技术摘要：
本发明涉及一种基于深度学习的遥感影像岛礁提取方法，该方法首先收集不同场景、不同时相下的岛礁卫星遥感影像，再通过对岛礁影像进行标注、影像分块与影像增强等操作制作岛礁实例分割训练数据集；基于该数据集利用Mask R‑CNN算法，利用GPU加速的技术进行岛礁实例分割 全部
背景技术：
我国是世界上海洋大国之一，大陆海岸线长达1.8万多公里，并且港湾众多，岛屿 岸线约1.42万公里。在当前陆地资源已大部分勘察清楚的背景下，海洋中的各种生物、矿产 及化工等资源已引起诸多国家的重视。我国拥有海岛将近7000个，可管辖海域面积(含经济 专属区)约300万平方公里，是世界上海岛最多的国家之一。岛礁的合理开发与利用，既关系 着我国的国家主权，也是维护与保证我国海洋权益的重要方面。另一方面我国有大小天然 河流五千八百多条，可通航大小湖泊九百多个。内河航运和海上运输同属于水路运输业。我 国海洋权益的保障亦离不开安全高效的水路运输。 近年来随着航天科技、计算机技术等领域的进步，航天遥感影像在空间分辨率、时 间分辨率及光谱分辨率上得到极大的提升，已逐渐形成了准实时的高光谱、高空间分辨率 的对地观测能力。通过对遥感影像中的岛礁进行提取与精确定位，既可以获取岛礁资源的 分布情况，又可在水路运输中精确避障、增强导航精度，为水路运输保驾护航。 在常规的岛礁提取应用中，传统方法虽然有诸多研究成果，但仍然存在一些问题 亟待解决：1、由于遥感影像时间、空间分辨率的提升，导致遥感影像数据量过大，传统图像 处理算法产生性能瓶颈；2、遥感影像中存在“同物异谱”、“同谱异物”等现象，且往往地物种 类信息丰富，传统的目标提取算法自动化程度较低。由于以上问题，岛礁的解译往往需要较 高的专业水平，并且在水运导航等对时效性要求较高的应用场景中很难发挥应有的作用。
技术实现要素：
基于此，有必要针对传统岛礁提取算法性能的瓶颈以及自动化程度较低的问题， 基于实例分割的思想，利用深度学习算法，提供一种精确、高效的高分辨率遥感影像岛礁提 取方法。 为解决上述问题，本发明采取如下的技术方案： 一种基于深度学习的遥感影像岛礁提取方法，该方法包括以下步骤： 步骤一、制作多尺度岛礁实例分割训练数据集 获取不同场景、不同时相下包含岛礁的若干幅卫星遥感影像； 在保证岛礁的完整性的前提下，对每一幅所述卫星遥感影像进行分块裁剪，得到 分块影像； 利用实例分割标注工具对每一幅分块影像中的岛礁进行标注，得到对应的标注信 息文件； 对所有分块影像及其对应的标注信息文件进行数据增强处理，得到增强后的数 据； 5 CN 111582218 A 说 明 书 2/6 页 对增强后的数据进行训练集、验证集与测试集的划分； 将不同数据集下的所有分块影像对应的标注信息文件按照Microsoft COCO实例 分割标准进行格式转换，转换后得到多尺度岛礁实例分割训练数据集； 步骤二、岛礁实例分割模型训练 通过ResNet50网络对所述多尺度岛礁实例分割训练数据集中的图像进行特征提 取，得到五个层次的特征图，分别为C1特征图、C2特征图、C3特征图、C4特征图和C5特征图； 利用C2特征图、C3特征图、C4特征图和C5特征图建立特征金字塔网络，得到五个特 征图，分别为P2特征图、P3特征图、P4特征图、P5特征图和P6特征图； 以P2特征图、P3特征图、P4特征图、P5特征图和P6特征图上的每个像素点生成锚 框； 对全部锚框进行正负样本划分，并计算每一个锚框与真实框之间的偏移量，生成 RPN网络数据集； 基于所述RPN网络数据集计算岛礁实例分割模型的损失函数，所述损失函数由RPN 目标框回归损失函数、RPN前景/背景分类损失函数、RoI对应的分类损失函数、RoI对应的边 框回归损失函数、像素分割二分类交叉熵损失函数相加组成； 采用随机梯度下降算法进行网络优化，学习率采用Warm up策略，利用多尺度岛礁 实例分割训练数据集对岛礁实例分割模型进行训练； 待模型收敛后，输出训练好的岛礁实例分割模型； 步骤三、遥感影像岛礁信息自动化提取 对待提取遥感影像进行图像预处理操作，得到预处理后的图像； 将预处理后的图像输入训练好的岛礁实例分割模型，得到岛礁信息提取结果，所 述岛礁信息提取结果包括每一个岛礁实例对应的一组多边形的点集及其置信度； 根据每幅裁剪影像的偏移信息和所述岛礁信息提取结果得到每个多边形相对于 待提取遥感影像左上角顶点的精确坐标，将所有裁剪影像中岛礁的多边形信息汇总后，得 到整幅待提取遥感影像的岛礁提取初步结果； 通过非极大值抑制操作对所述岛礁提取初步结果进行第一轮筛选，通过置信度阈 值对第一轮筛选后的结果进行第二轮筛选，得到岛礁提取精确结果； 根据待提取遥感影像的地理信息，将岛礁提取精确结果中每个多边形对应的图像 坐标转换为地理坐标，得到待提取遥感影像的岛礁提取结果文件。 与现有技术相比，本发明具有以下有益效果： 本发明首先通过收集不同场景、不同时相下的岛礁卫星遥感影像，随后通过对岛 礁影像进行标注、影像分块与影像增强等操作，制作岛礁实例分割训练数据集；基于该数据 集利用Mask R-CNN算法，利用GPU加速的技术进行岛礁实例分割模型训练，待模型收敛后， 即可用来识别遥感影像中的岛礁信息。由于参与模型训练的岛礁实例分割训练数据集涵盖 了典型场景下的各类型的岛礁形状与纹理信息，并且在模型训练过程中用到了多GPU加速 技术，因此训练好的岛礁实例分割模型可以准确、高效的提取出高分辨率遥感影像中的岛 礁信息，提高了遥感影像岛礁提取的自动化程度和时效性。 6 CN 111582218 A 说 明 书 3/6 页 附图说明 图1为本发明一种基于深度学习的遥感影像岛礁提取方法的流程图； 图2为标注后的分块影像示意图； 图3为部分岛礁提取结果示意图。
