首页|期刊简介|投稿指南|分类索引|刊文选读|订阅指南|证明资料|样刊邮寄查询|常见问题解答|联系我们
郑泰皓,王庆涛,李家国,等. 基于深度学习的高分六号影像水体自动提取[J]. 科学技术与工程, 2021, 21(4): 1459-1470.
zhengtaihao,wangqingtao,et al.Automatic Water Extraction from GF-6 Image Based on Deep Learning[J].Science Technology and Engineering,2021,21(4):1459-1470.
基于深度学习的高分六号影像水体自动提取
Automatic Water Extraction from GF-6 Image Based on Deep Learning
投稿时间:2020-01-06  修订日期:2020-11-24
DOI:
中文关键词:  高分六号影像  水体提取  FD-Water loss  VGGUnet1
英文关键词:GF-6 image  water body extraction  FD-Water loss  VGGUnet1
基金项目:国家重点研发计划(2017YFB0503902)、高分辨率对地观测系统重大专项(30-Y20A07-9003-17/18)和十三五民用航天预研项目(B0301)
                 
作者单位
郑泰皓 河南大学计算机与信息工程学院
王庆涛 河南大学计算机与信息工程学院
李家国 中国科学院遥感与数字地球研究所
郑逢斌 河南大学计算机与信息工程学院
张永红 中国科学院遥感与数字地球研究所
张宁 住房与城乡建设部城乡管理规划中心
摘要点击次数: 58
全文下载次数: 15
中文摘要:
      为了探究高分六号(GF-6)卫星多光谱相机(PMS)影像提取水体的潜力,分别构建全卷积神经网络(FCN-8s)、U-Net及U-Net优化(VGGUnet1、VGGUnet2)等4种神经网络进行了水体提取研究。基于水体提取结果对比分析,确定优选模型为VGGUnet1;提出基于组合损失函数FD-Water loss(focal-dice-water loss)的VGGUnet1网络模型,并与归一化差分水指数(NDWI)阈值法、最大似然分类法、支持向量机分类法等方法比较。结果表明:基于FD-Water loss 损失函数的VGGUnet1网络模型能有效提取水体目标,增强小面积水体识别能力,减少水体错分、漏分现象,提高水体提取效果。可见全卷积神经网络在GF-6遥感影像水体提取方面具有可行性,为后续该领域的进一步研究应用提供了参考。
英文摘要:
      In order to study the potential of water extraction from multispectral camera (PMS) images of GF-6, four kinds of neural networks, including full convolutional neural network (FCN-8s), U-Net and U-Net optimization (VGGUnet1, VGGUnet2), were constructed for water extraction studies. Based on the water extraction results, the best model was determined as VGGUnet1; then a VGGUnet1 network model based on the combined loss function Focal-Dice-Water loss (FD-Water loss) was proposed. Compared with the normalized water index (NDWI) threshold method, maximum likelihood classification method, and support vector machine classification method, the results show that the VGGUnet1 network model based on the FD-Water loss function can effectively extract the water body target, enhance the recognition ability of the water body in a small area, reduce the phenomenon of misdivision and leakage of the water body, and improve the extraction effect of the water body. It is concluded that the full convolutional neural network is feasible in water extraction of GF-6 remote sensing images, which provides a reference for further research and application in this field.
查看全文  查看/发表评论  下载PDF阅读器
关闭
你是第35590181位访问者
版权所有:科学技术与工程编辑部
主管:中国科学技术协会    主办:中国技术经济学会
Tel:(010)62118920 E-mail:stae@vip.163.com
京ICP备05035734号-4
技术支持:本系统由北京勤云科技发展有限公司设计

京公网安备 11010802029091号