓
受保护的技术使用者：江苏天汇空间信息研究院有限公司
技术研发日：2023.06.07
技术公布日：2023/9/20