买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：复旦大学

摘要：本发明属于洪水灾害监测技术领域，具体为一种融合多源遥感数据的自适应洪水淹没范围提取方法。本发明方法包括：获取光学及SAR遥感影像数据；预处理所述多源遥感影像；融合光学和SAR遥感影像；提取高置信度离散水体区域；提取连续水体区域，并融合数字高程模型，构建高质量水体数据集；基于所述水体数据集，训练水体识别深度学习模型；使用水体识别模型，提取洪水淹没范围。本发明解决了使用遥感影像提取洪水淹没范围时，阈值难以确定，复杂阴影干扰以及深度学习的训练数据少等问题。此外，本发明方法鲁棒性强，识别精度高，能够快速计算洪水淹没范围，为防汛救灾提供技术支撑。

主权项：1.一种融合多源遥感数据的自适应洪水淹没范围提取方法，其特征在于，具体步骤如下：步骤1：获取多源遥感影像数据；多源遥感影像包括光学遥感影像和SAR遥感影像；具体地，获取洪水灾害事件发生前的光学遥感影像数据以及发生前和发生时的合成孔径雷达遥感影像数据，作为洪水淹没范围自动化提取的影像数据源；其中SAR遥感影像数据是极化方式为VH的哨兵一号SLC格式数据，光学遥感影像数据为Landsat8OLITIRSC1Level-1级光学影像；并采用数字高程模型数据作为SAR遥感影像水体区域筛选的辅助数据；步骤2：多源遥感影像数据的预处理；即对获取的光学遥感影像和SAR遥感影像进行预处理；其中，对SLC格式的SAR遥感影像进行多视处理，得到强度图；多视处理的输出是经过优化处理的影像；基于得到的强度图，进行Lee滤波7*7，利用图像的局部统计特性控制滤波器的输出，去除SAR影像固有的相干斑噪声；将滤波结果进行辐射定标，将遥感影像的强度值转换为后向散射系数；所获取的Landsat8OLITIRSC1Level-1级光学影像已经经过几何校正和地形校正，直接进行辐射定标和大气校正处理；其中辐射定标用于消除传感器本身产生的误差，大气校正用于消除大气和光照等因素对地物反射的影响；将经过辐射校正、大气校正的光学遥感影像和SAR遥感影像进行配准；步骤3：提取高置信度离散水体区域；计算光学遥感影像和SAR遥感影像的水体指数；其中：光学遥感影像使用归一化水体指数，公式为： 式中，Green和NIR分别为绿波段与近红外波段亮度值；NDWI值的范围为[-1,1]，将NDWI指数值范围由[-1,1]拉伸至[0,2000]；利用直方图双峰法，选取两峰之间谷底对应的灰度级作为影像分割阈值，高于阈值的为该影像的高置信度水体区域；对于SAR遥感影像，基于VV和VH极化影像与水体信息的关系，利用SDWI水体指数提取SAR影像中水体的范围，公式为：SDWI＝ln10*VV*VH，2式中，SDWI是水体提取指数，VV和VH分别代表两种极化方式得到的值，当SDWI值大于0时为高置信度水体；将光学遥感影像和SAR遥感影像得到的高置信度水体的重叠区域作为高置信度水体候选区域；步骤4：构建高质量水体数据集；基于所述高置信度水体候选区域，在其中随机选取像素点，作为分割一切模型的点prompt，用于提取连续区域的水体；使用数字高程模型DEM计算地形坡度数据，用于剔除连续水体区域中的山体阴影干扰，经过处理获得高质量的水体范围数据；基于SAR遥感影像数据和所述高质量的水体范围，人工标定标签，构建高质量的水体数据集；步骤5：训练水体识别深度学习模型；水体识别深度学习模型采用U-Net模型，其结构包括编码器、解码器和跳跃连接三部分；其中：所述编码器，采用ResNet101网络，其通过残差块提取特征，缓解梯度消失问题，并能够有效捕获图像的深层特征；编码器由多个卷积层、批归一化层和ReLU激活函数组成，每个残差块包含若干卷积层；编码器的每个阶段都会减小特征图的空间尺寸，同时增加通道数，从而提取不同层次的特征；编码器首先通过一系列卷积操作逐步将输入图像的空间维度缩小，这一过程确保高层次特征的提取；批归一化层用于加速训练过程并提高模型的稳定性，ReLU激活函数用于增强模型的非线性表达能力；所述解码器，能够逐步恢复特征图的空间分辨率，通过上采样操作扩大特征图尺寸；每个解码器阶段都包含卷积层、批归一化层和ReLU激活函数，并与跳跃连接传递的特征图进行融合；解码器逐层还原特征图的空间尺寸，最终输出与输入图像大小相同的水体范围掩模；所述跳跃连接，是将编码器各层的特征图直接传递到解码器相应层，确保高分辨率特征能够在解码过程中得到充分利用；这种设计使得模型在解码过程中结合低层和高层特征，从而提高分割精度；具体而言，跳跃连接在U-Net模型的每一层上进行操作，通过将编码器阶段中保留的高分辨率特征与解码器阶段的上采样结果相结合，使模型更好地恢复目标区域的边界和细节信息，从而提升分割结果的精度；模型训练的具体过程如下：将高质量水体数据集作为训练数据输入U-Net模型；编码器利用ResNet101提取图像的深层特征，经过多层卷积操作获得不同尺度的特征图；跳跃连接将编码器各层的特征图传递到解码器部分，确保高分辨率特征在解码过程中得到充分利用；解码器逐层恢复特征图的空间分辨率，通过上采样操作扩大特征图尺寸，并与跳跃连接的特征图进行融合；模型输出与输入图像大小相同的水体范围掩模，通过后处理步骤提取水体边缘像素，提供高精度的水体范围；步骤6：自动提取洪水淹没范围利用经过训练的水体识别深度学习模型，提取洪水前期与中期SAR遥感影像中的水体范围；将所述提取的水体范围转为矢量面格式，用于计算洪水中期于前期的水体范围差值，所得结果即为此次洪水淹没范围。

全文数据：

权利要求：

百度查询： 复旦大学 一种融合多源遥感数据的自适应洪水淹没范围提取方法