买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京建筑大学;航天科工(北京)空间信息应用股份有限公司

摘要：本发明公开了一种基于国产高分卫星的洪涝灾害三维信息提取方法，包括以下步骤：构建基于密集空洞卷积的教师网络，输入洪涝灾害空间地形数据、降雨事件的统计数据，利用编码器‑解码器结构，得到洪涝水体淹没深度概率分布pDepth；构建基于空间‑光谱特征融合的学生网络，输入高分二号全色和多光谱卫星遥感数据，得到国产高分卫星数据洪涝水体淹没范围概率分布pRange；将洪涝水体淹没深度概率分布pDepth和洪涝水体淹没范围概率分布pRange一并输入到知识蒸馏策略模块中，得到洪涝水体的淹没深度和淹没范围，加快整体网络结构的收敛速度。本发明能同时获取洪涝水体的淹没深度和淹没范围，形成洪涝水体三维信息，有助于监测洪涝灾害演变过程，为应急救灾提供决策支持。

主权项：1.一种基于国产高分卫星的洪涝灾害三维信息提取方法，其特征在于，包括以下步骤：S100、构建基于密集空洞卷积的教师网络ContextExtractorTeacherNet，CETNet，输入洪涝灾害空间地形数据、降雨事件的统计数据，利用编码器-解码器结构，得到洪涝水体淹没深度的概率分布pDepth；S200、构建基于空间-光谱特征融合的学生网络Spatial-SpectralFusionStudentNetwork，SSFSNet，输入高分二号全色和多光谱卫星遥感数据，得到国产高分卫星数据洪涝水体淹没范围的概率分布pRange；S300、将所述洪涝水体淹没深度的概率分布pDepth和所述洪涝水体淹没范围的概率分布pRange一并输入到知识蒸馏策略模块中，利用知识蒸馏损失函数和逐像素损失函数得到所述洪涝水体淹没深度和淹没范围，加快整体网络结构的收敛速度；所述教师网络ContextExtractorTeacherNet，CETNet具体包括：降雨特征提取模块、ResNet-101编码器、密集空洞卷积模块DenseAtrousConvolution，DAC、金字塔池化模块和DeconvNet解码器；所述S100具体步骤为：S110、利用所述降雨特征提取模块将降雨事件的统计数据转化为降雨特征S120、将所有的洪涝水体空间地形数据一并输入至所述ResNet-101编码器，提取所述洪涝水体空间地形数据特征S130、将所述洪涝水体空间地形数据特征输入至所述密集空洞卷积模块DenseAtrousConvolution，DAC，利用不同的感受野获取到不同尺寸的洪涝水体高级语义特征将其与步骤S110中得到的所述降雨特征进行Concat操作，获得含有降水信息的空间地形特征S140、将含有所述降水信息的空间地形特征输入至所述金字塔池化模块，得到含有上下文信息空间地形特征S150、利用所述DeconvNet解码器对含有所述上下文信息空间地形特征进行上采样，恢复特征图的尺寸，得到洪涝水体淹没深度的概率分布pDepth；所述构建基于空间-光谱特征融合的学生网络Spatial-SpectralFusionStudentNetwork，SSFSNet包括：基于ResNet-101编码器的空间-光谱特征提取模块、空间-光谱特征交互模块、空间-光谱特征融合模块和解码器；所述S200步骤具体为：S210、利用网格单元法分别对高分二号全色影像PANimage和多光谱影像MSimage进行切片，得到大小为224×224的影像块；S220、将所述全色影像和所述多光谱影像的相对应的每一个影像块依次输入至所述基于ResNet-101编码器的空间-光谱特征提取模块，分别得到洪涝水体空间特征和洪涝水体光谱特征S230、将步骤S220中的所述洪涝水体空间特征Ispa和所述洪涝水体光谱特征Ispe输入至空间-光谱特征交互模块，分别得到交互后的洪涝水体空间特征Is'pa和洪涝水体光谱特征Is'pe；S240、将步骤S230中提取的交互后的所述洪涝水体空间特征Is'pa和交互后的所述洪涝水体光谱特征Is'pe输入至所述空间-光谱特征融合模块，得到融合后的特征Ifuse，之后将其输入至SENet中，得到加权后的洪涝水体特征Ffuse；S250、将加权后的洪涝水体特征Ffuse输入至所述解码器，使用所述上采样和转置卷积来恢复特征图尺寸，提高特征图的分辨率，得到国产高分卫星数据洪涝水体淹没范围的概率分布pRange；S260、重复步骤S210至步骤S250，将每一个影像块所获取的淹没范围概率分布进行合并，最终形成整个影像的所述洪涝水体淹没范围概率分布；所述知识蒸馏损失函数如下： 其中，pDepth为洪涝水体淹没深度概率分布，由教师网络训练得到；pRange为洪涝水体淹没范围概率分布，由学生网络训练得到；α是在交叉熵损失logpRange和回归损失smoothL1pRange-pDepth之间平衡的超参数，α＝0.5，N是类的数量；所述逐像素损失函数如下： 其中，是教师网络的淹没深度概率分布的平均值，而是第i个像素的二值化不确定性，通过对逐像素方差进行中值阈值处理获得；具体来说，如果像素的方差高于中值阈值，将该像素的二值化不确定性设为1，即：高不确定性；如果低于中值阈值，将该像素的二值化不确定性设为0,即:低不确定性。

全文数据：

权利要求：

百度查询： 北京建筑大学 航天科工(北京)空间信息应用股份有限公司 一种基于国产高分卫星的洪涝灾害三维信息提取方法