一种SAR影像水体提取方法、装置、电子设备及存储介质与流程

技术特征：
1.一种sar影像水体提取方法，其特征在于，包括：获取待检测sar影像；对所述待检测sar影像进行预处理；通过水体分割模型，对预处理后的待检测sar影像进行处理，得到水体分割结果；其中，所述水体分割模型为增加双注意力机制的deeplabv3 语义分割模型，并通过包含sar影像样本和dem数据的样本数据集训练得到。2.根据权利要求1所述的sar影像水体提取方法，其特征在于，所述水体分割模型包括：编码器和解码器；所述编码器至少包括：特征提取模块、空间金字塔池化模块、双注意力机制模块和融合模块；通过水体分割模型，对所述预处理后的待检测sar影像进行处理，得到水体分割结果；包括：通过所述特征提取模块，提取预处理后的待检测sar影像的语义特征图f1和低级语义特征图f2，将语义特征图f1分别输入空间金字塔池化模块和双注意力机制模块，将低级语义特征图f2输入解码器；通过所述空间金字塔池化模块，对语义特征图f1进行处理，得到不同尺度的特征图，将不同尺度的特征图融合后得到语义特征f3；通过所述双注意力机制模块，对语义特征图f1进行位置注意力机制和通道注意力机制处理，得到语义特征f4；通过所述融合模块，对语义特征f3和语义特征f4进行融合，得到高级语义特征f5，将高级语义特征f5输出至解码器；通过所述解码器，对低级语义特征f2和高级语义特征f5进行融合，得到水体分割结果。3.根据权利要求2所述的sar影像水体提取方法，其特征在于，所述特征提取模块采用带空洞的resnet
‑
50，resnet
‑
50共包含5个卷积块;第一卷积块为单一卷积层；第二卷积块包括3个顺序连接的残差模块；第三卷积块包括4个顺序连接的残差模块；第四卷积块包括6个顺序连接的残差模块；第五卷积块包括3个顺序连接的残差模块，其中，第五卷积块的卷积方式为空洞卷积；所述残差模块包括：三个顺序连接的卷积核1
×
1，3
×
3，1
×
1和第一加法单元，三个卷积核对输入特征进行处理，输出输入特征的残差，第一加法单元将输入特征的残差和输入特征进行映射相加，输出处理后的输入特征；通过所述特征提取模块，提取预处理后的待检测sar影像的语义特征图f1和低级语义特征图f2；包括：将经过第一卷积块和第二卷积块处理得到特征图作为低层语义特征图f2；将经过第一卷积块、第二卷积块、第三卷积块、第四卷积块和第二卷积块处理得到特征图作为语义特征图f1。4.根据权利要求3所述的sar影像水体提取方法，其特征在于，所述通过所述空间金字塔池化模块，对语义特征图f1进行处理，得到不同尺度的特征图，将不同尺度的特征图融合后得到语义特征f3；包括：利用1
×
1卷积核对特征图f1进行处理，得到第一尺度的特征图；利用膨胀率分别为12、24、36的3
×
3卷积核对特征图f1进行处理，得到第二尺度特征图、第三尺度特征图和第四尺度特征图；
对特征图f1进行全局平均池化处理，得到第五尺度的特征图；将第一尺度的特征图、第二尺度的特征图、第三尺度的特征图、第四尺度的特征图和第五尺度的特征图连接起来；利用1
×
1卷积核对五个连接起来的不同尺度的特征图进行降维处理，得到特征图f3。5.根据权利要求3所述的sar影像水体提取方法，其特征在于，所述双注意力机制模块包括位置注意力单元、通道注意力单元和第二加法单元；通过所述双注意力机制模块，对语义特征图f1进行位置注意力机制和通道注意力机制处理，得到语义特征f4；包括：通过所述位置注意力单元，对大小为c
×
h
×
w的特征图f1分别进行三次卷积操作，获得与特征图f1大小相同的特征图q、特征图k和特征图v；将经过维度转换和转置的特征图q与维度转换后的特征图k做矩阵相乘，然后使用softmax函数对矩阵相乘结果进行处理得到大小为(h
×
w)
×
(h
×
w)的空间注意力图s；将特征图v重构回大小为c
×
(h
×
w)的特征图，然后与转置后的注意力图s相乘，将相乘的结果重构回大小为c
×
h
×
w的特征图，将该c
×
h
×
w的特征图乘以权重参数α并叠加到特征图f1上，得到特征图e1；通过通道注意力单元，将大小为c
×
h
×
w的特征图f1重构回大小为c
×
(h
×
w)的特征图b，将特征图b与转置后的特征图b的进行相乘，并通过softmax函数对激活得到大小为c
×
c的通道注意力图x；将转置后的通道注意力图x的与特征图b相乘并重构回c
×
h
×
w的特征图，将c
×
h
×
w的特征图乘以权重系数β并叠加到特征图f1上，得到特征图e2；通过第二加法单元对特征图e1和特征图e2进行相加，得到特征图f4。6.根据权利要求1所述的sar影像水体提取方法，其特征在于，所述方法还包括：对水体分割模型进行训练的步骤，具体包括：步骤s1：建立训练样本数据集；所述训练样本数据集包括sar影像和外部dem数据；步骤s2：采用迁移学习对一个resnet
‑
50网络进行预训练，利用训练好的resnet
‑
50网络初始化水体分割模型的模型参数；步骤s3：将训练样本数据集数据分成多个batch；步骤s4：将一个batch的数据输入水体分割模型，得到预测结果，利用预测结果和样本标签结果计算损失函数：其中，为预测为真实标签的概率，γ为参数；步骤s5：利用损失函数更新水体分割模型的参数；迭代步骤s3至步骤s5，直至训练样本数据集全部训练完毕。7.根据权利要求6所述的sar影像水体提取方法，其特征在于，所述建立训练样本数据集，包括：采集多幅星载sar影像；以已有光学影像作为地理参考基准，通过多模态匹配技术，对每幅星载sar影像进行控制点匹配，直接获取匹配点地理坐标或投影坐标，并将获取到的匹配点作为区域网平差控制点、连接点，生成具有地理参考的sar影像；根据像素值范围确定水体区域的阈值分割方法，对预处理后的sar影像进行自动水体
初步标注；对比同期的光学遥感影像，结合专家解译知识，对错误标记的区域进行人工纠正，得到正样本数据；使用外部dem数据模拟sar影像，将模拟sar影像中的山体阴影区域作为负样本数据；将道路数据作为负样本数据；对正样本数据和负样本数据均进行切片，获取到训练样本数据集。8.一种sar影像水体提取装置，其特征在于，包括：图像获取单元，用于获取待检测sar图像；预处理单元，用于对所述待检测sar图像进行预处理；水体提取单元，用于通过水体分割模型，对预处理后的待检测sar图像进行处理，得到水体分割结果；其中，所述水体分割模型为增加双注意力机制的deeplabv3 语义分割模型，并通过包含sar影像和外部dem数据的样本数据集训练得到。9.一种电子设备，其特征在于，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1
‑
7任一项所述的sar影像水体提取方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现如权利要求1
‑
7任一项所述的sar影像水体提取方法。

技术总结
本申请提供了一种SAR影像水体提取方法、装置、电子设备及存储介质，涉及遥感影像处理技术领域，包括：获取待检测SAR影像；对所述待检测SAR影像进行预处理；通过水体分割模型，对所述预处理后的待检测SAR影像进行处理，得到水体分割结果；其中，所述水体分割模型为增加双注意力机制的DeepLabv3 语义分割模型，并通过包含SAR影像和DEM数据的样本集训练得到。本申请能够提高SAR影像水体提取的精度和效率。申请能够提高SAR影像水体提取的精度和效率。申请能够提高SAR影像水体提取的精度和效率。


技术研发人员：王宇翔 邹舒畅 张攀 路超然 李彦 沈均平
受保护的技术使用者：航天宏图信息技术股份有限公司
技术研发日：2021.11.05
技术公布日：2021/12/3