1.一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于,包括如下步骤:
1)获取湖泊时间系列合成孔径雷达遥感影像数据;
2)对获取的合成孔径雷达遥感影像数据进行降噪滤波处理;
3)建立一个自动编码器,输入图像经过编码器后,得到编码结果,再加入一个解码器,解码器的结构和参数设置与编码器一致,得到解码结果;
4)建立卷积神经网络模型,将解码结果作为输入数据传入该网络模型中并提取胡泊边界。
2.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于:所述步骤2)对获取的合成孔径雷达遥感影像数据进行降噪滤波处理具体为:采用Frost滤波法对获取的合成孔径雷达遥感影像数据进行降噪滤波处理,滤波器的冲击响应为:其中,K是滤波器参数,CI是被观测的变化系数,t0为滤波的中心像素点,t表示像素点,K1为归一化参数滤波器模型为:
其中,Cu、Cmax表示图像区域的两个标准差,CR表示在滤波子窗口内使用滤波算法计算中心像素的滤波值,A为常数,为窗口滤波的均值,I表示区域的滤波值。
3.根据权利要求1所述的一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于:所述步骤4)建立卷积神经网络,将解码结果作为输入数据传入该网络中并通过其提取胡泊边界具体为:
4a)建立一个具有6层的的卷积神经网络,前4层为卷积层,后2层为全连接层;
4b)将解码结果作为输入数据传入该卷积神经网络中,采用像素为n×n的卷积核对输入图像进行卷积操作,输出大小为N1×N1像素的Z1张特征图;
4c)将步骤4b)中输出的特征图进行补全,在图像的外围采用全补零的方式将图像补全,再采用2×2的抽样窗口进行max-pooling下采样操作,在前面卷积完的输出的特征图上依次不重合的取2x2窗的最大值,输入大小为N2×N2像素的Z2张特征图;
4d)重复步骤4b和4c)两次;
4e)采用dropout随机置零算法将步骤4d)的结果输出到全连接到层;
4f)经过步骤4e)处理后,利用Softmax回归算法将每个类别输出一个0~1的数值,表示是否是水的概率。
4.根据权利要求3所述的一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于,所述步骤4d)第一次重复步骤4b)和第二次重复步骤4b)所采用的卷积核的像素分别为5×5和7×7,在步骤4c)对输出的图像进行补全时在第三层卷积层中不需要去上一层的结果进行补全,输出得到128张28×28的特征图。
5.根据权利要求3所述的一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于:建立的卷积神经网络中前3层卷积层中,每个卷积层都包括1个max-pooling下采样层和
1个Relu激活层,第4层卷积层没有下采样层,取而代之设有Dropout层。
6.根据权利要求3所述的一种基于深度学习的SAR图像湖泊边界提取方法,其特征在于:所述卷积神经网络模型采用RMS函数作为损失函数,损失函数如下式所示:其中,表示真实标记,yi表示步骤4f)中输出的概率值,n为特征图数量。