欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202211675341X
申请人: 长沙理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的SAR图像地震滑坡边界探测方法,其特征在于,包括:

S101,输入滑坡前后的两幅SAR影像;

S102,根据滑坡前后的两幅SAR影像生成归一化均值比图,并进行上采样;

S103,将上采样后的归一化均值比图输入预先训练好的基于深度学习的滑坡探测网络模型进行滑坡提取,再对滑坡提取结果进行边界提取得到滑坡边缘探测结果;所述滑坡探测网络模型包括编码器和解码器,编码器包括主干网络和坐标注意力空洞空间金字塔模块CAASP,解码器包括注意力调节模块AMM和多尺度特征融合重采样模块MFFRM;主干网络针对输入的归一化均值比图提取多个层级的特征,最末层级的特征送入坐标注意力空洞空间金字塔模块CAASP以提取高级特征,指定中间层级的特征送入注意力调节模块AMM以提取低级特征,并通过多尺度特征融合重采样模块MFFRM将高级特征、低级特征融合得到滑坡提取结果;

步骤S102中生成归一化均值比图的函数表达式为:

,

上式中,为归一化均值比图的像素点的值,、分别为滑坡前后的两幅SAR影像中像素(i, j)的平均强度,为取较小值操作;

所述坐标注意力空洞空间金字塔模块CAASP包括全局平均池化模块GAP、注意力模块CA和多个采样率不同的空洞卷积,所述主干网络输出的最末层级的特征分别并行通过多个采样率不同的空洞卷积以从不同感受野上捕捉图像的上下文信息得到的特征图X∈R(H×W×C),再将得到的特征图X分别送入注意力模块CA获取注意力增强后的特征图,所述主干网络输出的最末层级的特征图还同时输入全局平均池化模块GAP降采样处理以在保留输入图像的空间结构信息的同时提高网络泛化能力以及防止过拟合,且所述注意力模块CA输出的注意力增强后的特征图与全局平均池化模块GAP的输出特征图叠加构成了坐标注意力空洞空间金字塔模块CAASP的输出特征图,其中H、W、C分别表示特征图X的高、宽和通道数;

所述多尺度特征融合重采样模块MFFRM将高级特征、低级特征融合得到滑坡提取结果包括:

S301,将输入的高级特征通过1×1卷积调整通道数作为高级输入特征;将高级输入特征通过1×1卷积和上采样,再与来自特征输入的低层特征通过1×1卷积进行通道压缩得到相同通道数的特征图拼接得到拼接特征;

S302,将拼接特征通过3×3卷积得到语义流场,其中和分别表示语义流场的高度和宽度;

S303,将高级输入特征和语义流场进行特征对齐,再将对齐后的特征与低层特征相加得到特征;

S304,将特征通过3×3卷积层进行特征细化,再进行双线性插值4倍上采样得到滑坡提取结果,所述滑坡提取结果为二值图,二值图中只包含两类像素值,滑坡区域的像素值为1,背景区域的像素值为0。

2.根据权利要求1所述的基于深度学习的SAR图像地震滑坡边界探测方法,其特征在于,所述注意力模块CA针对输入的特征图X的处理包括:S201,针对输入的特征图X,分别在宽度XA和高度YAP上采用全局平均池化将精确的空间位置信息嵌入每个通道进行编码,得到宽度XA和高度YAP两个方向上的特征图;

S202,将宽度XA和高度YAP两个方向上的特征图进行拼接;

S203,将拼接后的特征图用卷积核大小为1×1的卷积、归一化和Relu激活函数进行降维得到特征图f∈RC/r×1×(H+W),其中r是通道要降维的倍数,H、W、C分别表示特征图X的高、宽和通道数;

S204,将特征图f沿空间维度分解为两个独立的张量fh∈RC/r×H和fw∈RC/r×W;

S205,分别将张量fh和fw通过1×1的二维卷积和sigmoid函数获得通道注意力权重,再将两个通道注意力权重与输入的特征图X相乘得到注意力增强后的特征图。

3.根据权利要求1所述的基于深度学习的SAR图像地震滑坡边界探测方法,其特征在于,步骤S103中对滑坡提取结果进行边界提取包括:对滑坡提取结果进行逐像素扫描,确定滑坡区域的外边界和孔边界,所述外边界为像素值为1的连通区域的边界,所述孔边界为像素值为0的连通区域的边界。

4.根据权利要求1所述的基于深度学习的SAR图像地震滑坡边界探测方法,其特征在于,所述主干网络为深度残差网络DRN,所述注意力调节模块AMM由通道注意力调节模块CAMM和空间注意力调节模块SAMM两者级联连接组成。

5.根据权利要求1所述的基于深度学习的SAR图像地震滑坡边界探测方法,其特征在于,步骤S103之前还包括训练滑坡探测网络模型的步骤,且训练滑坡探测网络模型用的滑坡数据集生成包括:S401,首先根据地震滑坡发生时间,选择滑坡发生前后在滑坡覆盖区少云的光学遥感图像,进而获取与两个光学遥感影像时间最接近的震前与震后的SAR影像;将震前和震后的光学遥感影像与滑坡目录进行目视对比,若发现滑坡目录内的光学遥感影像并未发生滑坡,则将从滑坡目录中将该部分滑坡删除;如发现在滑坡目录外有滑坡发生,则将该部分添加进滑坡目录,从而完成对滑坡目录的修正;

S402,获取滑坡前后的两幅SAR影像样本,首先进行噪声去除、地理编码,然后根据滑坡前后的两幅SAR影像样本生成归一化均值比图样本;将修正后的滑坡目录映射到震后的光学遥感影像中得到用光学遥感图像上映射的滑坡目录,将用光学遥感图像上映射的滑坡目录与归一化均值比图样本对应,得到滑坡区域的归一化均值比图样本;

S403,将滑坡区域的归一化均值比图样本进行上采样,得到上采样后的归一化均值比图样本;将上采样后的归一化均值比图样本采用预设步长的滑窗生成指定大小的切片,并对切片进行镜像、旋转进行数据增强以得到训练滑坡探测网络模型用的滑坡数据集。

6.一种基于深度学习的SAR图像地震滑坡边界探测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~5中任意一项所述基于深度学习的SAR图像地震滑坡边界探测方法。

7.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序用于被微处理器编程或配置以执行权利要求1~5中任意一项所述基于深度学习的SAR图像地震滑坡边界探测方法。