基于遥感图像水体识别与检测研究综述

地表水的勘测对于海岸线变化、环境保护、防灾减灾、水质检测都有重要的意义,借助遥感图像可以快速、反复、精确地获取到地表水的时空分布特征。文章调研国内外学者在遥感图像水体识别方向的研究成果,简述基于遥感技术的水体识别方法。其中,阀值法通过对水体和背景地物的光谱曲线进行分析,选取适合的阈值进行图像分割,操作简单便利,存在信噪比低、易将水体与背景地物混淆的问题。决策树法和自动提取水体法解决了阈值法的显著缺点,然而很难在精确度上得到进一步的提升。近年来,随着深度学习的广泛应用,逐渐被用于遥感图像的水体提取,深度学习方法具有优秀的特征提取能力,在提取精度上有很大提升,然而深度学习过度依赖带有标签的样本数据,因此具有一定的局限性。对样本进行标记需要消耗大量的时间、人力,因此,无监督学习对于遥感图像的水体识别具有重要意义。

基于卷积神经网络的遥感图像水体提取

为解决基于遥感图像监测地表水资源变化的问题,在深度学习的框架下,基于卷积神经网络(CNN)提出了用于遥感图像水体提取的模型。利用网络爬虫的方式,搜集遥感图像,并通过随机裁剪、数据清洗等方式构建训练、验证和测试数据集。通过对低层语义特征学习提取抽象的高层特征,基于提取的高层特征进行网络模型训练。实验结果表明:水体提取的精读准确率可高达96.28%,从而验证了所提模型对于遥感图像水体提取的可行性和有效性。