1.一种基于弱监督学习的高分遥感不透水面提取方法,包括如下步骤:步骤1:用少量精确高分影像样本标签数据的训练集训练一个卷积神经网络;根据高分遥感影像的特点选取合适的语义分割网络模型进行训练,步骤如下:步骤1.1:选取适合高分遥感影像地物目标提取的语义分割网络模型,这里选择的是D-LinkNet语义分割网络模型;
步骤1.2:制作高分遥感影像样本,从高分遥感影像数据集中选取百分之十至百分之二十的高分遥感影像图片作为小样本数据集,人工对小样本数据集中不透水面区域进行精细化标注,生成少量精确不透水面标签图像;
步骤1.3:对步骤1.2得到的少量精确不透水面标签图像进行数据增强,这里采用影像的随机水平翻转、垂直翻转、添加噪声等方法,减少神经网络的过拟合问题,同时对训练集的掩膜进行同样的操作;
步骤1.4:在训练过程中选取合适的损失函数以及网络优化器,选取Dice Loss和BceLoss组成损失函数,Dice Loss的定义为:其中|X∩Y|是X和Y的交集,|X|和|Y|分别表示X和Y的元素的个数,其中,分子的系数为2,是因为分母存在重复计算X和Y之间的共同元素的原因;
Bce Loss的定义为:
ln=-wn[yn·logxn+(1-yn)·log(1-xn)] (2)式中,xn表示第n个样本实际预测值,yn表示实际的标签,wn为超参数,ln表示第n个样本对应的loss;
神经网络优化器选用自适应矩估计优化器(Adam)训练网络参数;
之后对每一个epoch进行网络权值更新操作,通过设置early stopping和调整learningrate来加速神经网络训练以此更快收敛;
步骤1.5:进行训练得到神经网络训练模型;
步骤2:获取大量高分掩膜大图;
用高分影像数据的测试集以及其他高分未标定的高分影像数据作为输入,从预测结果中筛选高置信度样本,使用步骤1标记数据以及伪标签训练新模型,用新模型替换步骤1生成的模型,重复以上步骤直至模型效果不再提升,用最终模型对剩余未知标签数据进行预测,得到最终标签,具体步骤如下:步骤2.1:加载步骤1训练好的神经网络模型;
步骤2.2:读入测试数据集,按行列切分大图;
步骤2.3:前向传播获得结果,分步对结果进行输出和保存;
步骤2.4:从预测结果中筛选高置信度样本,使用步骤1标记数据以及伪标签训练新模型;
步骤2.5:用新模型替换步骤1生成的模型,重复以上步骤直至模型效果不再提升,用最终模型对剩余未知标签数据进行预测,得到最终标签;
步骤3:利用步骤2获得的大量高分掩膜大图结合大量中分不透水面遥感影像弱监督标签数据训练一个更精确卷积神经网络模型;
根据步骤1与步骤2所用高分影像图片的地理坐标和中分影像对应,将高分影像按行列获取像素坐标,裁剪对应位置中分影像,然后用该结果作为新的输入重新训练一个高分影像数据的神经网络,用于预测高分影像的不透水面,具体步骤如下:步骤3.1:读入步骤1使用与步骤2获取的高分掩膜大图;
步骤3.2:利用gdal库函数的工具类方法,按照行列获取对应坐标;
步骤3.3:根据高分影像与中分影像的坐标对应关系裁剪对应位置中分遥感影像数据;
步骤3.4:获取高分遥感影像不透水面中心点坐标,根据坐标对应关系在中分遥感影像数据上进行标注,之后再使用boundingbox标记中分遥感影像不透水面区域,生成大量中分遥感影像不透水面弱监督标签;
利用得到的中分遥感影像数据结合步骤1和步骤2所得到的大量高分掩膜大图训练生成高分不透水面提取模型,从而实现对高分遥感影像不透水面自动化提取。
2.如权利要求1所述的一种基于弱监督学习的高分遥感不透水面提取方法,其特征在于:步骤3所述的高分影像是1米一个像素,而中分影像是30米一个像素,因此在中分影像上的一个像素对应高分影像上的900个像素。