技术领域
[0001] 本
发明涉及使用卫星遥感影像提取水体的方法，尤其涉及一种使用U-net进行水体遥感识别的方法。
背景技术
[0002] 地球表面大约有70％的面积被水
覆盖，水不仅是一种资源，更是一种环境因子。水体主要包括河流、湖泊、坑塘、水库、渠道等。随着经济不断发展，人类对生存环境的需求日益增加，受到人们生产活动和
气候变化的共同作用，水环境发生了巨大的变化，人们愈加关注水资源的监测、管理与分析问题。卫星遥感技术以宏观、实时、准确和动态等诸多优点在资源调查、环境监测、防灾减灾等众多领域中起着重要的作用。因此，利用遥感数据进行水资源的监测、调查和分析已成为一种必然的趋势。
[0003] 在遥感影像上，水体在
近红外波段上吸收强烈，而
土壤和植被在这个波段吸收较少，具有较高的反射特性，所以水体在这个波段上与土壤、植被区别明显，水体在影像上显示为暗
色调，土壤和植被则呈现出相对较亮的色调，水体的识别是利用水体与其他地物的
光谱特征差异，使用卫星遥感数据通过适当的
阈值设置实现水体提取。常用水体提取的方法有阈值法、多波段谱间关系法、水体指数法、主成分分析法、
决策树法等，通过阈值法来提取水体，效果并不理想，水体、阴影及泡田期的耕地混淆现象较为严重。阴影是图像退化的一种特殊表现，对水体的识别，尤其是细小水体的提取造成严重的噪声干扰。
[0004] 水体指数及谱间关系法，可以在一定程度上去除部分阴影，但阈值的取舍是个关键，阈值高了会丢失或漏提那些细小水体信息，阈值低了会误提不少其他的地物信息。面向对象方法有效地消除了阴影的影响，减少了误提现象，但无法彻底抑制与水体无关的背景信息。
[0005] 另外目前针对水体的提取，主要选择清空影像，而对于南方区域，
云的影响比较严重，所以考虑云阴影对水体提取的影响。
[0006] 因此对于存在山体、
建筑物、云的阴影、泡田期的耕地影响的区域以及存在小湖泊、坑塘地区的水体提取，上述方法都存在严重的误提、漏提等现象。
[0007] 因此，
现有技术有待于更进一步的改进和发展。
发明内容
[0008] 鉴于上述现有技术的不足，本发明提供的一种基于U-net的水体遥感识别方法，该方法可有效剔除水体识别时易混淆地物，如建筑物阴影、云阴影及泡田期耕地，准确提取面积大的河流、湖泊的
基础上，同时提高了对小湖泊、坑塘识别的
精度。
[0009] 为解决上述技术问题，本发明方案包括：
[0010] 一种基于U-net的水体遥感识别方法，其包括以下步骤：
[0011] A、数据收集和预处理：选取待研究区域的可用影像，云量小于20％的清晰影像，作为基础数据，并对基础数据进行预处理，同
时针对U-net训练需要样本选择样本区域；
[0012] B、水体的初步提取：根据地物在各影像波段上的光谱差异对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果。
[0013] C、水体提取结果的处理：对步骤B中的水体提取结果，先进行分类后处理，然后进行栅矢转换，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行
修改，得到样本范围内准确的水体矢量图斑。
[0014] D、训练和验证样本的制作：对水体提取样本进行
栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，保证样本多样性，增强网络的泛化能
力，通过分
块获得足够的训练样本。
[0015] E、U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其实质为编码-
解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
[0016] F、水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
[0017] G、检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读错误率高的难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地区，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
[0018] 所述的遥感识别方法，其中，所述步骤A具体的包括：基础数据为美国地质勘探局(USGS)下载哨兵2号卫星图像(Level-1C级)，经正射校正和亚像元级几何精校正后的大气表观反射率产品，需要经过
辐射定标和大气校正获取大气底层反射率数据。
[0019] 所述的水体遥感识别方法，其中，所述步骤A具体的还包括：
[0020] 其中，采用欧洲航天局(ESA)下载sen2cor
插件V2.80(Muller-Wilm et al.，2013)，对数据进行辐射定标和大气校正，获得大气底层反射率数据。sen2cor插件处理，首先将下载的图像解压为SAFE格式，输入数据文件的绝对路径和
分辨率，得到校正后的影像。
最后根据实际研究区域进行裁剪，完成对基础数据的预处理。
[0021] 所述的水体遥感识别方法，其中，所述步骤B具体的包括：根据地物在各影像波段上的光谱差异对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。
[0022] 所述的遥感识别方法，其中，所述步骤B具体的还包括：根据近红外波段反射率小于红光、绿光、蓝光三波段反射率之和的规则，利用ENVI的波段运算进行运算，符合条件的为建筑物(含道路及裸土)、水体、云和泡田期农田的混合像元，不满足者判断为其它地物并进行去除，初步提取水体，生成二值图像。
[0023] 所述的水体遥感识别方法，其中，所述步骤B具体的还包括：根据蓝光波段反射率、绿光波段发射率和红光波段反射率的平均值小于预定
阀值的规则，利用ENVI的波段运算进行运算，符合条件的为山体阴影、云阴影、建筑物阴影、水体、云和极少数泡田期农田的混合像元，不满足者判断为其它地物并进行去除，初步提取水体，生成二值图像。
[0024] 所述的水体遥感识别方法，其中，所述步骤B具体的还包括：将生成的两幅二值图像，进行逻辑交集运算，去掉云建筑物(含道路及裸土)、建筑物阴影、云及云阴影和多数泡田期农田的影响，获得水体提取的初步结果。
[0025] 所述的遥感识别方法，其中，所述步骤C具体的包括：对步骤B中的水体提取结果，采用Majority/Minority分析、聚类处理和过滤处理，对分类后结果剔除小图斑，然后使用栅矢转换工具，将分类后处理结果转换为矢量格式，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行目视交互修改，得到样本范围内准确的水体矢量图斑。
[0026] 所述的遥感识别方法，其中，所述步骤D具体的包括：对样本范围内的水体矢量图斑，使用矢量栅格转换工具，转换为栅格，得到水体值为1，其他为0的二值图像。针对样本区的遥感影像和相应的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，保证样本的多样性，增强网络的泛化能力。通过分块获得足够的训练样本。
[0027] 所述的遥感识别方法，其中，所述步骤E具体的包括：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式，即设置25％的数据用于验证，75％数据用于训练，网络的学习率为0.0001，优化器为Adam优化器。
为了防止网络过拟合，在U-net网络的训练过程中使用了正则化和零填充策略。网络训练结束，保存训练模型。
[0028] 所述的遥感识别方法，其中，所述步骤F具体的包括：将待研究区影像进行格式转换，作为预测的输入数据，执行
预测模型，获得待研究区的水体预测结果，格式转换，得到具有投影信息的水体预测结果。
[0029] 本发明具有如下优点：
[0030] 本发明提供的一种基于U-net的水体遥感识别方法，通过分析多种地物在原始波段及波段差影像上的光谱特征，选出水体与其他地物光谱差异最大的影像波段作为水体提取的基础影像，通过对不同地物在影像各波段的光谱分析，设定两种水体初步提取
算法，可提取出全部水体及部分其他地物，保留公共真值区域，即为初步水体结果，可有效剔除阴影(包括山体阴影、建筑阴影、云阴影)、泡田期农田，提高对水体识别的精度。而后针对提取结果进行分类后处理，格式转换、修改，制作训练和验证样本，通过U-net神经网络模型的训练，获得模型，预测水体。该方法适用于地表结构复杂的地区，操作简单，普适性强，可更好的剔除阴影、建筑物及泡田期农田干扰，同时对小湖泊、小水塘提取效果较好，实现了水体的精确提取。
附图说明
[0031] 图1是本发明中遥感识别方法的流程示意图。
[0032] 图2是需要水体提取的哨兵2号卫星图像；
[0033] 图3是典型地物类别样本点示例。
[0034] 图4是大气校正前后地表反射率波谱曲线。
[0035] 图5是水体提取结果。
具体实施方式
[0036] 本发明提供了一种基于U-net的水体遥感识别方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体
实施例仅仅用以解释本发明，并不用于限定本发明。
[0037] 本发明提供了一种基于U-net的水体遥感识别方法，如图1所示的，其包括以下步骤：
[0038] 第一步，数据收集和预处理：选取待研究区域的可用影像，云量小于20％的清晰影像，作为基础数据，并对基础数据进行预处理，同时针对U-net训练需要样本选择样本区域；
[0039] 第二步，水体的初步提取：分析原始各波段，水体指数影像(归一化水体指数NDWI、归一化植被指数NDVI、增强型水体指数EWI)、波段差影像在各地物上的光谱差异，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果。
[0040] 第三步，水体提取结果的处理：对步骤B中的水体提取结果，先进行分类后处理，然后进行栅矢转换，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行修改，得到样本范围内准确的水体矢量图斑。
[0041] 第四步，训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，从而保证样本的多样性，增强网络的泛化能力。通过分割获得足够的训练样本。
[0042] 第五步，U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其实质为编码-解码器，在网络训练过程中采用交叉验证的方式。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
[0043] 第六步，水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
[0044] 第七步，检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读出错率高的一个难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地方，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
[0045] 为了更进一步描述本发明方案，下面结合附图以及具体实施方式对本发明作进一步详细说明。
[0046] 第一步，数据的准备及预处理。原始数据为哨兵2(Sentinel-2)的Level-1C级数据是经过几何精校正的正射影像，可满足高程较高区域的
定位精度要求，且由于Sentinel-2数据有A/B两颗卫星，其中使用该数据共包含13个光谱波段，分辨率有10米、20米、60米三种，幅宽达290千米，其中B02(蓝光波段)、B03(绿光波段)、B04(红光波段)、B08(近红外波段)四个波段空间分辨率为10米，重访周期10天，具有获取范围大、重访周期高、数据免费的特点，适合于开展长期的水体变化研究工作。由于夏季水资源较为丰富，径流量增大，在遥感影像上判读轮廓更为清晰，比如以七、八月份为主要研究时段，由于卫星数据云层的影响，为扩
大数据区间，收集七月份、八月份作为数据源。
[0047] 其中，采用欧洲航天局(ESA)下载sen2cor插件V2.80(Muller-Wilm et al.，2013)，对数据进行辐射定标和大气校正。sen2cor插件处理，首先将下载的图像解压缩为SAFE格式，输入数据文件的绝对路径和分辨率，得到校正后的影像。最后根据实际研究区域进行裁剪，完成对基础数据的预处理。最后根据实际研究区进行裁剪，即完成数据的预处理工作。
[0048] 第二步，水体的初步提取：分析原始各波段，水体指数影像(归一化水体指数NDWI、归一化植被指数NDVI、增强型水体指数EWI)、波段差影像在各地物上的光谱差异，对所述基础数据进行分析，比较水体在各特征波段上的光谱差异，选择易区分水体的波段差作为水体识别的输入波段。根据谱间关系法和多波段阈值法，初步提取水体，生成两幅二值图像；对两幅二值图像提取结果取交集，得到水体提取结果，其包括：
[0049] NIR＜Blue+Green+Red (1)
[0050] (Blue+Green+Red)/3＜T (2)
[0051] 其中，Blue代表蓝光波段反射率，Green代表绿光波段反射率，Red代表红光波段反射率，NIR代表近红外波段反射率。
[0052] 利用(1)式在ENVI中波段运算，符合(1)式的为建筑物(含道路及裸土等)、水体、云、泡田期农田的混合，不满足条件者为其他地物，并进行去除，初步得到一幅二值图像。再根据(2)式在ENVI中波段运算，符合(2)式的为：云阴影、建筑阴影、水体及极少数泡田期耕地的混合，不满足条件者为其他地物，并进行去除。
[0053] 式(1)与式(2)结果，取逻辑交集运算，得到水体的初步提取结果。
[0054] 第三步，水体提取结果的处理：对步骤B中的水体提取结果，采用Majority/Minority分析、聚类处理和过滤处理，对分类后结果剔除小图斑，处理原则是：遍历所有识别为水体的像元，当该像元的八邻域内，水体像元的个数小于等于2时，则将该像元判定为零碎像元并去除。
[0055] 然后使用栅矢转换工具，将分类后处理结果转换为矢量格式，得到水体的矢量图斑，对U-net样本范围内的水体矢量进行目视交互修改，得到样本范围内准确的水体矢量图斑。
[0056] 第四步，训练和验证样本的制作：对水体提取样本进行栅格化，得到二值图像。针对样本区的影像和步骤C中的水体二值化结果，使用遥感数据增强和模糊处理技术，即对图像进行旋转、镜像、模糊和加噪声变换操作，从而保证样本的多样性，增强网络的泛化能力。通过分割获得足够的训练样本。
[0057] 第五步，U-net神经网络模型的训练：采用U-net网络，该网络共包含23个卷积层，其分为上
采样和
下采样两部分。下采样部分包含五个卷积块。每个块由两个卷积层组成，卷积核大小为3×3，步幅为1，卷积层的激活函数为Relu函数。使用步长为2的2×2最大
池化操作用于在除最后一个块之外的每个块的末尾处进行下采样。实质为编码-解码器，在网络训练过程中采用交叉验证的方式，选择3000样本作为
训练数据，1000张样本作为验证数据。为了防止网络过拟合，在U-net网络的训练过程中使用了零填充和正则化策略。网络训练结束，保存训练模型。
[0058] 第六步，水体的提取：利用训练模型预测待研究区域的水体，获得待研究区域的水体结果。
[0059] 第七步，检查提取效果。将提取的水体二值影像叠置在蓝、红、近红外波段组合的彩色合成图像上，发现河流、湖泊、坑塘等可完整提出，且山体阴影、建筑物及建筑物阴影、云阴影、泡田期农田等基本剔除，避免了剔除过程中部分水体也被去除的现象，解决了水体遥感判读出错率高的一个难题，适用于湖泊坑塘多且小，地物复杂，存在泡田期影像的地方，操作简单，普适性强，可更好的剔除其他地物及阴影的干扰，实现了水体的精确提取。
[0060] 图2是需要水体提取的哨兵2号卫星图像；
[0061] 图3是典型地物类别样本点示例，每种类别标记100个样本点。
[0062] 图4演示了2017年7月24日，待研究区大气校正前后的蓝光波段、绿光波段、红光波段、近红外波段的反射率值。
[0063] 图5演示了本方法的水体提取的结果，针对面积小的水体提取效果好，有效的剔除了其他地物的影响。
[0064] 通过对水体提取实验结果的精度评价，表明本发明方法提取的水体能到达到较高的精度，具有较高的实用性。
[0065] 当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本
说明书的教导下，所做出的所有等同替代、明显
变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
