基于卷积神经网络的遥感图像水体提取*

张铭飞， 高国伟， 胡敬芳， 宋 钰

(1.北京信息科技大学 传感器北京市重点实验室，北京 100101；2.北京信息科技大学 现代测控技术教育部重点实验室，北京 100192；3.传感器联合国家重点实验室 中国科学院空天信息创新研究院，北京 100190)

0 引 言

水资源可用性是旱地可持续发展的主要限制因素。气候变化加剧了人与环境之间的用水需求冲突，凸显了有效水资源管理对于实现经济发展与环境保护之间平衡的重要性。2008年，中国北方典型旱地内蒙古提出了严格的水资源开发利用规定，以实现可持续发展。随着全国水资源保护政策的提出，水域变化监测显得尤为重要。

现阶段用来进行水体提取的方法主要有阈值法[1]、决策树法[2]、支持向量机(SVM)法[3]。王鑫等人[4]将图像的局部二值模式(local binary patterns,LBP)和频谱特征通过视觉词袋模型进行融合，以增强遥感影像中的水体目标特征表达能力，设计了基于词袋的遥感图像水体识别模型。然而由于该方式是在频域范围内对水体进行特征提取，并不能完全表征目标的特定信息。

陈坤等人[5]使用具有三层卷积层的神经网络模型，经过训练实现对遥感水体的提取；何海清等人[6]将水体指数与卷积神经网络(convolutional neural network,CNN)相结合建立水体提取模型，水体识别精度达到了94.19 %；何红术等人基于U-Net模型，经过改进提高了其识别精度。以上文献表明，CNN可用于水体识别，但这些模型的识别精度并不高，而且有些模型的网络结构较为复杂。

针对现有的网络结构复杂，模型训练收敛慢等问题，基于CNN，本文提出了一种用于遥感图像水体提取的模型。……