本技术公开了一种基于改进深度学习模型的洪灾水体智能识别方法,属于地质灾害信息处理技术领域,包括以下步骤:数据收集与预处理,生成数据集;基于生成的数据集,集成Canny边缘检测算子、归一化水体指数、局部二值模式LBP算子纹理形成多特征融合图数据集;构建DeepWFNet网络模型;将多特征融合图数据集输入DeepWFNet网络模型进行洪水淹没范围识别,得到洪水识别结果;对洪水识别结果进行可视化优化与评估。本发明通过加入边缘特征、光谱特征、纹理特征与DeepWFNet模型相结合,可以在保持局部特征提取能力的同时,增强模型对全局信息的理解能力,从而显著提高对洪水淹没区域的分割精度。
背景技术
洪水作为一种常见的自然灾害,其造成的破坏往往是极为严重的。根据统计数据,全球每年因洪水引发的经济损失高达数百亿美元,且造成大量人员伤亡。为了有效减轻洪水灾害造成的损失,及时、准确地获取洪水淹没范围信息是应急响应和灾后恢复的重要环节。然而,传统的洪水淹没范围识别方法在数据获取和处理效率上存在较大局限性,导致在实际应用中效果不理想。
现有的洪水监测和评估技术主要依赖于遥感技术、地面监测和水文模型等多种手段。遥感技术能够为大范围区域提供及时的影像数据,成为洪水监测的重要工具。随着卫星和无人机技术的快速发展,不同载体的遥感影像成为洪水监测的重要补充,因此越来越多的研究者开始尝试将深度学习技术应用于洪水监测。深度学习作为新兴的一种技术,已在图像识别、语音处理等多个领域取得了显著成果,深度学习通过构建多层卷积网络模型、自动提取数据特征,能够有效提高图像分割和分类的精度。
近年来,基于深度学习的图像分割技术逐渐应用于洪水淹没范围的识别中,因其强大的图像分割能力而备受关注。特别是卷积神经网络(CNN)因其强大的特征提取能力,成为许多图像分割任务的主流选择。其中,DeepLabV3+模型在图像分割任务中表现出色,但仍然存在一些局限性,尤其是在处理大规模图像和复杂场景时,容易受到噪声和局部特征的干扰。而Transformer类型的模型通过自注意力机制在图像全局范围内建模特征关系,使得模型能够更好地捕捉复杂的上下文信息,在此类场景中能较好地处理这些问题。
实现思路