本發(fā)明屬于水體圖像提取，具體涉及一種顧及高分辨率遙感影像陰影的城市水體提取方法。

背景技術：

1、水體是城市生態(tài)系統(tǒng)和城市自然景觀中不可或缺的組成部分，更是城市可持續(xù)發(fā)展的主要驅動力之一，其中小微水體猶如城市中的“毛細血管”，數(shù)量龐大、分布廣泛，且容易受到污染，對城市生態(tài)環(huán)境有著舉足輕重的影響。通過城市小微水體提取，可了解其分布、面積變化，對監(jiān)測和保護城市水體具有重要意義。當前提取城市水體信息多使用中低分辨率多光譜遙感圖像進行信息提取，但由于其空間分辨率有限，無法準確識別水體目標的邊緣和紋理等空間細節(jié)，無法區(qū)分水目標和其他特征，導致難以提取水塘、狹窄河流等小型水體，不利于后期分析和監(jiān)測工作展開，給水體精確劃定和定量分析帶來困難。

2、隨著遙感圖像空間與光譜分辨率的不斷提升，展示地物細節(jié)能力得到顯著提高，為城市水體的識別與提取提供可靠的數(shù)據(jù)源，大大提高城市水體提取的精度。然而，光學高分辨率遙感圖像雖然為地表水體提取提供豐富的有效信息，如光譜特征、紋理特征等，但仍然面臨一些挑戰(zhàn)：一是，高分辨率遙感圖像的光譜信息有限，無法充分利用額外的波段（如短波紅外波段）來提取水體信息，導致在圖像特征上水體與陰影等低反射率物體非常相似，很容易產(chǎn)生混淆，出現(xiàn)同譜異物現(xiàn)象；二是，水體含沙量和水生植物密度的差異會導致遙感圖像中水體的光譜變化，出現(xiàn)同物異譜現(xiàn)象；三是，遙感圖像中的小目標提取是一個難題，小型水體很容易受到周圍環(huán)境的影響；四是，在城市建筑密集區(qū)域，建筑陰影對城市水體提取的干擾最為嚴重。微小水體分布在城市的各個角落，與城市中建筑相互交織，構成復雜的場景，建筑的陰影常常遮擋部分水體，導致水體邊界模糊不清，甚至被誤認為建筑物的一部分。此外，陰影的光譜和紋理特征與水體極為相近，存在嚴重的同譜異物現(xiàn)象，特別對于面積較小、形狀不規(guī)則的微小水體而言，這種混合地物極大地影響提取的準確性。

3、針對遙感圖像中的陰影問題，目前研究主要集中在陰影檢測（或提?。┖完幱把a償（或恢復）方面，主要有基于特征和基于深度學習的方法，但是，無論是傳統(tǒng)的基于特征的方法，還是基于深度學習的方法，都必須對遙感圖像進行準確的陰影檢測，才能精確地提取陰影。在陰影檢測領域，現(xiàn)有方法通常需要耗費大量時間和精力。除了人工直接提取陰影外，即便是利用深度學習自動檢測陰影，也需要先手工制作陰影樣本集用于模型訓練。基于輻射傳輸理論，wen等提出了一種簡單陰影修復方法（reflectance?equality?relationshipbased?method，rerb），通過建立輻射傳輸方程，準確還原陰影特征的反射率和光譜形狀信息，但其存在以下兩個主要缺陷：首先，人工目視解譯提取陰影區(qū)域是該方法難以解決的痛點，在實踐中，人工目視解譯過程繁瑣、費時，并且可能受主觀因素的影響引入誤差；其次，陰影的存在是通過遙感圖像感知地物層次信息的基本要求，完全去除陰影可能導致遙感圖像缺乏層次感。

技術實現(xiàn)思路

1、本發(fā)明的目的在于，提供一種顧及高分辨率遙感影像陰影的城市水體提取方法，能自動估算并增強陰影區(qū)域的環(huán)境散射輻亮度，弱化陰影，凸顯陰影內(nèi)的地物，既保留了遙感影像的整體層次，又保留了陰影內(nèi)地物細節(jié)，實現(xiàn)了城市水體信息的精準提取。

2、為解決上述技術問題，本發(fā)明的技術方案為：一種顧及高分辨率遙感影像陰影的城市水體提取方法，包括以下步驟：

3、s1、基于高分辨率遙感影像，對現(xiàn)有城市水體數(shù)據(jù)集進行圖像分割、數(shù)據(jù)處理得到高分辨率城市水體遙感圖像數(shù)據(jù)集；數(shù)據(jù)處理包括數(shù)據(jù)清洗、樣本均衡、數(shù)據(jù)歸一化、數(shù)據(jù)增強以及數(shù)據(jù)集劃；

4、s2、構建基于輻射傳輸和幾何光學的陰影地物特征校正模型，引入k-m方程、亮通道先驗理論、導向濾波方法和建筑密度數(shù)據(jù)估算并提升陰影區(qū)域的環(huán)境散射，增強陰影遮蔽地物的亮度特征，減弱高大建筑和地形的陰影干擾，得到陰影增強算法模型,以實現(xiàn)陰影內(nèi)部地物特征的恢復；

5、s3、在網(wǎng)絡模型中添加注意力機制和損失函數(shù)進行優(yōu)化，得到優(yōu)化網(wǎng)絡模型，以增強對微小水體的關注度；

6、s4、將高分辨率城市水體遙感圖像數(shù)據(jù)集先后輸入陰影增強算法模型和優(yōu)化網(wǎng)絡模型中，得到水體遙感增強圖像，完成城市水體信息提取。

7、s2中基于輻射傳輸和幾何光學的陰影地物特征校正模型的工作原理為：

8、根據(jù)輻射傳輸原理和朗伯表面假設，對光照區(qū)域和陰影區(qū)域的表面反射率進行反演；

9、假設光照區(qū)域和陰影區(qū)域包含相同特征的地物，則認為朗伯表面條件下該地物的陰影區(qū)域表面反射率與光照區(qū)域表面反射率相等；

10、為降低誤差的影響，使用輻射亮度來恢復陰影信息。

11、s2中引入k-m方程估算陰影區(qū)域的環(huán)境散射的過程為：

12、通過k-m方程描述物質光譜的吸收和散射過程的共同作用；

13、在光照區(qū)域，因為太陽直射光強烈，散射輻射對地物的影響可忽略不計，因此，不考慮四通量的k-m方程組中的太陽直射光通量，僅采用二參數(shù)的二流近似來求解輻射傳輸過程；

14、基于k-m方程求解以優(yōu)化陰影地物特征校正模型中陰影信息的恢復，利用局部陰影密度來估計周圍環(huán)境散射的強度。

15、s2中引入建筑密度數(shù)據(jù)對陰影地物特征校正模型中陰影區(qū)域的局部環(huán)境散射進行估算的方法為：

16、利用獲取到的城市建筑輪廓的矢量數(shù)據(jù)，通過計算建筑密度數(shù)據(jù)來估算陰影面積密度；同時考慮到局部地區(qū)環(huán)境散射強度與該地區(qū)的陰影密度呈負相關；通過暗對象減法對大氣路徑程輻射進行計算。

17、s2中引入亮通道先驗理論對陰影地物特征校正模型中陰影區(qū)域的局部環(huán)境散射進行估算與提升的方法為：

18、根據(jù)亮通道先驗理論增強陰影地物特征校正模型中陰影遮蔽地物的亮度特征，減弱高大建筑和地形的陰影干擾，亮通道圖在某一像素處的值趨向于大氣光的強度，其表示為：

19、

20、其中，為根據(jù)亮通道先驗理論獲得的大氣光值：

21、

22、其中，c為某一個顏色通道，r、g、b分別對應紅波段、綠波段、藍波段通道，為圖像j中y位置對應c通道的亮度值。

23、還包括引入暗通道先驗理論對陰影地物特征校正模型中陰影區(qū)域的局部環(huán)境散射進行估算與增強，具體為：將暗通道先驗理論和亮通道先驗進行結合形成混合通道模型，以更全面地估算大氣光值；

24、采用雙窗口擬合來計算暗通道圖和亮通道圖，借助圖像形態(tài)學操作中腐蝕膨脹運算來減弱過高或過低反射率物體和噪聲的影響，使用較大卷積模板減弱過高或過低反射率物體的干擾，較小卷積模板消除高亮度噪聲，并將兩卷積模板的計算結果進行融合；其中，較大卷積模板和較小卷積模板的窗口大小分別為a×a和b×b，且a＞b。

25、采用雙窗口擬合來計算暗通道圖和亮通道圖并融合估算大氣光值的具體步驟為：

26、通過使用窗口大小為a×a和b×b的卷積模板，對陰影圖像進行膨脹運算得到亮通道圖，進行腐蝕運算得到暗通道圖；

27、對腐蝕膨脹運算得到的兩計算結果圖進行線性擬合，得到去噪后的兩對應擬合圖；

28、對兩擬合圖計算分別得到暗通道圖和亮通道圖；

29、對計算得到的暗通道圖和亮通道圖中的像素根據(jù)亮度大小分別進行排序，將其中亮度最高的前0.1%像素的平均值作為大氣光值；

30、利用混合通道模型計算得到最終的大氣光值,引入最大全局大氣光值，以防止大氣光超出正常值。

31、s2中引入導向濾波對陰影地物特征校正模型中陰影區(qū)域的局部環(huán)境散射進行增強的方法為：

32、根據(jù)導向濾波的局部線性優(yōu)化通過引導圖像對輸入圖像的邊緣進行平滑處理；

33、定義一個線性濾波器，在一個像素處的線性濾波器表示為：

34、

35、其中，表示引導圖像，表示輸入圖像，表示濾波結果即輸出圖像，為濾波的核函數(shù)，即濾波權重；和均為像素坐標；表示像素坐標的輸入圖像；

36、導向濾波的核心假設是引導圖像與輸出圖像呈線性關系，因此導向濾波可視為一種局部線性濾波，其濾波過程表示為：

37、

38、其中，為以像素為中心、半徑設定為的一個窗口；和均表示窗口內(nèi)的常數(shù)系數(shù)；為像素坐標的引導圖像；

39、對式（4）兩邊求導得到：

40、

41、其中，a為線性函數(shù)系數(shù)。

42、要實現(xiàn)保邊平滑效果，參數(shù)和應隨著圖像位置變化而變化，在邊緣區(qū)域讓盡量大以保證梯度，在平滑區(qū)域讓盡量小，以保證輸入圖像和輸出圖像的差異最小，為求解線性系數(shù)和，建立窗口最小化下的代價函數(shù)，將線性系數(shù)和求解轉化為代價函數(shù)最小值求解問題，表示為：

43、

44、式中，為窗口內(nèi)的常數(shù)系數(shù)分別為和時的代價函數(shù)，為窗口內(nèi)的一個像元，是正則化參數(shù)，用于避免過大；

45、根據(jù)最小二乘法原理求得最優(yōu)解，表示為：

46、

47、其中，和分別為引導圖像在濾波窗口中的均值和方差；為濾波窗口中的像素數(shù)；為輸入圖像在濾波窗口中的平均值；其中，正則化參數(shù)與之間存在線性關系，越小時越大，則圖像邊緣信息更加清晰；反之越大時越小，圖像邊緣特征部分丟失；

48、將線性模型應用到整張圖像的所有局部窗口，對多個窗口作用下的線性函數(shù)值求平均值，表示為：

49、

50、其中，表示應用導向濾波對透射率細化過程中像素點細化后的透射率值；為像素點處擬合后線性函數(shù)的斜率；為像素點處擬合后線性函數(shù)的截距。

51、對網(wǎng)絡模型進行優(yōu)化的方式為：在網(wǎng)絡模型中添加注意力機制和損失函數(shù)進行優(yōu)化，得到優(yōu)化網(wǎng)絡模型，s3中優(yōu)化網(wǎng)絡模型的構造過程為：

52、s3.1、在網(wǎng)絡模型中編碼器部分，遙感圖像先經(jīng)過兩次3×3卷積操作得到第一層特征層，第一次卷積后，第一層特征層的大小不變且通道數(shù)增加至64個；第二次卷積僅用于特征融合，第一層特征層的大小和通道數(shù)均維持不變；

53、s3.2、將第一層特征層通過2×2的最大池化操作，將其尺度縮小到128×128；

54、s3.3、對s3.1和s3.2進行5次重復操作，得到尺度為16×16×1024的特征層；

55、s3.4、在解碼器部分進行2×2的上采樣，以將在編碼階段中提取的特征尺度恢復到其原始大小，在上采樣過程中，特征通道的數(shù)量減半；

56、s3.5、在解碼器部分添加注意力機制cbam模塊，在跳躍連接階段，使用密集連接策略來增加該網(wǎng)絡的深度和寬度，并在不同的層次上整合圖像特征。

57、還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一項所述方法的步驟。

58、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

59、本發(fā)明利用高分辨率遙感圖像的有限信息，構建改進的輻射傳輸模型，利用亮通道先驗理論和導向濾波算法對該模型進行求解，自動估算并增強陰影區(qū)域的環(huán)境散射輻亮度，弱化了陰影，凸顯陰影內(nèi)的地物，既保留了遙感影像的整體層次，又保留了陰影內(nèi)地物細節(jié)，再結合深度學習，實現(xiàn)了城市水體信息的精準提取，尤其適用于城市小微水體信息提取。