基于空基平台视觉监视的水域面积检测方法与装置专利检索-自然灾害自然灾害的预防与保护专利检索查询-专利查询网

基于空基平台视觉监视的水域面积检测方法与装置

阅读：587发布：2020-05-11

专利汇可以提供基于空基平台视觉监视的水域面积检测方法与装置专利检索，专利查询，专利分析的服务。并且本发明公开了基于空基平台视觉监视的水域面积检测方法与装置，涉及图像处理技术领域。该装置包括图像采集器，CNN特征提取器，多孔卷积网络的分支器，特征融合器，分类器和面积转换器。首先卷积神经网络提取待监测水域面积图片中的高层语义信息，得到输出特征图，并输入多孔卷积网络。然后根据其边缘信息，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征；利用线性SVM分类器训练模型，将期望特征的样本向量进行分类，最后输出分类结果，得到水域面积S。根据图例参数gamma和原图水域面积S，计算水域部分的真实面积。本发明较强鲁棒性，能够监测水域部分的真实面积的变化，预测自然灾害。，下面是基于空基平台视觉监视的水域面积检测方法与装置专利的具体信息内容。

权利要求

1.基于空基平台视觉监视的水域面积检测方法，其特征在于，包括如下具体步骤：
步骤一、获取某张待监测水域面积的图片，基于卷积神经网络CNN提取图片中的高层语义信息，得到输出特征图；
所述的高层语义信息为待监测水域面积图片中的不同区域的模糊的边缘信息；
步骤二、将输出特征图输入多孔卷积网络进行多支路不同感受野的多孔卷积；
多孔卷积网络以1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积，分别对输出特征图进行五个不同感受野的卷积，得到5个多孔卷积网络的输出特征图，其尺寸均为H*W*256，输出通道数均为256；
步骤三、对多孔卷积网络的输出特征图进行不同感受野特征的融合，得到通道数为1的输出特征图；
所述的通道数为1的输出特征图包含了原图的边缘信息，且已经将原图分割为不同大小的区域；
步骤四、根据通道数为1的输出特征图的边缘信息以及分割的不同大小区域，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征，作为最终进行分类的样本向量；
步骤五、利用线性SVM分类器训练模型，将期望特征的样本向量进行分类，输出水域和非水域的分类结果，同时得到水域面积S；
线性SVM分类器训练模型将区域的划分本质上转化为一个二分类模型，分类结果为0或
1；0代表该期望特征来自非水域，1代表该期望特征来自水域；
最终，统计所有分类结果为1的分割区域，结合每个区域中像素点的个数，计算原图中的水域面积S；
步骤六、根据图像采集器参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积S，计算水域部分的真实面积；
根据输出的水域面积S，计算水域部分的真实面积S′，具体计算公式为：
S′＝gamma2*S
步骤八、监测水域部分的真实面积S′的变化，提前预测部分自然灾害。
2.如权利要求1所述的基于空基平台视觉监视的水域面积检测方法，其特征在于，所述的步骤一具体为：
待监测水域面积的图片为3通道的RGB图像，尺寸为H*W*3；H为图片的高度，W为图片的宽度；将待监测水域面积的图片依次经过卷积神经网络三个串联的卷积层；三个卷积层有相同大小的3*3卷积核：经过第一个卷积层，得到特征图尺寸为H*W*64；经过第二个卷积层，得到特征图尺寸为H*W*128；经过第三个卷积层，得到最终的输出特征图，尺寸为H*W*256，输出通道数为256。
3.如权利要求1所述的基于空基平台视觉监视的水域面积检测方法，其特征在于，所述的步骤三具体为：
首先，将5个多孔卷积网络的输出特征图按照通道数进行拼接，得到H*W*1280的特征图；然后，将H*W*1280的特征图依次经过融合网络三个串联的卷积层，卷积核大小为3*3；
经过第一个卷积层，得到特征图尺寸为H*W*128；
经过第二个卷积层，得到特征图尺寸为H*W*64；
经过第三个卷积层，得到特征图尺寸为H*W*1；
最后、融合网络输出尺寸为H*W*1，通道数为1的输出特征图。
4.如权利要求1所述的基于空基平台视觉监视的水域面积检测方法，其特征在于，所述的步骤四具体为：
首先，选取0.4～2.5μm波段的光谱特征作为分类对象；
然后，提取每一个像素点在0.4～2.5μm波段的光谱特征；
最后，根据分割的不同大小区域，对每个区域的所有像素点的光谱特征求均值，得到每个区域的期望特征，代表该区域的特性。
5.应用于如权利要求1所述的基于空基平台视觉监视的水域面积检测方法的检测装置，其特征在于，包括图像采集器，CNN特征提取器，多孔卷积网络的分支器，特征融合器，分类器和面积转换器；
图像采集器对待监测水域区域进行图像采集，并获取待监测的图片，将图片传输给CNN特征提取器；CNN特征提取器利用预设的监测模型对待监测图片进行监测，得到监测结果，提取图片中的高层语义信息，得到输出特征图；然后多孔卷积网络的5个分支器对输出特征图的不同野进行卷积，得到5个分支输出特征图；通过特征融合器对不同感受野卷积的输出特征图进行拼接，并对拼接后的输出特征图再次进行卷积，得到包含边缘信息的输出特征图，并将原图分割为不同区域；求取不同区域的高光谱信息均值的期望特征作为分类样本向量，通过线性SVM分类器将期望特征进行分类，得到水域和非水域的判别结果，统计原图水域面积；最后面积转换器根据相机参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积，计算水域部分的真实面积，根据真实面积的变化预测自然灾害。
6.如权利要求5所述的基于空基平台视觉监视的水域面积检测装置，其特征在于，所述的多孔卷积网络的分支器包括5个，分别为：1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积。

说明书全文

基于空基平台视觉监视的水域面积检测方法与装置

技术领域

[0001] 本发明涉及图像处理技术领域，尤其涉及基于空基平台视觉监视的水域面积检测方法与装置。

背景技术

[0002] 水域面积的监测，是指以航空影像为基础，结合具体的地理信息数据，对水域进行监测并提取。水域面积的监测可以实时地测量瀑布、湖泊、河流以及水库等水域面积的大小，从而监控预测暴雨、泥石流和干旱等自然灾害，帮助人们及时采取防护措施规避伤害，具有十分重要的实践意义。

[0003] 采用传统方法进行水域面积监测往往要耗费巨大的人力和物力等资源，而基于空基平台视觉监视系统的监测方法有可移动性、数据量大及更新快的特点，可以有效解决监测区域大及监测目标分散的问题；因而将该技术应用在大范围水域内水体面积的测量中有更大的优势。

[0004] 随着近年来临近空间飞行器相关技术的发展以及飞艇等平台的试飞验证，空基平台视觉监视系统可以携带遥感、成像和通信等任务载荷，为技术人员提供更全面更及时更清晰的监测图片。但是由于气候条件、云层遮挡以及光照条件的影响，普通的可见光图片不能满足监测水域面积的要求。

发明内容

[0005] 本发明引入了高光谱图片对水域面积变化进行监测，具体是基于空基平台视觉监视的水域面积检测方法与装置，以解决现有的水域面积监测难度大的问题。

[0006] 所述的基于空基平台视觉监视的水域面积检测方法，包括如下具体步骤：

[0007] 步骤一、获取某张待监测水域面积的图片，基于卷积神经网络CNN提取图片中的高层语义信息，得到输出特征图；

[0008] 待监测水域面积的图片为3通道的RGB图像，尺寸为H*W*3；H为图片的高度，W为图片的宽度。将待监测水域面积的图片依次经过卷积神经网络三个串联的卷积层；三个卷积层有相同大小的3*3卷积核：经过第一个卷积层，得到特征图尺寸为H*W*64；经过第二个卷积层，得到特征图尺寸为H*W*128；经过第三个卷积层，得到最终的输出特征图，尺寸为H*W*256，输出通道数为256。

[0009] 所述的高层语义信息为待监测水域面积图片中的不同区域的较模糊的边缘信息，后续通过多孔卷积网络得到更加精确的边缘信息。

[0010] 步骤二、将输出特征图输入多孔卷积网络进行多支路不同感受野的多孔卷积。

[0011] 多孔卷积网络以1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积，分别对输出特征图进行五个不同感受野的卷积，得到5个多孔卷积网络的输出特征图，其尺寸均为H*W*256，输出通道数均为256。

[0012] 步骤三、对多孔卷积网络的输出特征图进行不同感受野特征的融合，得到通道数为1的输出特征图；

[0013] 具体为：

[0014] 首先，将5个多孔卷积网络的输出特征图按照通道数进行拼接，得到H*W*1280的特征图。

[0015] 然后，将H*W*1280的特征图依次经过融合网络三个串联的卷积层，卷积核大小为3*3。

[0016] 经过第一个卷积层，得到特征图尺寸为H*W*128；

[0017] 经过第二个卷积层，得到特征图尺寸为H*W*64；

[0018] 经过第三个卷积层，得到特征图尺寸为H*W*1。

[0019] 最后、融合网络输出尺寸为H*W*1，通道数为1的输出特征图。

[0020] 该通道数为1的输出特征图包含了原图的边缘信息，且已经将原图分割为不同大小的区域。

[0021] 步骤四、根据通道数为1的输出特征图的边缘信息以及分割的不同大小区域，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征，作为最终进行分类的样本向量。

[0022] 具体为：

[0023] 首先，选取0.4～2.5μm波段的光谱特征作为分类对象；

[0024] 然后，提取每一个像素点在0.4～2.5μm波段的光谱特征。

[0025] 最后，根据分割的不同大小区域，对每个区域的所有像素点的光谱特征求均值，得到每个区域的期望特征，代表该区域的特性。

[0026] 步骤五、利用线性SVM分类器训练模型，将期望特征的样本向量进行分类，输出水域和非水域的分类结果，同时得到原图水域面积S。

[0027] 线性SVM分类器训练模型将区域的划分本质上转化为一个二分类模型，分类结果为0或1。0代表该期望特征来自非水域，1代表该期望特征来自水域。

[0028] 最终，统计所有分类结果为1的分割区域，结合每个区域中像素点的个数，计算原图中的水域面积S。

[0029] 步骤六、根据图像采集器参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积S，计算水域部分的真实面积。

[0030] 根据输出的水域面积S，计算水域部分的真实面积S′，具体计算公式为：

[0031] S′＝gamma2*S。

[0032] 步骤七、监测水域部分的真实面积S′的变化，提前预测部分自然灾害。

[0033] 所述的基于空基平台视觉监视的水域面积检测装置，包括图像采集器，CNN特征提取器，多孔卷积网络的分支器，特征融合器，分类器和面积转换器；

[0034] 其中多孔卷积网络的分支器包括5个，分别为：1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积。

[0035] 图像采集器对待监测水域区域进行图像采集，并获取待监测的图片，将图片传输给CNN特征提取器；CNN特征提取器利用预设的监测模型对待监测图片进行监测，得到监测结果，提取图片中的高层语义信息，得到输出特征图。然后多孔卷积网络的5个分支器对输出特征图的不同野进行卷积，得到5个分支输出特征图。通过特征融合器对不同感受野卷积的输出特征图进行拼接，并对拼接后的输出特征图再次进行卷积，得到包含边缘信息的输出特征图，并将原图分割为不同区域。求取不同区域的高光谱信息均值的期望特征作为分类样本向量，通过线性SVM分类器将期望特征进行分类，得到水域和非水域的判别结果，统计原图水域面积。最后面积转换器根据相机参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积，计算水域部分的真实面积，根据真实面积的变化预测自然灾害。

[0036] 本发明的优点及其有益效果在于：

[0037] 1、本发明基于空基平台视觉监视的水域面积检测方法，有效的利用空基平台视觉监视系统采集的高光谱图片，将其包含的空间信息和光谱信息充分结合起来，从而达到监测水域面积变化的目的。

[0038] 2、本发明基于空基平台视觉监视的水域面积检测方法，通过多分支的多孔卷积，对具有不同感受感受野的特征图进行融合，能够获得较强鲁棒性的边缘信息，从而对图片的分割更加准确，为后续水域面积的精确计算奠定了技术基础。

[0039] 3、本发明基于空基平台视觉监视的水域面积检测装置，该装置将具体的算法分为六个模块进行实现：图片采集器，CNN特征提取器，多孔卷积的分支器，特征融合器，分类器和面积转换器。这种模块化的装置设计，不仅可以减少物理实现的复杂度，而且能够方便操作人员进行分模块的局部调试。附图说明

[0040] 图1为本发明提供的基于空基平台视觉监视的水域面积检测方法的流程图；

[0041] 图2为本发明提供的基于空基平台视觉监视的水域面积检测装置的示意图。

具体实施方式

[0042] 下面将结合附图和实施例对本发明作进一步的详细说明。

[0043] 本发明提供的基于空基平台视觉监视的水域面积检测方法与装置，首先采用基于CNN(Convolution neural network，卷积神经网络)和空洞卷积的方法提取图片空间信息中的边缘信息。其次根据边缘信息的划分，将原图的所有像素点进行分组。为了得到稳定的分类结果，求取每一组像素点光谱信息的期望作为最终进行分类的样本向量。再次使用线性SVM分类器训练模型，并对水域和非水域进行预测，输出分类结果。最后根据相机参数和空基平台视觉监视系统参数等得到的图例参数gamma，计算水域部分的真实面积。

[0044] 所述的基于空基平台视觉监视的水域面积检测方法，如图1所示，包括如下具体步骤：

[0045] 步骤一、获取待监测的图片，基于卷积神经网络CNN提取图片中的高层语义信息，得到输出特征图。

[0046] 待监测水域面积的图片为3通道的RGB图像，尺寸为H*W*3；H为图片的高度，W为图片的宽度。将待监测水域面积的图片依次经过卷积神经网络三个串联的卷积层；三个卷积层有相同大小的3*3卷积核：经过第一个卷积层，得到特征图尺寸为H*W*64；经过第二个卷积层，得到特征图尺寸为H*W*128；经过第三个卷积层，得到最终的输出特征图，尺寸为H*W*256，输出通道数为256。

[0047] 所述的高层语义信息为待监测水域面积图片中的不同区域的较模糊的边缘信息，后续通过多孔卷积网络得到更加精确的边缘信息。

[0048] 步骤二、将输出特征图输入多孔卷积网络进行多支路不同感受野的多孔卷积。

[0049] 多孔卷积网络一个常规卷积的分支器和4个多孔卷积，以1*1的卷积核，比率为2的3*3多孔卷积核，比率为4的3*3多孔卷积核，比率为8的3*3多孔卷积核，比率为16的3*3多孔卷积，分别对输出特征图进行五个不同感受野的卷积，得到5个多孔卷积网络的输出特征图，其尺寸均为H*W*256，输出通道数均为256。。

[0050] 步骤三、对多孔卷积网络的输出特征图进行不同感受野特征的融合，得到通道数为1的输出特征图。

[0051] 具体为：

[0052] 首先，将5个多孔卷积网络的输出特征图按照通道数进行拼接，得到H*W*1280的特征图。然后，将H*W*1280的特征图依次经过融合网络三个串联的卷积层，卷积核大小为3*3。

[0053] 经过第一个卷积层，得到特征图尺寸为H*W*128；

[0054] 经过第二个卷积层，得到特征图尺寸为H*W*64；

[0055] 经过第三个卷积层，得到特征图尺寸为H*W*1。

[0056] 最后、融合网络输出尺寸为H*W*1，通道数为1的输出特征图。

[0057] 该通道数为1的输出特征图包含了原图的边缘信息，且已经将原图分割为不同大小的区域。

[0058] 步骤四、根据通道数为1的输出特征图的边缘信息以及分割的不同大小区域，对每一区域中所有像素点的高光谱信息求均值得到该区域的期望特征，作为最终进行分类的样本向量。

[0059] 具体为：

[0060] 首先，选取0.4～2.5μm波段的光谱特征作为分类对象；

[0061] 经过调研发现，水的光谱特征主要是由水本身的物质组成决定，同时又受到各种水状态的影响。地表较纯洁的自然水体对0.4～2.5μm波段的电磁波吸收明显高于绝大多数其它地表物质。为了得到稳定的分类结果，选择0.4～2.5μm波段附近的光谱特征作为分类的对象。

[0062] 然后，提取每一个像素点在0.4～2.5μm波段的光谱特征。

[0063] 最后，根据分割的不同大小区域，对每个区域的所有像素点的光谱特征求均值，得到每个区域的期望特征，代表该区域的特性。

[0064] 根据通道数为1的输出特征图的边缘信息，得到每一区域的期望特征，作为最终进行分类的样本向量。

[0065] 步骤五、利用线性SVM(Support Vector Machine，支持向量机)分类器训练模型，将期望特征的样本向量进行分类，输出水域和非水域的分类结果，同时得到水域面积S。

[0066] 设线性SVM分类器的分类器参数C＝100，使用训练集数据进行模型训练得到分类模型，然后对测试集数据进行测试，得到最终分类结果。训练集表示有标签的期望特征所组成的数据集，测试集表示没有标签的期望特征所组成的数据集。

[0067] 线性SVM分类器训练模型将区域的划分本质上转化为一个二分类模型，分类结果为0或1。0代表该期望特征来自非水域，1代表该期望特征来自水域。

[0068] 最终，统计所有分类结果为1的分割区域，结合每个区域中像素点的个数，计算原图中的水域面积S。

[0069] 步骤六、根据图像采集器参数和空基平台视觉监视系统参数等得到的图例参数gamma和原图水域面积S，计算水域部分的真实面积。

[0070] 根据输出的水域面积S，计算水域部分的真实面积S′，具体计算公式为：

[0071] S′＝gamma2*S。

[0072] 步骤八、监测水域部分的真实面积S′的变化，提前预测部分自然灾害。

[0073] 所述的基于空基平台视觉监视的水域面积检测装置，如图2所示，包括图像采集器，CNN特征提取器，多孔卷积的分支器，特征融合器，分类器和面积转换器。

[0074] 图像采集器对待监测地面区域进行图像采集，并获取待监测的图片，将图像传输给CNN特征提取器，所述待检测图片为高光谱图片；

[0075] CNN特征提取器利用预设的监测模型对待监测图片进行监测，得到监测结果，提取图片中的高层语义信息，得到输出特征图。

[0076] 5个多孔卷积的分支器，用于对CNN特征提取器的输出特征图进行不同感受野的多孔卷积，得到5个分支输出特征图。

[0077] 特征融合器，对不同的感受野的分支输出特征图按照通道维度进行拼接，再进行卷积操作，得到原图的边缘信息。

[0078] 线性SVM分类器，将不同区域的期望特征作为分类器的输入样本进行分类，得到水域和非水域的判别结果。

[0079] 面积转换器，将图片的水域面积通过已知的图例gamma转换为水域的真实面积。

[0080] 基于空基平台视觉监视的水域面积检测装置，工作过程如下：

[0081] 图像采集器对待监测水域区域进行图像采集，并获取待监测的图片，将图片传输给CNN特征提取器；CNN特征提取器利用预设的监测模型对待监测图片进行监测，得到监测结果，提取图片中的高层语义信息，得到输出特征图。然后多孔卷积网络的5个分支器对输出特征图的不同野进行卷积，得到5个分支输出特征图。通过特征融合器对不同感受野卷积的输出特征图进行拼接，并对拼接后的输出特征图再次进行卷积，得到包含边缘信息的输出特征图，并将原图分割为不同区域。求取不同区域的高光谱信息均值的期望特征作为分类样本向量，通过线性SVM分类器将期望特征进行分类，得到水域和非水域的判别结果，统计原图水域面积。最后面积转换器根据相机参数和空基平台视觉监视系统参数得到的图例参数gamma和原图水域面积，计算水域部分的真实面积，根据真实面积的变化预测自然灾害。

[0082] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

标题	发布/更新时间	阅读量
一种配电柜用水位防护装置	2020-05-08	1013
一种计及电力阻塞的能源转型优化方法及系统	2020-05-11	836
基于空基平台视觉监视的水域面积检测方法与装置	2020-05-11	587
基于卫星遥感影像的冻土灾害分类方法及装置	2020-05-13	97
一种输电线路运维工单编制派发方法及系统	2020-05-12	919
一种农村饮水安全的监测方法	2020-05-08	903
一种高层建筑逃生装置	2020-05-11	346
一种应用水利工程的洪水报警装置	2020-05-11	346
移动式多功能固废处理应急系统	2020-05-12	559
一种抗震效果好的桩基	2020-05-12	153

基于空基平台视觉监视的水域面积检测方法与装置

基于空基平台视觉监视的水域面积检测方法与装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：