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：华中科技大学

摘要：本发明提供一种基于深度学习与空间信息融合的洪水提取与定位方法，涉及深度学习与空间信息技术领域，包括：构建洪水水体区域识别网络模型；所述洪水水体区域识别网络模型包括张量转换模块、水体初步特征提取单元、SE注意力机制模块、膨胀卷积模块和水体分割决策模块；通过无人机拍摄并经预处理后，得到目标区域影像，输入到训练完成的洪水水体区域识别网络模型，从目标区域影像中提取并生成洪水掩膜图像，并实现洪水区域定位。本发明解决水体对象的多尺度和多特征问题，增强水系的特征表示，实现洪水的精确提取；自动识别洪水掩膜图像与地理参考图像之间的相似对应关系，实现洪水的精准提取与定位。

主权项：1.一种基于深度学习与空间信息融合的洪水提取与定位方法，其特征在于，包含以下步骤：步骤S1，获取洪水图像原始影像；步骤S2，对所述洪水图像原始影像进行预处理，得到洪水图像样本，由此形成洪水图像训练样本集；步骤S3，构建洪水水体区域识别网络模型；所述洪水水体区域识别网络模型包括张量转换模块、水体初步特征提取单元、SE注意力机制模块、膨胀卷积模块和水体分割决策模块；步骤S4，采用所述洪水图像训练样本集对所述洪水水体区域识别网络模型进行训练，得到训练完成的洪水水体区域识别网络模型，具体训练方法为：步骤S4.1，洪水图像样本为RGB格式，其高度为H，宽度为W，通道数为C；步骤S4.2，采用公式1，通过张量转换模块将洪水图像样本转换为张量I：I∈RH×W×C1步骤S4.3，将张量I输入水体初步特征提取单元，提取得到水体特征图其中，水体特征图的高度为H'，宽度为W'，通道数为C'；步骤S4.4，将水体特征图输入SE注意力机制模块；采用公式2，SE注意力机制模块将水体特征图的每个通道k压缩为该通道k的描述向量zk： 其中：k＝1,2,...,C'，代表水体特征图的第k个通道；代表水体特征图的通道k中，第i行第j列位置像素点的像素值；步骤S4.5，采用公式3，SE注意力机制模块根据全局特征动态调整通道k的描述向量zk，将通道k的描述向量zk动态调整为描述向量sk,描述向量sk即为通道k的自注意力权重：sk＝σW2δW1zk3其中：W1代表第1全连接层；δ代表ReLU激活函数；W2代表第2全连接层；σ代表Sigmoid激活函数；步骤S4.6，采用公式4，将自注意力权重sk作用到水体特征图调整水体特征图各个通道的自注意力权重，从而得到经过SE注意力机制调整后的水体特征图 步骤S4.7，采用公式5，对SE注意力机制调整后的水体特征图进行膨胀卷积操作，得到水体特征图Fdilated： 其中：d代表膨胀率；Γdilated代表膨胀卷积操作；步骤S4.8，将所述水体特征图Fdilated输入到多尺度融合模块，所述多尺度融合模块输出多尺度融合后的水体特征图FminiUNet：步骤S4.9，将多尺度融合后的水体特征图FminiUNet输入到决策卷积层，决策卷积层通过1×1卷积将水体特征图FminiUNet转换为单通道输出，得到洪水掩膜图像Fmask：步骤S4.10，设置损失函数及自降学习率；通过损失函数设计损失值；如果没有达到训练终止条件，则采用学习率衰减方法动态降低调整学习率，循环进行洪水水体区域识别网络模型的训练过程，直到达到训练终止条件，得到训练完成的洪水水体区域识别网络模型；步骤S5，实际使用时，通过无人机拍摄并经预处理后，得到目标区域影像，输入到步骤S4训练完成的洪水水体区域识别网络模型，从目标区域影像中提取并生成洪水掩膜图像Fmask；步骤S6，通过地理编码与影像匹配算法，将洪水掩膜图像Fmask与空间信息进行匹配，使洪水掩膜图像Fmask中每个像素点具有精确地理坐标，实现空间信息融合，得到洪水区域定位信息。

全文数据：

权利要求：

百度查询： 华中科技大学 一种基于深度学习与空间信息融合的洪水提取与定位方法