“面向对象+深度学习”遥感信息提取技术在水利行业应用课件.pptx

1、度度学学习习”遥遥感信感信息息“面向对面向对象象+深深 提取提取技技术术在在水水利利行行业业应应用用1.业务需求业务需求-水利行业水利行业水源地监测水源地监测水源地水体范围是水源水源地水体范围是水源地地管理管理重重要方要方面面，自，自 动化快速提取很重要动化快速提取很重要水土保持监管水土保持监管生产建设项目、动土、生产建设项目、动土、水水保措保措施施识别识别是是水保水保的重要方面，对快速解的重要方面，对快速解译译、变、变化化检测检测要要求求高高水政执法取证水政执法取证河湖管理范围的违建监河湖管理范围的违建监测测是水是水政政执法执法取取证证 的重要方面的重要方面，对准确变对准确变化化检测检测要要

2、求高求高洪涝灾害监测洪涝灾害监测洪涝灾害也是防洪减灾洪涝灾害也是防洪减灾的的重要重要方方面，面，及及时、时、快速获取淹没范围很重要快速获取淹没范围很重要灌区信息监测灌区信息监测作物识别对灌区农业用作物识别对灌区农业用水水管理管理很很重要重要，需要需要精准的识别精准的识别水利遥感应用领域水利遥感应用领域水利信息遥感解译自 动自 动 快 速快 速 准确准确遥感解译方法像元像元 面向面向对象对象1.业务需求业务需求-现状及问题现状及问题1）基于“像元+传统分类”的分类优点优点：充分利用遥感影像光谱特征的的分布规律，即自然聚类的特征，进行分类缺缺点点：由于地球表面许多地物存在着“同谱异物、同物异谱”现

3、象，利用基于像元的方法进行分类会导致“椒盐现象”1.业务需求业务需求-现状及问题现状及问题2）基于“面向对象+传统分类”的分类尺度1尺度2尺度3优点：优点：将不同的地物分割到不同的对象之中，这对分类起了至关重要的作用。缺点：缺点：对象的特征，如光谱、形状、纹理等。但对于形状、纹理特征认识描述的不够全 面，信息量还不足以支撑地物分类、识别。1.业务需求业务需求-现状及问题现状及问题遥感影像训练样本学习结果3）基于“面向对象+深度学习”的分类优点：优点：可以来掌握不同对象的形状、纹理特性，反过来指导对象分类。缺点：缺点：样本代表性不确定和训练成本高。1.业务需求业务需求-解决思路解决思路 解决思路

4、解决思路:结合结合“面向面向对对象象+深深度度学学习习”方法来进行地物识别分类方法来进行地物识别分类1）解解决地决地物物分不分不开开问题问题：通过多尺度对象完全融合实现不同尺度对象上同时编辑。因为自然界的地物本身就是在不同尺度上的，在不同尺度上切换编辑，提高了解译精度，减少后期人工矢量编辑工作2）解解决地决地物物分类分类不不准确问题准确问题：通过 深度学习来学习不同对象的纹理、环境等高级特性，形成深度学习模型来进行对象分类，这是目前分类问题最好的解决方案 2.解决方案解决方案-总体思总体思路路基于基于“面向对象面向对象+深度学习深度学习”实现信息提取及变化监测实现信息提取及变化监测遥感影遥感影

5、像像自动处理自动处理地类信息地类信息提提取取变化监测变化监测规则库规则库建建设设基于对基于对象象后编辑后编辑遥遥感感影像影像深深度度学习学习 模型模型构建规构建规则则库库模型库自动模型库自动 构建构建长长时时间间序序列列 样本提取样本提取模型训练模型训练辅助文件辅助文件训练样区训练样区文文件件 (shp)(shp)典型地类典型地类描描述文述文 件件(clf)(clf)1 12 23 3基基于于 面向对面向对象象+深度学深度学习习 方法构建方法构建遥感影像自动 获取及预处理地物分类目标识别变化监测水利行业应用业 务 流 程123规则库建设规则库建设包括基础数据的准备及分类规则库建设遥感影像自动解

6、译遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导基于对象矢量后编辑及成果导出出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案解决方案-总体思路总体思路文件1：参与训练样本的自动提取、模型训练文件2：参与信息的自动提取及变化监 测1）辅助文件准备辅助文件准备地类描述文件地类描述文件准备两个地类描述准备两个地类描述XML文件，文件格式如下：文件，文件格式如下：XML文件制作文件制作人机交互界面人机交互界面 2.解决方案解决方案-规则库建规则库建设设监测区域监测区域 遥感影像遥感影像方方法法1 1：基于已有：基于已有矢矢量量 矢量矢量数数据据格格式转换式转换方方

7、法法2 2：基于基于面面向向对对象法象法 基基于面向于面向 人工编辑人工编辑 信息提取信息提取方方法法3 3：基于深度：基于深度学学习规则法习规则法 基于已基于已有有人工编辑人工编辑 规规则提取则提取训练样区训练样区 文文件件(sh(shp p)典型区域典型区域AOI(shp)AOI(shp)典型地类描典型地类描述文述文件件(clf)(clf)输出输出1）辅助文件辅助文件准准备备训训练练样样区文区文件件输输入入典型典型地地类类信息信息提提取取训练样区矢量文件格式如下：训练样区矢量文件格式如下：2.解决方案解决方案-规则库建设规则库建设第一步：设置样区范围第一步：设置样区范围第二步：训练样区制作

8、第二步：训练样区制作方法方法2 2：基于面向对象法制作：基于面向对象法制作方法方法3 3：基于深度学习规则制作：基于深度学习规则制作1）辅助文件）辅助文件准准备备训训练练样样区文区文件件方方法法2、方法、方法3训练样区制作步骤训练样区制作步骤 2.解决方案解决方案-规则库建规则库建设设2）构建规则构建规则库库训练训练样样本本提提取取第二步：人工编辑第二步：人工编辑删除有云区域或提取错误样本，并重新导出第一步：自动提取第一步：自动提取.2.解决方案解决方案-规则库建设规则库建设2）构建规则构建规则库库模型模型训训练练模型训练结果模型训练结果模型训练模型训练 2.解决方案解决方案-规则库建规则库建

9、设设123规则库建设规则库建设包括基础数据的准备及规则库建设遥感影像自动解译遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导基于对象矢量后编辑及成果导出出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案解决方案-总体思路总体思路业 务 流 程1）信息自动信息自动提提取取信息提取信息提取信息提取结果信息提取结果1）基于已有规则的信息提取基于已有规则的信息提取2）基于训练样区信息提取基于训练样区信息提取遥感影像遥感影像自动分类结果自动分类结果 2.解决方案解决方案-遥感影像自动解遥感影像自动解译译信息提取结果分析信息提取结果分析1）信息自动）信息自动提提取取分析结

10、果展示分析结果展示1）分类结果混淆矩阵）分类结果混淆矩阵2）错分数据分析空间展示）错分数据分析空间展示 2.解决方案解决方案-遥感影像自动解遥感影像自动解译译2）变化监测变化监测利用面向对象遥感影像分割利用面向对象遥感影像分割优优势实势实现现基于基于控控制边界制边界的的变化变化监监测测 2.解决方案解决方案-遥感影像自动解遥感影像自动解译译2）变化监测）变化监测基于控制边界的变化监基于控制边界的变化监测测变化监测变化监测1）基于控制边界的信息提取基于控制边界的信息提取2）变化监测）变化监测 2.解决方案解决方案-遥感影像自动解遥感影像自动解译译123规则库建设规则库建设包括基础数据的准备及规则

11、库建设遥感影像自动解译遥感影像自动解译实现遥感影像的信息自动提取及变化监测基于对象矢量后编辑及成果导基于对象矢量后编辑及成果导出出对分类后结果进行对象编辑及栅格、矢量导出2.解决方案解决方案-总体思路总体思路业 务 流 程 2.解决方案解决方案-基于对象矢量后编辑及成果导基于对象矢量后编辑及成果导出出基于面向对象分割后的对象进行对象编辑并将结果到出为栅格或矢量3.应用案例应用案例应用应用 案例案例水保水保 监测监测水政水政 执法执法种植种植 结构结构水源地水源地 监测监测洪涝洪涝监测监测3.应用案例应用案例应用应用 案例案例水保水保监测监测水政水政执法执法种植种植结构结构水源地水源地 监测监测

12、洪涝洪涝监测监测3.应用案例应用案例-水源地水体遥感监水源地水体遥感监测测业务目标业务目标以全国重要湖泊和水库等水源地作为监测目标，进行地表水体范围和水域面积的连续动态监测，自动地监测地表水体变化情况，揭示其时空变化 规律。3.应用案例应用案例-水源地水体遥感监水源地水体遥感监测测水 体 自 动 提 取水 体 自 动 提 取水体提取数据入库水体规则 自动检索自动获取高分数据 处理流程单个文件选择批量文件选择数据检索图像校正分类 规则提取规则编辑影像分割图像校正水体提取影像分割水体提取水体矢量生成是否需要 再编辑矢量编辑是 处理文件选择成果入库归档水 体 提 取 结 果 后 处 理水体提取 结果

13、检查不满足满足水体规则编辑水体提取水体矢量生成是否需要 再编辑否矢量编辑是成果入库归档否影像分割本机磁盘存储数据入库水 体 提 取 结 果 后 处 理水体提取 结果检查不满足满足水体规则编辑水体提取水体矢量生成是否需要 再编辑否矢量编辑是水 面 积 提 取水 面 积 提 取 信 息 后 处 理人工获取高分数据处理流程应急模式批量文件处理水体面积遥感监测系统业务流程设计专题分析及 产品制作人工录入数据库检索人工选择数据库检索专题分析指定水体水面积 变化时序分析指定空间水面积 变化时序分析专题分析及成果导出产品制作专题图制作按行政区查询按流域查询自定义查询水体提取信息矢量合并报告制作目录监听人工批

14、量导入图像校正根据系统业务需求分析成 果，通过对常规业务处理常规业务处理 和应急业务处理和应急业务处理两类业务 流程分析，系统业务流程 归纳为系统数据自动推送、系统数据自动推送、水面积信息提取、水面积水面积信息提取、水面积 提取信息后处理和专题分提取信息后处理和专题分 析产品制作析产品制作等四个阶段处 理过程。业务流程业务流程3.应用案例应用案例-水源地水体遥感监水源地水体遥感监测测成果展示成果展示3.应用案例应用案例应用应用 案例案例水保水保 监测监测水政水政执法执法种植种植结构结构水源地水源地 监测监测洪涝洪涝监测监测3.应用案例应用案例-水土保持水土保持业务目标业务目标以生产建设项目的地

15、表动土监测为目标，进行北 京市生产建设项目分季度、分年度监测，支撑北 京市水土保持监测和监管。3.应用案例应用案例-水土保持水土保持卫星遥感数据源首期遥感数据多期遥感数据现场调查结合解译建立解译标志现场调查结合解译建立 解译标志变化监测分析土地利用动 土 专 题 信 息 图土地利用生产建设项目 位置图动土空间分布要素解读要素解读地表动土地表动土 遥感监测遥感监测生产建设项目生产建设项目 动土提取动土提取业务流程业务流程3.应用案例应用案例-水土保持水土保持业务流程业务流程面向对象分割及深度学面向对象分割及深度学习习土地土地利利用用 信息提取信息提取3.应用案例应用案例-水土保持水土保持业务流程

16、业务流程变化检测的动土提变化检测的动土提取取3.应用案例应用案例-水土保持水土保持成果展示成果展示3.应用案例应用案例应用应用 案例案例水保水保 监测监测水政水政 执法执法种植种植结构结构水源地水源地 监测监测洪涝洪涝监测监测3.应用案例应用案例-湖北水政执法湖北水政执法业务目标业务目标为加强湖泊保护，保障湖泊功能，使千湖之省碧水长流，建设湖泊卫星遥感监测系统，利用遥感影像和识别技术，实现全省755个湖泊及湖泊水体管理范围内违建情况的变 化监测和分析，用来指导当地水政部门违建取证。3.应用案例应用案例-湖北水政执法湖北水政执法湖泊影像裁切湖泊影像裁切湖泊影像入库湖泊影像入库湖泊影像查询湖泊影像

17、查询湖泊水体提取湖泊水体提取湖泊违法侵占提取湖泊违法侵占提取水体成果入库水体成果入库违法侵占信息入库违法侵占信息入库制图统计制图统计遥感影像预处理数据管理湖泊水体信息提取制图统计业务流程业务流程3.应用案例应用案例-湖北水政执法湖北水政执法成果展成果展示示湖泊监测系统的开发及管理范围内违建提湖泊监测系统的开发及管理范围内违建提取取3.应用案例应用案例-湖北水政执法湖北水政执法成果展示成果展示3.应用案例应用案例应用应用 案例案例水保水保 监测监测水政水政执法执法种植种植结构结构水源地水源地 监测监测洪涝洪涝监测监测3.应用案例应用案例-洪涝灾害遥感监洪涝灾害遥感监测测基于遥感影像的 洪涝灾害信

18、息提取洪涝灾害 评估报告快速、准确业务目标业务目标洪涝灾害 事件发生3.应用案例应用案例-洪涝灾害遥感监洪涝灾害遥感监测测业务流程业务流程3.应用案例应用案例-洪涝灾害遥感监洪涝灾害遥感监测测成果展成果展示示洪涝灾害监测系统洪涝灾害监测系统3.应用案例应用案例-洪涝灾害遥感监洪涝灾害遥感监测测成果展示成果展示3.应用案例应用案例应用应用 案例案例水保水保 监测监测水政水政执法执法种植种植 结构结构水源地水源地 监测监测洪涝洪涝监测监测3.应用案例应用案例-灌区作物种植结灌区作物种植结构构业务目标业务目标为满足灌区干旱监测需求，快速、准确识别灌区作物种 植信息，利用面向对象和深度学习的方法，提取

19、作物覆 盖情况，以河北省冬小麦地提取为例，进行方法研究。3.应用案例应用案例-作物种植结构作物种植结构以河北省冬小麦为例种植结构提取方法以河北省冬小麦为例种植结构提取方法以提取冬小麦种植空间分布结构为例，梳理农作物种植空间分布提取技术。选 择高分一号卫星,分辨率16m的遥感数据 作为主要数据源之一。此外还包括的数据源有：1河北省土地利用分类栅格数据2河北省县级行政区划矢量数据3河北省农作物种植物候信息4中国种植业信息网3.应用案例应用案例-作物种植结构作物种植结构1）影）影像像选取选取由河北省主要作物物候表可以看出，3月中上旬耕地内只有冬小麦生长，因 此选取3月中上旬GF-1遥感影像作为提取冬

20、小麦源数据。GF-1号卫星2017年3月8日河北地区遥感影像图3.应用案例应用案例-作物种植结构作物种植结构影像分割前影像分割后2）面向对象分割）面向对象分割面向对象方法是以影像对象“Image object”为处理单元，而不是遥感影像的单个像 元，该方法的基本处理对象是通过多尺度分割产生的，即按照一定的均质性条件对 原始影像中的像元进行区域合并形成同质相邻像元的集合体。面向对象的信息提取 方法是在利用遥感影像光谱信息的基础上，还综合的考虑影像对象的空间信息、纹 理信息以及领域对象的关联信息等。面向对象影像分割示意图如下所示：3.应用案例应用案例-作物种植结构作物种植结构2）基基于于NDVI阈

21、值样本筛选阈值样本筛选具体面向对象分割参数选择3 个分割尺度，分别为50、30、18，平滑度选择0.5。然后进 行NDVI阈值提取。在NDVI阈值过程中发现，无 法完全将冬小麦与山林区分 开来，因此将冬小麦与山林 一起提出，而后利用深度学 习分类方法进行分类。左图为NDVI阈值提取结果图（图内右上黄 色部分为山林，右下大面积黄色部分为冬小 麦种植区）3.应用案例应用案例-作物种植结构作物种植结构基于NDVI阈值提取出的对象挑选样本并分类，分为冬小麦和非冬小麦两类，此处深度学习分类方法主要是基于卷积神经网络对样本进行学习从而对图 像进行分类。下图为分类结果展示。上图中橘色代表林地 黄色代表冬小麦种植区上图为分类结果中冬小麦种植区细部图3.应用案例应用案例-作物种植结构作物种植结构4）结果展示）结果展示最终将【面向对象分割+NDVI阈值+深度学习分类】的方法分别应用于 全覆盖河北省的14幅影像，获得矢量并进行拼接，从而完成整个河北省 的冬小麦种植提取。河北省冬小麦种植空间分布结果如下图所示。