一种高分遥感影像中滑坡识别方法与流程

1.本发明属于滑坡识别技术领域，具体涉及一种高分遥感影像中滑坡识别方法。


背景技术：

2.我国西南地区地质灾害频发，因滑坡引起的输电网事故时有发生，对电网安全产生了严重威胁。为保证高压输电网稳定工作，需要对大范围山区进行滑坡识别检测，判断是否有影响高压输电网的风险，因此对滑坡的快速识别尤为重要。传统的山区滑坡检测大都是人工野外实地勘探或者利用遥感影像的特征进行目视解译，但这些方法对人力资源耗费极大且识别效率不高，不具备专业知识的人员难以完成此工作。


技术实现要素：

3.本发明为了解决以上问题，提出了一种高分遥感影像中滑坡识别方法。
4.本发明的技术方案是：一种高分遥感影像中滑坡识别方法包括以下步骤：
5.s1：获取滑坡数据集；
6.s2：构建改进滑坡识别网络；
7.s3：将滑坡数据集作为改进滑坡识别网络的输入，进行滑坡识别。
8.进一步地，步骤s1包括以下子步骤：
9.s11：采集滑坡数据和遥感影像；
10.s12：根据滑坡数据的经纬度，在遥感影像中确定滑坡位置；
11.s13：根据遥感影像中滑坡位置的特征信息，确定滑坡区域；
12.s14：对滑坡区域进行标注，获取滑坡数据集。
13.进一步地，步骤s13中，特征信息包括滑坡色彩、滑坡纹理信息、滑坡形状和滑坡位置关系。
14.进一步地，步骤s2中，改进滑坡识别网络包括骨干网、dense_aspp模块和解码模块。
15.进一步地，骨干网包括依次连接的第一block层、第二block层、第三block层和第四block层，其分辨率分别为1/4、1/8、1/16和1/16。
16.进一步地，dense_aspp模块包括密集连接的第一空洞卷积分支、第二空洞卷积分支、第三空洞卷积分支和第四空洞卷积分支，其膨胀率分别为6、12、18和24。
17.进一步地，dense_aspp模块的感受野r
dense_aspp
的计算公式为：
18.r
dense_aspp
＝r
3，18
r
3，12
r
3，18
r
3，24-3
19.其中，r
3，12
表示当卷积核大小为3且膨胀率为12时卷积核所能提供的感受野大小，r
3，18
表示当卷积核大小为3且膨胀率为18时卷积核所能提供的感受野大小，r
3，24
表示当卷积核大小为3且膨胀率为24时卷积核所能提供的感受野大小；
20.dense_aspp模块的参数量s的计算公式为：
[0021][0022]
其中，l表示dense_aspp模块中空洞卷积的总个数，ci表示1*1卷积输入的维度，c
out
表示dense_aspp模块输出的维度，k表示卷积核大小。
[0023]
进一步地，改进滑坡识别网络的交叉熵损失函数l
ce_wet
的计算公式为：
[0024][0025]
其中，ym表示第m个像素的标签值，pm表示对像素点m的预测值，λ0表示类别间的第一权重参数，λ1表示类别间的第二权重参数，m表示像素总数。
[0026]
本发明的有益效果是：
[0027]
(1)本发明可从遥感影像中准确的识别滑坡区域，提高滑坡数据集质量，分析滑坡遥感影像的识别标志，更好地提高网络的识别能力，还能使网络的泛化性更好；
[0028]
(2)本发明充分利用滑坡在遥感影像中的特征自动学习深层特征的优势，构建改进滑坡识别网络，增大感受野并融入低层特征，增加像素间的连续性，有利于细节的恢复，减少对滑坡区域的误识别和漏识别现象；
[0029]
(3)本发明可以用于大范围山区滑坡区域的快速识别，有效提高网络对地质滑坡灾害识别的精度。
附图说明
[0030]
图1为高分遥感影像中滑坡识别方法的流程图；
[0031]
图2为改进滑坡识别网络的结构图。
具体实施方式
[0032]
下面结合附图对本发明的实施例作进一步的说明。
[0033]
如图1所示，本发明提供了一种高分遥感影像中滑坡识别方法，包括以下步骤：
[0034]
s1：获取滑坡数据集；
[0035]
s2：构建改进滑坡识别网络；
[0036]
s3：将滑坡数据集作为改进滑坡识别网络的输入，进行滑坡识别。
[0037]
在本发明实施例中，步骤s1包括以下子步骤：
[0038]
s11：采集滑坡数据和遥感影像；
[0039]
s12：根据滑坡数据的经纬度，在遥感影像中确定滑坡位置；
[0040]
s13：根据遥感影像中滑坡位置的特征信息，确定滑坡区域；
[0041]
s14：对滑坡区域进行标注，获取滑坡数据集。
[0042]
在本发明实施例中，步骤s13中，特征信息包括滑坡色彩、滑坡纹理信息、滑坡形状和滑坡位置关系。
[0043]
在本发明实施例中，数据集对深度学习网络的影响很大，往往直接决定了模型的训练效果。而目前没有公开的滑坡遥感影像数据集，因此需要筛选滑坡点并制作样本数据
集。
[0044]
数据集的质量在一定程度上决定了模型的效果，高质量的训练样本有利于模型展现更好的效果。以卷积神经网络为主体的语义分割算法属于有监督的学习模式，因此需要带标签的样本数据训练模型。而能否正确识别并标注滑坡区域直接影响了数据集的质量。光学遥感影像的空间分辨率可低于一米，影像上滑坡的形态特征清晰可见。滑坡在光学遥感影像上展现的特征是对滑坡区域进行识别的信息基础，也是通过深度学习网络实现快速识别的信息基础。对滑坡进行识别的标志包括色彩、纹理、形状和位置等。
[0045]
色彩是通过遥感影像进行地物分类最直接的标志。遥感影像由多种不同的波段组成，而目标物在不同的波段上展现不同的颜色，需结合不同波段来总结目标物的颜色特征。不同阶段的同一目标物也会展现不同的颜色特征。新滑坡在遥感影像上与周围的地物分界明显，以浅色调为主，坡体上会有一些零星的淡绿色。老滑坡与周围的地物分界不明显，色调较深，坡体上会覆盖一些灌木等年轻植物。
[0046]
滑坡的纹理信息在不同分辨率的遥感影像上有不同的特征，在高分辨率遥感影像上的纹理信息较多。新滑坡纹理比周围环境粗糙，植被覆盖少。老滑坡纹理的粗糙程度介于周围环境和新滑坡之间，存在一些冲沟，表现为顺坡向的纹理。部分老滑坡被改造为农田，会有浅绿色的带状纹理。
[0047]
不同的物体具有不同的形状，在遥感影像上也会展现不同的形状，如滑坡常为圈椅状，农田为排列规则的多边形，道路为长条状。在实际识别过程中常将形状与颜色相结合来区分地物，如同样为长条状的地物，灰白色的为道路而墨绿色的为河流。
[0048]
位置关系也是地物识别的标志之一，可通过地物之间的位置关系来确认目标地物。山体较高的部分以乔木为主，而在山体较低的部分或者山谷地区以灌木和农作物为主，判断山体的高低走向可确定滑坡的走向。此外，大多数滑坡形成后中前方呈凸状，滑坡体周围会出现一些不正常河流弯道等。这些都是对滑坡间接识别的标志。
[0049]
根据上述的滑坡体在遥感影像上所展现的特征和标志，就能从图像中准确的识别出滑坡区域，为数据集的建立做好准备工作。
[0050]
本发明在python环境中使用该工具对遥感影像中的滑坡区域进行标注，labelme是一个带图形界面的图像标注工具，可用多线段和点标注出目标区域，用于语义分割等任务。
[0051]
在本发明实施例中，步骤s2中，如图2所示，改进滑坡识别网络包括骨干网、dense_aspp模块和解码模块。
[0052]
本发明增加了一条膨胀率为24的空洞卷积分支，并通过密集连接来重构aspp模块，重构后的结构称为dense_aspp模块。在四条含有空洞卷积的分支中，膨胀率低的空洞卷积结果会被膨胀率高的空洞卷积用到。因此，dense_aspp模块综合了并行和级联两种连接方式的优势，不仅能在更大范围内提取图像的多尺度信息，而且能使特征图输出更密集，弥补孔洞带来的信息缺失问题。
[0053]
在解码端增加了一条特征融合分支，改进后的解码端不仅融合了特征图，还将四倍上采样拆分成两个两倍上采样，并利用本发明提出的加强版特征金字塔结构来融合1/8大小和1/16大小的特征图。因此，利用fpnp融入了1/8和1/16特征图的解码模块能使像素间的连续性更强，解决像素不连续及某些重要细节信息不能有效还原出来的问题。
[0054]
在本发明实施例中，骨干网包括依次连接的第一block层、第二block层、第三block层和第四block层，编码层的特征提取网络进行特征学习时，下采样过程会使图像分辨率逐渐减小，因此其分辨率分别为1/4、1/8、1/16和1/16。
[0055]
在本发明实施例中，dense_aspp模块包括密集连接的第一空洞卷积分支、第二空洞卷积分支、第三空洞卷积分支和第四空洞卷积分支，其膨胀率分别为6、12、18和24。
[0056]
本发明将密集连接与aspp模块结合后的结构称为dense_aspp模块，dense_aspp在原有结构中增加了一条膨胀率为24的空洞卷积分支，将四条含有空洞卷积操作的分支用密集连接的方式进行连接。在dense_aspp结构中，膨胀率低的空洞卷积结果将会被膨胀率高的空洞卷积用到，使不同膨胀率的卷积相互依赖。dense_aspp中有膨胀率为[6，12，18，24]的3*3卷积，除膨胀率为6的卷积层外，其余3层都整合了来其它层的特征图。经过4层级联堆叠，像素的采样更加密集，得到的特征图输出也更密集，因此dense_aspp结构能让滑坡特征得到更有效的利用。
[0057]
在本发明实施例中，dense_aspp模块的感受野r
dense_aspp
的计算公式为：
[0058]rdense_aspp
＝r
3，18
r
3，12
r
3，18
r
3，24-3
[0059]
其中，r
3，12
表示当卷积核大小为3且膨胀率为12时卷积核所能提供的感受野大小，r
3，18
表示当卷积核大小为3且膨胀率为18时卷积核所能提供的感受野大小，r
3,24
表示当卷积核大小为3且膨胀率为24时卷积核所能提供的感受野大小；
[0060]
dense_aspp模块的参数量s的计算公式为：
[0061][0062]
其中，l表示dense_aspp模块中空洞卷积的总个数，ci表示1*1卷积输入的维度，c
out
表示dense_aspp模块输出的维度，k表示卷积核大小。
[0063]
虽然密集连接的aspp模块在像素利用率和感受野上有较大的优势，但过多的通道数会增加网络训练难度，影响网络的实时性。为了解决这个问题，在每个膨胀卷积之前加上一个1*1卷积，降低通道数，以此降低网络的参数量。在dense_aspp模块中，经过1*1卷积后将通道数降为输出的四倍，可降低该结构的总参数量，使得dense_aspp增加的参数量相对于原参数量来说较小。
[0064]
在本发明实施例中，在遥感影像中，对滑坡区域的识别本质上是一个对像素点的二分类任务，滑坡区域作为前景信息，道路、农田等其余部分为背景。但遥感影像可能会出现前景与背景像素比例不均衡的情况，即滑坡区域所占的像素点少于背景的像素点。若两者使用相同的权重来训练网络，滑坡区域和背景像素点的不平衡会导致经反向传播的信息也是不均衡的。这会导致模型加强对背景信息的训练，倾向于把滑坡区域划分为背景。当滑坡区域较小时，这种倾向甚至会导致漏识别现象。因此，在训练网络的过程中，有必要赋予滑坡和背景不同的权重来消除类别不平衡带来的问题。
[0065]
加权的交叉熵损失函数可通过内部加权来解决滑坡区域与背景的像素点不均衡的问题。具体来说，数量相对稀疏的滑坡区域在总损失的占的比重相对较大，而样本占比大的背景在总损失中占的比重相对较小。改进滑坡识别网络的交叉熵损失函数l
ce_wet
的计算公式为：
[0066][0067]
其中，ym表示第m个像素的标签值，pm表示对像素点m的预测值，λ0表示类别间的第一权重参数，λ1表示类别间的第二权重参数，m表示像素总数。
[0068]
本发明使用的权重系数的计算公式为：
[0069][0070][0071]
其中，c表示类别数，nj表示第j幅图中的总像素点，n
j0
表示第j幅图中的背景的像素点个数；n
j1
表示第j幅图中的滑坡区域的像素点个数。
[0072]
由上述两个可知，样本数更少的滑坡区域的权重参数λ1更大，因此滑坡区域能更好的被训练，这样能有效避免样本不均衡带来的训练问题。
[0073]
在语义分割任务中，iou常被作为评价分割效果的一个指标，因此直接对iou进行优化会有较好的效果。dice系数是一种计算两个样本相似度的度量函数。dice loss则是由dice系数引出的一种衡量交并比指标的损失函数，其数值与模型效果成反比，计算公式为：
[0074][0075]
其中，a和b分别表示标签和预测结果，具体指区域范围内像素点的个数。
[0076]
本发明提出一种混合损失函数，由加权的交叉熵损失函数和dice损失函数组成，其计算公式为：
[0077]
l＝l
ce_wet
l
dice
[0078]
其中，l表示总损失，l
ce_wet
表示加权的交叉熵损失函数，l
dice
表示dice损失函数。
[0079]
在本发明实施例中，特征图中的像素之间有着密切的联系，若上采样的幅度过大，会导致像素不连续且细节信息不能被有效还原，从而影响分割效果。本发明对改进滑坡识别网络解码端的上采样进行了拆分，并融入低层特征，以解决像素不连续和细节信息恢复问题。解码模块将dense_aspp模块后的第一个4倍上采样拆分成了两个2倍的上采样，利用本发明提出的fpnp结构融合骨干网中1/8和1/16的特征图，并作为一条分支参与改进滑坡识别网络的解码过程。更小的上采样幅度使像素间的连续性更强，融入低层特征有利于细节特征的恢复，因此解码模块有利于滑坡区域的精准预测。
[0080]
来自dense_aspp模块的特征图先进行2倍上采样，再与fpnp输出的特征图拼接融合，通过1*1卷积将特征图的深度降为256后再进行2倍上采样。此时特征图的尺寸和维度与直接进行4倍上采样的特征图一致。上采样后的特征图与降维后的1/4低层特征图拼接融合，经过3*3卷积细化特征后上采样，还原为原图大小并得到对滑坡区域的分割结果。
[0081]
fpnp模块可用于融合不同层级的特征图。由于更深层的特征有更多的通道数，因此先利用1*1卷积对分辨率更低的1/16特征图降维，再经2倍上采样后得到与浅层特征相同
的尺寸。将处理后的更深层特征与浅层特征拼接融合，并降到合适的维度。在本发明中，引入fpnp分支的目的是在解码的过程中融合更多的细节特征，而更深的特征图有更多的语义信息但细节特征相对较少，因此将1/16的特征图降维到256通道以保留更多的细节信息。从整个解码结构来看，与对1/4大小特征图降维的目的相同，为避免较多低层特征使网络出现偏向低级特征训练的倾向，对拼接融合后的特征再次降维。经过fpnp处理得到的特征图含有丰富的语义信息和细节特征，因此解码模块有利于提高算法对滑坡精确识别的性能。此外，解码模块中仅引入了三个1*1卷积，相比于整个网络，增加的参数量少，对网络的实时性影响不大。
[0082]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。