水体识别方法、装置、电子设备和存储介质

1.本发明涉及图像处理技术领域，尤其涉及一种水体识别方法、装置、电子设备和存储介质。


背景技术：

2.水资源不仅与人类的生产、生活息息相关，更关乎城市经济的可持续和稳定发展。因此，对城市水体进行识别，动态分析城市水体状态变得尤为重要。
3.相关技术中，通常通过卷积神经网络(convolution neural network，cnn)或者图像语义分割网络(segnet)等深度学习模型对影像数据中的水体区域进行识别，但上述深度学习模型受网络层深度的限制，学习到的特征较少，这样就会降低深度学习模型对水体识别的准确率。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种水体识别方法、装置、电子设备和存储介质。
5.本发明提供一种水体识别方法，包括：
6.获取待检测可见光影像数据；
7.将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
8.基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
9.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
10.根据本发明提供的一种水体识别方法，在所述将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度之前，所述方法还包括：
11.基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络；
12.基于所述循环神经网络和多个卷积层构建所述初始网络模型。
13.根据本发明提供的一种水体识别方法，所述多个上采样层和多个池化层的交叉网络路径依次包括第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层；
14.所述基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络，包括：
15.将所述第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层的组合确定为所述循环神经网络。
16.根据本发明提供的一种水体识别方法，所述基于所述循环神经网络和多个卷积层构建所述初始网络模型，包括：
17.在所述第一上采样层与网络输入层之间依次设置第一卷积层和第二卷积层；
18.在所述第一上采样层和所述第一池化层之间依次设置第三卷积层和第四卷积层；
19.在所述第一池化层与所述第二池化层之间依次设置第五卷积层和第六卷积层；
20.在所述第二池化层与所述第二上采样层之间依次设置第七卷积层和第八卷积层；
21.在所述第二上采样层与所述第三池化层之间依次设置第九卷积层和第十卷积层；
22.在所述第三池化层与所述第三上采样层之间依次设置第十一卷积层和第十二卷积层；
23.在所述第三上采样层与所述第四上采样层之间依次设置第十三卷积层和第十四卷积层；
24.在所述第四上采样层和所述第四池化层之间依次设置第十五卷积层和第十六卷积层；
25.在所述第四池化层与网络输出层之间依次设置第十七卷积层、第十八卷积层和第十九卷积层。
26.根据本发明提供的一种水体识别方法，所述多个预设路径的网络层连接包括：
27.将所述第二卷积层与所述第一池化层连接；
28.将所述第六卷积层与所述第二上采样层连接；
29.将所述第十卷积层与所述第三上采样层连接；
30.将所述第十四卷积层与所述第四池化层连接；
31.将所述第四卷积层与所述第四上采样层连接。
32.根据本发明提供的一种水体识别方法，在所述基于所述循环神经网络和多个卷积层构建所述初始网络模型之后，所述方法还包括：
33.对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本；
34.基于每个像素点的所述灰度共生矩阵样本的熵和所述影像样本数据对所述初始网络模型进行训练，得到所述水体识别模型。
35.根据本发明提供的一种水体识别方法，所述对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本，包括：
36.对所述影像样本数据进行预处理，得到正射影像样本；
37.将所述正射影像样本进行灰度处理，得到灰度图像样本；
38.基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
39.根据本发明提供的一种水体识别方法，所述基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本，包括：
40.将所述灰度图像样本进行线性灰度压缩；
41.基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
42.根据本发明提供的一种水体识别方法，所述基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本，包括：
43.确定压缩后的灰度图像样本中每个像素点的目标邻域范围；
44.针对每个所述像素点的目标邻域范围，确定所述目标邻域范围内预设向量上每个像素对出现的次数；
45.基于每个像素对出现的次数确定对应像素点的所述灰度共生矩阵样本。
46.根据本发明提供的一种水体识别方法，所述将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度，包括：
47.对所述待检测可见光影像数据进行处理，得到所述待检测可见光影像数据中每个像素点的灰度共生矩阵；
48.将每个所述灰度共生矩阵的熵和所述待检测可见光影像数据输入至所述水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度。
49.本发明还提供一种水体识别装置，包括：
50.获取单元，用于获取待检测可见光影像数据；
51.识别单元，用于将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
52.确定单元，用于基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
53.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个上采样层和多个池化层的交叉网络路径。
54.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述水体识别方法的步骤。
55.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述水体识别方法的步骤。
56.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述水体识别方法的步骤。
57.本发明提供的一种水体识别方法、装置、电子设备和存储介质，将获取到的待检测可见光影像数据输入至水体识别模型中，得到水体识别模型输出的每个像素点为水体的置信度。由于本发明中的水体识别模型是基于包括多个预设路径的网络层连接的初始网络模型训练得到的，而多个预设路径的网络层连接能够增加网络中的连接层数，连接层数的增加就意味着更多的卷积特征被保留，从而提高了水体识别的准确率。
附图说明
58.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1是本发明提供的水体识别方法的流程示意图之一；
60.图2是本发明提供的水体识别方法的流程示意图之二；
61.图3是本发明提供的初始网络模型的结构示意图；
62.图4是本发明提供的水体识别方法的流程示意图之三；
63.图5是本发明提供的灰度图像样本处理的示意图之一；
64.图6是本发明提供的灰度图像样本处理的示意图之二；
65.图7是本发明提供的水体识别装置的结构示意图；
66.图8是本发明提供的电子设备的实体结构示意图。
具体实施方式
67.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
68.下面结合图1-图6描述本发明的水体识别方法。
69.图1是本发明提供的水体识别方法的流程示意图之一，如图1所示，该水体识别方法包括以下步骤：
70.步骤101、获取待检测可见光影像数据。
71.示例地，采用无人机采集某个区域(例如城市区域或者郊区区域)的可见光影像数据，即获取到待检测可见光影像数据。
72.步骤102、将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度。
73.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
74.示例地，在获取到待检测可见光影像数据时，将待检测可见光影像数据输入到预先训练好的水体识别模型中，由水体识别模型对待检测可见光影像数据中每个像素点的特征进行提取，基于提取得到的所有特征确定每个像素点是否为水体的概率，最终输出每个像素点为水体的置信度。
75.需要说明的是，水体识别模型是预先基于影像样本数据训练得到的，具体训练方法为：首先构建初始网络模型，然后将影像样本数据输入至初始网络模型中，得到初始网络模型输出的每个像素点为水的预测置信度；再确定每个像素点为水的预测置信度与每个像素点是否为水的真实值的差异，基于该差异对初始网络模型进行优化，直至初始网络模型的模型参数达到收敛条件，得到水体识别模型。
76.步骤103、基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域。
77.示例地，在得到每个像素点为水体的置信度时，将每个像素点为水体的置信度与预设置信度进行比较，将水体的置信度大于或等于预设置信度的像素点确定为水体，将水体的置信度小于预设置信度的像素点确定为不是水体，最后将所有确定为水体的像素点进行组合，得到目标水体区域。
78.可以理解的是，城市区域或者郊区区域的面积较大，所以在对城市区域或者郊区区域的水体进行识别时，可将无人机采集的某个区域的待检测可见光影像数据划分为多幅影像对应的数据，然后将每幅影像对应的数据分别输入至水体识别模型中进行水体识别，最后将每幅影像对应的水体区域进行组合，得到整体的待检测可见光影像数据对应的目标水体区域。
79.进一步地，在获取到待检测可见光影像数据对应的目标水体区域时，将目标水体
区域加载到地理信息系统(geographic information system，gis)等制图软件中，在制图软件中可以将目标水体区域划分为多个区域，并对每个区域标注不同的颜色；还可以添加图部件(例如，指北针、比例尺和图例等)；还可以标注水体识别精度等，最终得到对应区域的水体制图。
80.本发明提供的水体识别方法，将获取到的待检测可见光影像数据输入至水体识别模型中，得到水体识别模型输出的每个像素点为水体的置信度。由于本发明中的水体识别模型是基于包括多个预设路径的网络层连接的初始网络模型训练得到的，而多个预设路径的网络层连接能够增加网络中的连接层数，连接层数的增加就意味着更多的卷积特征被保留，从而提高了水体识别的准确率。
81.可选地，图2是本发明提供的水体识别方法的流程示意图之二，如图2所示，在执行步骤102之前，还包括以下步骤：
82.步骤104、基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络。
83.其中，所述多个上采样层和多个池化层的交叉网络路径依次包括第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层。
84.可选地，将所述第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层的组合确定为所述循环神经网络。
85.步骤105、基于所述循环神经网络和多个卷积层构建所述初始网络模型。
86.可选地，在所述第一上采样层与网络输入层之间依次设置第一卷积层和第二卷积层；在所述第一上采样层和所述第一池化层之间依次设置第三卷积层和第四卷积层；在所述第一池化层与所述第二池化层之间依次设置第五卷积层和第六卷积层；在所述第二池化层与所述第二上采样层之间依次设置第七卷积层和第八卷积层；在所述第二上采样层与所述第三池化层之间依次设置第九卷积层和第十卷积层；在所述第三池化层与所述第三上采样层之间依次设置第十一卷积层和第十二卷积层；在所述第三上采样层与所述第四上采样层之间依次设置第十三卷积层和第十四卷积层；在所述第四上采样层和所述第四池化层之间依次设置第十五卷积层和第十六卷积层；在所述第四池化层与网络输出层之间依次设置第十七卷积层、第十八卷积层和第十九卷积层。
87.其中，上采样层为反卷积层，每个卷积层和每个上采样层后面均有一个线性整流函数(rectified linear unit，relu)的操作，relu作为神经元的激活函数，定义了该神经元在线性变换之后的非线性输出结果；上采样层用于放大图像；每个卷积层用于提取输入网络输入层的数据的特征信息，池化层用于加快模型的收敛速度。
88.示例地，图3是本发明提供的初始网络模型的结构示意图，如图3所示，第一卷积层至第十九卷积层的编号分别为j1至j19，且所有卷积层采用填充网点的条形框表示；第一池化层至第四池化层的编号分别为c1至c4，且所有的池化层采用填充斜网格的条形框表示；第一上采样层至第四上采样层的编号分别为s1至s4，且所有的上采样层采用白色条形框表示，sr表示网络输入层，网络输入层可以为256*256*c的图像，其中，c为通道数，针对不同的实验，c的取值不同；sc表示网络输出层，使用1*1的卷积层将每个特征向量进行映射，网络输出层最终输出的是256*256*1的每个像素点为水体的置信度。
89.需要说明的是，步骤104和步骤105可以在步骤101之前执行，也可以在步骤102之
前执行，本发明对此不作限定。
90.本发明提供的水体识别方法，基于多个上采样层和多个池化层的交叉网络路径构建初始网络模型，使得最终训练得到的水体识别模型能够获取不同图像大小的尺度，提高水体识别模型识别的准确率。
91.进一步地，如图3所示，所述多个预设路径的网络层连接具体包括：所述第二卷积层与所述第一池化层连接，所述第六卷积层与所述第二上采样层连接，所述第十卷积层与所述第三上采样层连接，所述第十四卷积层与所述第四池化层连接，所述第四卷积层与所述第四上采样层连接。图3中实线箭头即为所有的连接操作，更多的连接意味着更多的卷积特征被保留。
92.具体地，本发明的初始网络模型是在u-net模型的基础上进行改进的，将多个池化层和多个上采样层的操作交叉进行，并将上述多个预设路径的网络层进行连接，这样可以出现更多的连接融合，以保留更多的卷积特征信息。例如，图3中第二卷积层j2与第一池化层c1连接，则第一池化层c1就结合了第二卷积层j2的特征信息；图3中第四卷积层j4与第四上采样层s4连接，则第四上采样层s4就结合了第四卷积层j4的特征信息；图3中第六卷积层j6与第二上采样层s2连接，则第二上采样层s2就结合了第六卷积层j6的特征信息；图3中第十卷积层j10与第三上采样层s3连接，则第三上采样层s3就结合了第十卷积层j10的特征信息；图3中第十四卷积层j14与第四池化层c4连接，则第四池化层c4就结合了第十四卷积层j14的特征信息。
93.本发明提供的水体识别方法，将多个上采样层、多个池化层和多个卷积层进行了结合，并将多个预设路径的网络层进行连接，使得最终得到的水体识别模型能够提取出更多的卷积特征信息，提高水体识别模型识别的准确率。
94.图4是本发明提供的水体识别方法的流程示意图之三，如图4所示，在执行步骤105之后，还包括以下步骤：
95.步骤106、对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本。
96.可选地，对所述影像样本数据进行预处理，得到正射影像样本；将所述正射影像样本进行灰度处理，得到灰度图像样本；基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
97.示例地，对影像样本数据进行畸变纠正、空三加密、镶嵌匀色等预处理，得到正射影像样本，以使影像样本数据具有一致的光谱反射率和几何形状；然后再对正射影像样本进行灰度处理，并基于得到的灰度图像样本确定每个像素点的灰度共生矩阵样本。
98.具体地，将所述灰度图像样本进行线性灰度压缩；基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
99.示例地，在得到灰度图像样本时，将灰度图像样本进行线性灰度压缩，以降低最终生成的灰度共生矩阵的数据量，本发明通过线性压缩方法将灰度图像样本的灰度值压缩在0到8的范围内；图5是本发明提供的灰度图像样本处理的示意图之一，如图5所示，左边为待检测可见光影像数据对应的灰度图像样本，右边为将灰度图像样本进行线性压缩，得到的压缩后的灰度图像样本。具体线性压缩方法可以为：将灰度图像样本中最小的灰度值与最大的灰度值的差值分为八个区间，并为八个区间从小到大编号为1到8；然后确定灰度图像
样本中的每个灰度值落入哪个区间，将灰度图像样本中的灰度值对应替换为哪个区间的编号；例如，灰度图像样本中的灰度值245和灰度值242都落入最大区间，则将灰度值245和灰度值242都用8代替；灰度图像样本中的灰度值0落入最小区间，则将灰度值0用0代替，具体线性压缩的结果如图5所示。
100.本发明提供的水体识别方法，将灰度图像样本进行线性灰度压缩，降低了最终生成的灰度共生矩阵的数据量。
101.进一步地，基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本可通过以下方式实现：
102.确定压缩后的灰度图像样本中每个像素点的目标邻域范围；针对每个所述像素点的目标邻域范围，确定所述目标邻域范围内预设向量上每个像素对出现的次数；基于每个像素对出现的次数确定对应像素点的所述灰度共生矩阵样本。
103.其中，预设向量为预先设定的一个指定向量，例如，预设向量是一个长度为d，方向为θ的向量。
104.示例地，以灰度图像样本的中心像素点(x，y)为例，确定中心像素点(x，y)的邻域范围n，例如，n＝5，则中心像素点(x，y)的邻域范围为包括像素点(x，y)的5*5的像素区域；图6是本发明提供的灰度图像样本处理的示意图之二，如图6所示，中心像素点(x，y)的邻域范围为虚线框内的区域，中心像素点(x，y)采用斜线表示，预设向量采用黑色箭头表示；则统计邻域范围内预设向量上像素对出现的次数，例如，邻域范围内出现预设向量上的像素对(2,2)的次数为1，则在灰度共生矩阵样本的第二行第二例的位置处填1；邻域范围内出现预设向量上的像素对(4,5)的次数为2，则在灰度共生矩阵样本的第四行第五例的位置处填2；邻域范围内出现预设向量上的像素对(7,3)的次数为1，则在灰度共生矩阵样本的第七行第三例的位置处填1；按此方法，将邻域范围内预设向量上每个像素对出现的次数进行统计，最终得到的灰度共生矩阵样本如图6所示，在图6中，左边为标记有邻域范围的压缩后的灰度图像样本，右边为灰度共生矩阵样本。
105.步骤107、基于每个像素点的所述灰度共生矩阵样本的熵和所述影像样本数据对所述初始网络模型进行训练，得到所述水体识别模型。
106.示例地，在确定灰度共生矩阵样本后，基于以下公式(1)计算灰度共生矩阵样本的熵，并将灰度共生矩阵样本的熵作为中心像素点(x，y)的纹理特征量。
107.ent＝-∑i∑jp(i，j)logp(i，j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
108.其中，ent表示灰度共生矩阵样本的熵，p(i，j)表示横坐标为i，纵坐标为j的像素点。
109.在得到影像样本数据中每个像素点的灰度共生矩阵样本的熵后，将影像样本数据中每个像素点的灰度共生矩阵样本的熵和影像样本数据进行融合后输入至初始网络模型中，得到初始网络模型输出的每个像素点为水的预测置信度；再确定每个像素点为水的预测置信度与每个像素点是否为水的真实值的差异，基于该差异对初始网络模型进行优化，直至初始网络模型的模型参数达到收敛条件，得到水体识别模型。
110.另外，在训练得到水体识别模型后，还可以对水体识别模型进行定性评价、定量评价和效率评价，以保证水体识别模型的水体识别质量；其中，定性评价是确定水体识别模型是否能够识别出之前模型无法识别出的水体区域；定量评价是确定水体识别模型相对于之
前模型提高了百分之多少的精度；效率评价是确定水体识别模型在识别水体时的用时长度。
111.需要说明的是，针对压缩后的灰度图像样本中的每个像素点，都需要按照中心像素点的灰度共生矩阵样本的熵的计算方法，计算每个像素点的灰度共生矩阵样本的熵，这样就可以得到压缩后的灰度图像样本对应的所有纹理特征量，纹理特征量也就是用户视觉能够感知的，所以也就是得到了对应区域的一个视觉特征层。
112.本发明提供的水体识别方法，将每个像素点的灰度共生矩阵样本的熵作为像素点的纹理特征，和影像样本数据融合输入至初始网络模型中，使得最终训练得到的水体识别模型识别的准确率提高。
113.可选地，图1中的步骤102具体可通过以下方式实现：
114.对所述待检测可见光影像数据进行处理，得到所述待检测可见光影像数据中每个像素点的灰度共生矩阵；将每个所述灰度共生矩阵的熵和所述待检测可见光影像数据输入至所述水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度。
115.示例地，在获取到待检测可见光影像数据时，还可以对待检测可见光影像数据进行处理，具体处理步骤可参考上述影像数据样本的处理步骤，最终得到待检测可见光影像数据中每个像素点的灰度共生矩阵，再基于上述公式(1)计算每个像素点的灰度共生矩阵的熵，最后将每个像素点的灰度共生矩阵的熵作为纹理特征，与待检测可见光影像数据进行融合，将融合后的数据输入至水体识别模型中，进而得到水体识别模型输出的每个像素点为水体的置信度。
116.本发明提供的水体识别方法，将每个像素点的灰度共生矩阵的熵作为像素点的纹理特征，将待检测可见光影像数据作为光谱特征，将纹理特征和光谱特征一起输入至水体识别模型中，使得水体识别模型能够有效区分复杂景观下的低反射率地物和混杂水体，提高了水体识别模型识别的准确率。
117.下面对本发明提供的水体识别装置进行描述，下文描述的水体识别装置与上文描述的水体识别方法可相互对应参照。
118.图7是本发明提供的水体识别装置的结构示意图，如图7所示，该水体识别装置包括获取单元701、识别单元702和确定单元703；其中，
119.获取单元701，用于获取待检测可见光影像数据；
120.识别单元702，用于将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
121.确定单元703，用于基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
122.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
123.本发明提供的一种水体识别装置，将获取到的待检测可见光影像数据输入至水体识别模型中，得到水体识别模型输出的每个像素点为水体的置信度。由于本发明中的水体识别模型是基于包括多个预设路径的网络层连接的初始网络模型训练得到的，而多个预设路径的网络层连接能够增加网络中的连接层数，连接层数的增加就意味着更多的卷积特征被保留，从而提高了水体识别的准确率。
124.基于上述任一实施例，该装置还包括第一构建单元和第二构建单元；
125.所述第一构建单元，用于基于多个上采样层和多个池化层的交叉网络路径构建循环神经网络；
126.所述第二构建单元，用于基于所述循环神经网络和多个卷积层构建所述初始网络模型。
127.基于上述任一实施例，所述多个上采样层和多个池化层的交叉网络路径依次包括第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层；
128.所述第一构建单元具体用于：
129.将所述第一上采样层、第一池化层、第二池化层、第二上采样层、第三池化层、第三上采样层、第四上采样层和第四池化层的组合确定为所述循环神经网络。
130.基于上述任一实施例，所述第二构建单元具体用于：
131.在所述第一上采样层与网络输入层之间依次设置第一卷积层和第二卷积层；
132.在所述第一上采样层和所述第一池化层之间依次设置第三卷积层和第四卷积层；
133.在所述第一池化层与所述第二池化层之间依次设置第五卷积层和第六卷积层；
134.在所述第二池化层与所述第二上采样层之间依次设置第七卷积层和第八卷积层；
135.在所述第二上采样层与所述第三池化层之间依次设置第九卷积层和第十卷积层；
136.在所述第三池化层与所述第三上采样层之间依次设置第十一卷积层和第十二卷积层；
137.在所述第三上采样层与所述第四上采样层之间依次设置第十三卷积层和第十四卷积层；
138.在所述第四上采样层和所述第四池化层之间依次设置第十五卷积层和第十六卷积层；
139.在所述第四池化层与网络输出层之间依次设置第十七卷积层、第十八卷积层和第十九卷积层。
140.基于上述任一实施例，所述多个预设路径的网络层连接包括：
141.将所述第二卷积层与所述第一池化层连接；
142.将所述第六卷积层与所述第二上采样层连接；
143.将所述第十卷积层与所述第三上采样层连接；
144.将所述第十四卷积层与所述第四池化层连接；
145.将所述第四卷积层与所述第四上采样层连接。
146.基于上述任一实施例，该装置还包括处理单元和训练单元；
147.所述处理单元，用于对所述影像样本数据进行处理，得到所述影像样本数据中每个像素点的灰度共生矩阵样本；
148.所述训练单元，用于基于每个像素点的所述灰度共生矩阵样本的熵和所述影像样本数据对所述初始网络模型进行训练，得到所述水体识别模型。
149.基于上述任一实施例，所述处理单元具体用于：
150.对所述影像样本数据进行预处理，得到正射影像样本；
151.将所述正射影像样本进行灰度处理，得到灰度图像样本；
152.基于所述灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
153.基于上述任一实施例，所述处理单元还具体用于：
154.将所述灰度图像样本进行线性灰度压缩；
155.基于压缩后的灰度图像样本确定每个像素点的所述灰度共生矩阵样本。
156.基于上述任一实施例，所述处理单元还具体用于：
157.确定压缩后的灰度图像样本中每个像素点的目标邻域范围；
158.针对每个所述像素点的目标邻域范围，确定所述目标邻域范围内预设向量上每个像素对出现的次数；
159.基于每个像素对出现的次数确定对应像素点的所述灰度共生矩阵样本。
160.基于上述任一实施例，所述识别单元702具体用于：
161.对所述待检测可见光影像数据进行处理，得到所述待检测可见光影像数据中每个像素点的灰度共生矩阵；
162.将每个所述灰度共生矩阵的熵和所述待检测可见光影像数据输入至所述水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度。
163.本发明提供的一种水体识别装置，将获取到的待检测可见光影像数据输入至水体识别模型中，得到水体识别模型输出的每个像素点为水体的置信度。由于本发明中的水体识别模型是基于包括多个上采样层和多个池化层的交叉网络路径的初始网络模型训练得到的，而多个上采样层和多个池化层的交叉网络路径能够增加网络中的连接层数，连接层数的增加就意味着更多的卷积特征被保留，从而提高了水体识别的准确率。
164.图8是本发明提供的电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行水体识别方法，该方法包括：获取待检测可见光影像数据；
165.将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
166.基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
167.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
168.此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
169.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机
程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的水体识别方法，该方法包括：获取待检测可见光影像数据；
170.将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
171.基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
172.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
173.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的水体识别方法，该方法包括：获取待检测可见光影像数据；
174.将所述待检测可见光影像数据输入至水体识别模型中，得到所述水体识别模型输出的每个像素点为水体的置信度；
175.基于每个所述像素点为水体的置信度确定所述待检测可见光影像数据中的目标水体区域；
176.其中，所述水体识别模型是基于影像样本数据对初始网络模型进行训练得到的；所述初始网络模型包括多个预设路径的网络层连接。
177.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
178.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
179.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。