本發明涉及一種基于深度學習的遙感影像島礁提取方法，該方法首先收集不同場景、不同時相下的島礁衛星遙感影像，再通過對島礁影像進行標注、影像分塊與影像增強等操作制作島礁實例分割訓練數據集；基于該數據集利用Mask R?CNN算法，利用GPU加速的技術進行島礁實例分割模型訓練，待模型收斂后，得到訓練好的島礁實例分割模型，該模型即可用來識別遙感影像中的島礁。由于參與模型訓練的島礁實例分割訓練數據集涵蓋了典型場景下的各類型的島礁形狀與紋理信息，且模型訓練過程中用到了多GPU加速技術，因此訓練好的島礁實例分割模型可以準確、高效的提取出高分辨率遙感影像中的島礁信息，提高了遙感影像島礁提取的自動化程度和時效性。

技術領域

本發明涉及遙感影像處理及基于深度學習的遙感影像數據挖掘技術領域，特別是涉及一種基于深度學習的遙感影像島礁提取方法。

背景技術

我國是世界上海洋大國之一，大陸海岸線長達1.8萬多公里，并且港灣眾多，島嶼岸線約1.42萬公里。在當前陸地資源已大部分勘察清楚的背景下，海洋中的各種生物、礦產及化工等資源已引起諸多國家的重視。我國擁有海島將近7000個，可管轄海域面積(含經濟專屬區)約300萬平方公里，是世界上海島最多的國家之一。島礁的合理開發與利用，既關系著我國的國家主權，也是維護與保證我國海洋權益的重要方面。另一方面我國有大小天然河流五千八百多條，可通航大小湖泊九百多個。內河航運和海上運輸同屬于水路運輸業。我國海洋權益的保障亦離不開安全高效的水路運輸。

近年來隨著航天科技、計算機技術等領域的進步，航天遙感影像在空間分辨率、時間分辨率及光譜分辨率上得到極大的提升，已逐漸形成了準實時的高光譜、高空間分辨率的對地觀測能力。通過對遙感影像中的島礁進行提取與精確定位，既可以獲取島礁資源的分布情況，又可在水路運輸中精確避障、增強導航精度，為水路運輸保駕護航。

在常規的島礁提取應用中，傳統方法雖然有諸多研究成果，但仍然存在一些問題亟待解決：1、由于遙感影像時間、空間分辨率的提升，導致遙感影像數據量過大，傳統圖像處理算法產生性能瓶頸；2、遙感影像中存在“同物異譜”、“同譜異物”等現象，且往往地物種類信息豐富，傳統的目標提取算法自動化程度較低。由于以上問題，島礁的解譯往往需要較高的專業水平，并且在水運導航等對時效性要求較高的應用場景中很難發揮應有的作用。

發明內容

基于此，有必要針對傳統島礁提取算法性能的瓶頸以及自動化程度較低的問題，基于實例分割的思想，利用深度學習算法，提供一種精確、高效的高分辨率遙感影像島礁提取方法。

為解決上述問題，本發明采取如下的技術方案：

一種基于深度學習的遙感影像島礁提取方法，該方法包括以下步驟：

步驟一、制作多尺度島礁實例分割訓練數據集

獲取不同場景、不同時相下包含島礁的若干幅衛星遙感影像；

在保證島礁的完整性的前提下，對每一幅所述衛星遙感影像進行分塊裁剪，得到分塊影像；

利用實例分割標注工具對每一幅分塊影像中的島礁進行標注，得到對應的標注信息文件；

對所有分塊影像及其對應的標注信息文件進行數據增強處理，得到增強后的數據；

對增強后的數據進行訓練集、驗證集與測試集的劃分；

將不同數據集下的所有分塊影像對應的標注信息文件按照Microsoft COCO實例分割標準進行格式轉換，轉換后得到多尺度島礁實例分割訓練數據集；

步驟二、島礁實例分割模型訓練

通過ResNet50網絡對所述多尺度島礁實例分割訓練數據集中的圖像進行特征提取，得到五個層次的特征圖，分別為C1特征圖、C2特征圖、C3特征圖、C4特征圖和C5特征圖；