近日,我院王国杰教授团队在遥感领域权威期刊《遥感学报》发表了题为“基于深度卷积神经网络的遥感影像水体识别”的研究成果。该研究对多维密集连接深度卷积神经网络(DenseNet)模型进行改进,采用高分一号高分辨率光学遥感影像对洪泽湖流域水体进行识别,并将识别结果与ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数NDWI的识别结果进行了对比分析。
图1 本研究采用的DenseNet网络结构
该项研究的创新点在于改进了经典的DenseNet深度神经网络结构,增加了由反卷积构成的上采样过程,在保留图像空间信息的同时,能够使输出图像恢复到与输入相同的尺寸;增加了跳层连接结构,把下采样部分中获得的特征信息引入上采样部分,可以重复对特征进行学习,提高特征利用效率,同时也能在一定程度上缓解梯度消失与网络退化的问题。
图2 不同方法水体识别效果对比图
(a)洪泽湖区域真彩色合成图像,(b)NDWI水体指数提取水体结果图,(c)HRNet,(d)VGG,(e)ResNet,(f)DenseNet(白色区域为识别出的水体区域,红色实线为人工提取岸线)
从水体识别效果图来看,NDWI方法将湖泊沿岸部分农田及城市区域误判为水体区域,产生了非常明显的大面积噪声和误判斑块,而四种神经网络方法识别水体区域的效果均明显优于传统的NDWI水体指数方法,都能较好的识别出影像中的水体。
表1 不同模型水体识别效果对比
从各项评价指标来看,所有CNN网络模型(DenseNet、ResNet、VGG、HRNet)的水体识别效果都显著优于传统NDWI方法。改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精度和误判率等方面,明显优于其他CNN模型;同时,修改后的DenseNet模型训练时间更短,训练效率优于其他CNN网络。
图3 DenseNet网络对冬季(左列)与夏季(右列)洪泽湖区域水体提取效果
上图为真彩色合成图像,下图为DenseNet网络水体识别结果,红色实线为人工提取岸线
对DenseNet在不同季节水体的识别效果作进一步研究,结果表明,改进后的DenseNet模型对水体细部特征有很好的识别能力,能够准确识别不同季节中不同形状与不同颜色的水体,且具有很好的泛化性。
论文信息:
王国杰, 胡一凡, 张森, 等. 基于深度卷积神经网络的遥感影像水体识别. 遥感学报, 2021.
链接地址:
https://doi.org/10.11834/jrs.20210175