遥感影像河流提取方法与流程

本发明涉及遥感影像处理技术，尤其是涉及一种遥感影像河流提取方法。

背景技术：

1、从高分辨率光学遥感影像中高精度地自动化提取河流水体，是水资源调查评价、洪水预报调度以及河道演变监测的重要技术支撑。高分辨率影像包含丰富的地表纹理与光谱特征，能够为复杂地貌下的连续水系拓扑重建和精细化水文空间建模提供大范围、高频次的原始观测数据源。

2、当前，基于深度学习的图像语义分割技术已广泛应用于遥感目标提取任务中。现有技术通常利用多层卷积神经网络或注意力架构，通过堆叠规则的空间感受野模块来提取影像的光谱和纹理语义特征。然而，在面对蜿蜒多变、宽窄悬殊的自然河网时，标准且固定的特征采样格点难以灵活适应线状目标的空间拓扑剧变，容易导致细小支流信息在下采样过程中丢失或出现边界破碎。同时，在山区等复杂地貌场景下，可见光波段中的山体背光阴影、高处裸土与清洁水体在光谱分布上高度混叠，纯数据驱动的现有河流特征提取模型往往依赖浅层辐射特征进行局部判别，导致在非合理汇水区域产生大量虚假的高频响应。

3、综上所述，现有提取方法在复杂地貌场景下面临着空间形态泛化能力弱与环境光谱干扰大的共性挑战，导致细窄水系易断裂、且非水体区域的虚警误报率难以控制。因此，有必要研究一种能够综合提升复杂场景下数据处理鲁棒性与空间结构连贯性的智能提取方法。

技术实现思路

1、本发明的目的在于提供一种遥感影像河流提取方法，以期解决现有技术存在的上述问题。

2、为解决现有技术存在的上述问题，本发明提供如下技术方案，一种遥感影像河流提取方法，包括如下步骤：

3、获取目标区域遥感影像以及对应的地形高程数据；

4、所述目标区域遥感影像为包含山体阴影混淆区域或细小蜿蜒支流形态的复杂地貌场景高分辨率遥感影像。

5、将所述目标区域遥感影像输入预先构建的河流特征提取模型，利用方向自适应采样机制提取几何形态特征，得到初步河流预测结果；

6、基于所述地形高程数据提取地形物理因子，并利用所述地形物理因子对所述初步河流预测结果进行确定性掩膜修正，得到最终河流提取结果；

7、其中，河流特征提取模型包含：

8、多尺度注意力机制，采用具有长宽非对称特性的、可形变的条状特征提取算子，用于捕捉所述目标区域遥感影像中的长程河流蜿蜒上下文信息，并输出包含所述几何形态特征的多尺度金字塔特征；

9、轻量级的多层感知机解码头，用于接收所述多尺度金字塔特征，并将其统一恢复至原分辨率以输出所述初步河流预测结果。

10、具体地，在本申请中，多尺度注意力机制通过捕捉长程河流蜿蜒上下文信息，以及通过多层级特征聚合，得到包含所述几何形态特征的多尺度金字塔特征。

11、本发明的有益效果在于：针对细窄水系易断裂的空间形态提取缺陷，本方案通过构建包含长宽非对称特性的多尺度条状特征提取算子，并引入空间采样偏移的切向与法向分解机制，使得特征采样的网格点能够动态感知局部影像内容。该手段允许采样网格沿河道中心线滑动收缩，自适应贴合目标河流的分形弯曲走向，从而有利于维持高频弯曲支流与长程主干水系的拓扑结构连贯性，有利于抑制常规矩形算子因跨越地物边界造成的特征污染。

12、针对环境光谱干扰引发的非水体区域误报问题，本方案将反映地表起伏与汇水特性的地形物理因子融入模型。一方面，将坡度陡峭风险与地形凸起风险转化为连续正则化约束，在网络反向传播阶段通过置信度门控自适应抑制反物理区域的预测梯度；另一方面，在正向预测端构建分层判据的物理硬约束掩膜。软硬结合的物理约束机制有利于抑制由山体阴影或平坦高地造成的伪水体响应，将复杂地貌下的虚警误报控制在合理底线。

13、此外，为维持算法模型的工程落地生命周期，本方案配置了算子可用性检测与刚性计算路径回退机制，并在初始化阶段采用键名重映射策略加载异构预训练参数，在降低训练初期梯度振荡的同时，有利于维持模型在未配置定制加速模块的基础硬件环境下的前向可用性。

1.一种遥感影像河流提取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，多尺度注意力机制还包括方形卷积核分支和通道混合分支；

3.根据权利要求2所述的方法，其特征在于，在利用所述空间采样偏移量使所述条状特征提取算子的采样网格发生形变时，具体为：

4.根据权利要求1所述的方法，其特征在于，地形物理因子包括基于所述地形高程数据提取的坡度特征和地形位置指数特征；

5.根据权利要求4所述的方法，其特征在于，在基于所述坡度特征以及所述地形位置指数特征，结合预设的地形阈值规则判定地形高风险区域，并生成物理硬约束掩膜中，具体包括：

6.根据权利要求1所述的方法，其特征在于，预先构建的河流特征提取模型通过以下步骤预先训练获得：

7.根据权利要求6所述的方法，其特征在于，地形物理因子包括坡度特征和地形位置指数特征；

8.根据权利要求7所述的方法，其特征在于，在基于所述预测概率以及所述联合风险权重构建所述连续正则化约束中，具体包括：

9.根据权利要求2所述的方法，其特征在于，预测得到空间采样偏移量的过程由轻量级的偏移预测分支执行，且在模型训练的初始阶段，所述偏移预测分支的网络权重和偏置参数均被配置为零初始化状态，以使所述条状特征提取算子在训练起点保持标准的未形变形态。

10.根据权利要求1所述的方法，其特征在于，多尺度注意力机制包括并行的方形卷积核分支以及多组核长度各异的所述条状特征提取算子分支；