本技术涉及图像处理，特别涉及一种地表水体提取方法、装置、电子设备及存储介质。
背景技术：
1、地表水体是淡水的主要存储单元，也是人类可利用水资源的主要来源，其位置和持久性既受气候和人类活动的影响，同时也反向影响着气候、生物多样性和人类福祉。地表水体的存在形式主要为河、湖、冰、沼等。其中，河流和湖泊是地表水的重要组成部分，在水文循环过程中发挥着不可或缺的作用。然而，地表水体的分布具有动态性和复杂性，尤其是辫状河流具有特殊的地貌特征，传统的水域测绘调查研究方法耗时耗力，且难以提供全面、准确的水资源特征和演变规律信息。
2、随着水体定量与反演技术研究的不断深入，遥感作为一种便利、快速、高效和实时的对地观测技术，已经成为获取地表水体变化数据等地球资源数据的重要手段。目前，地表水体提取的传统方法经历了从单波段阈值法、谱间关系法、水体指数法到传统机器学习法的过程。
3、1)单波段阈值法
4、单波段阈值法是根据水体与背景地物在某一波段光谱反射率差异性较大这一特性，基于灰度直方图等通过选取合适的阈值有效分离水体与非水体。lu等基于landsat-5(陆地卫星5号)影像数据以近红外波段为基本波段，通过分析频率分布直方图确定水体分割阈值提取水体。zhang等通过选取近红外单波段灰度阈值提取达来诺尔湖并研究其1975-2008年间水域面积变化。
5、2)谱间关系法
6、chen等选取landsat etm+影像数据，将谱间关系法与单波段阈值法作对比，结果证明前者可以更好的消除山地阴影在水体提取过程中产生的干扰。wang等通过研究资源三号卫星影像中水体的光谱特征以及阴影的光谱特征，提出一种基于阈值的谱间关系法，与单波段阈值法、归一化差分水体指数法(normalized difference water index，ndwi)、支持向量机法(support vector machine，svm)相比提取效果有明显提升。
7、3)水体指数法
8、水体指数法基于波段比值运算扩大水体与背景地物的光谱差异，使水体在图像上的亮度增强，背景地物的亮度受到抑制，从而更容易区分出水体与非水体。2006年，xu在ndwi的基础上作出改进，基于绿波段和短波红外波段做比值运算构建了改进的归一化差异水体指数(modified normalized difference water index，mndwi)，该方法可有效抑制城市阴影噪声。feyisa于2014年提出的自动水体指数法(automated water extractionindex，awei)具有稳定的阈值，且能有效消除各种环境噪声以及地形起伏阴影带来的不利影响。2016年，oupa malahlela提出了一种简单水指数法(simple water index，swi)，该方法可有效解决植被及阴影堆积区所导致的混合像元问题，相比传统方法提取精度提高了10％左右。
9、4)传统机器学习
10、2012年，shen等利用面向对象(object-oriented，oo)的图像分析方法提取出了山区湖泊tm图像的水体信息。2018年，gong等基于gf-2遥感数据对比归一化差分水体指数(ndwi)、改进阴影水体指数(modified shadow water index，mswi)、支持向量机(svm)和面向对象法(oo)对中俄界河区域水体提取的效果，并探究各方法的优势与不足。结果表明，svm法提取效果最好且符合应用需求。
11、然而，由于“同谱异物、同物异谱”、地表水体与背景地物光谱特征信息区分度低等问题，在基于波段比值运算的指数型水体提取方法中，往往会造成对目标水体的过提或漏提。同时，传统机器学习上一独立模块产生的结果会对下一模块产生影响，进而影响整体训练结果。
12、在此背景下，深度学习方法由于避免了复杂的特征选择过程，在多波段遥感图像信息提取过程中具有很强的适用性而被广泛关注。近年来，深度学习模型逐渐应用于遥感图像的水体提取中。2015年，chen等人利用卷积神经网络提取水体，并通过与归一化差水指数(ndwi)等传统方法进行比较，证明了深度学习方法在水体提取中的有效性。2018年，feng等提出了一种增强的深度卷积编码器-解码器(dced，decoder-encoder)网络(或deep u-net)，该网络通过应用超像素分割和条件随机场(crf，conditional random field)专门针对遥感影像进行水体提取，有效降低了胡椒盐噪声，保留了水体的边缘结构。2023年，chen等提出了一种多级特征注意力融合网络(multi-level feature attention fusionnetwork，mfafnet)水体提取方法，结果表明，该方法对多源sar(synthetic apertureradar，合成孔径雷达)图像的水体提取效果显著优于其他网络(如deeplabv3+，mf2am，segformer)，平均用户精度可达87％。
13、然而，虽然深度学习的方法在地表水体提取领域得到了广泛的应用并取得了较好的效果，但是由于深度学习网络的学习特点及辫状水系的分布特点等，仍然有很多问题尚未解决：
14、(1)在数据集方面，缺少公开发布的用于语义分割任务的地表水体数据集。如worldfloods数据集等由sentinel-1和sentinel-2图像组成的数据集包含水类，但不是专门为水分割任务而创建的。因此，所采用的采样方案没有考虑水域类别的类内和类间变化。sen12-flood数据集提供图像级标签而不是像素级标签，不适用于细粒度水域分割。
15、(2)在深度学习发展过程中存在模型训练时间随网络深度的增加而增加、不同层级特征语义信息未能充分利用等问题。
16、(3)在水体提取过程中，由于辫状河流的特殊地貌特征以及分布特性，存在对小面积水体和细小河流提取不足等问题，亟需解决。
技术实现思路
1、本技术提供一种地表水体提取方法、装置、电子设备及存储介质，以解决在深度学习发展过程中存在模型训练时间随网络深度的增加而增加、不同层级特征语义信息未能充分利用，缺少公开发布的用于语义分割的水体数据集，在水体提取过程中存在小水体和细小河流提取不足等问题，通过编码器-解码器的u型对称网络架构并引入瓶颈结构和高效条形卷积注意力机制等，在目标区域实现了水系提取的良好效果。
2、本技术第一方面实施例提供一种地表水体提取方法，包括以下步骤：
3、获取目标区域的待测遥感影像；
4、对所述待测遥感影像进行预处理，得到遥感影像-地面水体实况标签对；
5、将所述遥感影像-地面水体实况标签对输入至高效局部条形卷积注意力(elsca，efficient local strip convolutional attention)地表水体提取模型，得到地表水体分割结果，其中，所述elsca地表水体提取模型由地表水体数据集训练elsca网络得到。
6、根据本技术的一个实施例，在将所述遥感影像-地面水体实况标签对输入至所述高效局部条形卷积注意力(elsca)地表水体提取模型之前，还包括：
7、获取地表水体数据集，其中，所述地表水体数据集包括影像-地表水体实况标签对；
8、对所述地表水体数据集进行划分，得到训练集和测试集，并利用所述训练集中的影像-地表水体实况标签对训练elsca网络，得到初始elsca地表水体提取模型；
9、基于所述测试集中的影像-地表水体实况标签对，通过损失函数更新所述初始elsca地表水体提取模型的模型参数，直至满足停止更新条件，得到所述elsca地表水体提取模型。
10、根据本技术的一个实施例，所述获取地表水体数据集，包括：
11、获取多个区域的遥感影像和每个区域的地表水体的实况标签；
12、从所述多个区域的遥感影像中筛除不满足预设云量的遥感影像，得到目标遥感影像，并对所述目标遥感影像进行辐射定标、大气校正、图像融合和影像裁切，得到影像数据集；
13、基于预设的水体标注原则，对所述影像数据集进行像素级标注，得到所述地表水体数据集。
14、根据本技术的一个实施例，所述elsca网络的编码器中引入瓶颈结构和高效条形卷积注意力机制。
15、根据本技术的一个实施例，所述高效条形卷积注意力机制中使用组归一化、leakyrelu(leaky rectified linear unit，带泄露线性整流函数)函数和1d(一维)卷积。
16、根据本技术实施例的地表水体提取方法，对目标区域的待测遥感影像进行预处理，得到遥感影像-地面水体实况标签对，并将其输入至高效局部条形卷积注意力(elsca)地表水体提取模型，得到地表水体分割结果。由此，解决了背景技术的模型训练时间随网络深度的增加而增加、不同层级特征语义信息未能充分利用以及在水体提取过程中存在小水体和细小河流提取不足等问题，通过编码器-解码器的u型对称网络架构并引入瓶颈结构和高效条形卷积注意力机制等，在目标区域实现了水系提取的良好效果。
17、本技术第二方面实施例提供一种地表水体提取装置，包括：
18、获取模块，用于获取目标区域的待测遥感影像；
19、预处理模块，用于对所述待测遥感影像进行预处理，得到遥感影像-地面水体实况标签对；
20、提取模块，用于将所述遥感影像-地面水体实况标签对输入至高效局部条形卷积注意力(elsca)地表水体提取模型，得到地表水体分割结果，其中，所述elsca地表水体提取模型由地表水体数据集训练elsca网络得到。
21、根据本技术的一个实施例，在将所述遥感影像-地面水体实况标签对输入至所述高效局部条形卷积注意力(elsca)地表水体提取模型之前，所述提取模块，还用于：
22、获取地表水体数据集，其中，所述地表水体数据集包括影像-地表水体实况标签对；
23、对所述地表水体数据集进行划分，得到训练集和测试集，并利用所述训练集中的影像-地表水体实况标签对训练elsca网络，得到初始elsca地表水体提取模型；
24、基于所述测试集中的影像-地表水体实况标签对，通过损失函数更新所述初始elsca地表水体提取模型的模型参数，直至满足停止更新条件，得到所述elsca地表水体提取模型。
25、根据本技术的一个实施例，所述提取模块，用于：
26、获取多个区域的遥感影像和每个区域的地表水体的实况标签；
27、从所述多个区域的遥感影像中筛除不满足预设云量的遥感影像，得到目标遥感影像，并对所述目标遥感影像进行辐射定标、大气校正、图像融合和影像裁切，得到影像数据集；
28、基于预设的水体标注原则，对所述影像数据集进行像素级标注，得到所述地表水体数据集。
29、根据本技术的一个实施例，所述elsca网络的编码器中引入瓶颈结构和高效条形卷积注意力机制。
30、根据本技术的一个实施例，所述高效条形卷积注意力机制中使用组归一化、leakyrelu函数和1d卷积。
31、根据本技术实施例的地表水体提取装置，对目标区域的待测遥感影像进行预处理，得到遥感影像-地面水体实况标签对，并将其输入至高效局部条形卷积注意力(elsca)地表水体提取模型，得到地表水体分割结果。由此，解决了背景技术的模型训练时间随网络深度的增加而增加、不同层级特征语义信息未能充分利用以及在水体提取过程中存在小水体和细小河流提取不足等问题，通过编码器-解码器的u型对称网络架构并引入瓶颈结构和高效条形卷积注意力机制等，在目标区域实现了水系提取的良好效果。
32、本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的地表水体提取方法。
33、本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的地表水体提取方法。
34、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种地表水体提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在将所述遥感影像-地面水体实况标签对输入至高效局部条形卷积注意力(elsca)地表水体提取模型之前，还包括：
3.根据权利要求2所述的方法，其特征在于，所述获取地表水体数据集，包括：
4.根据权利要求2所述的方法，其特征在于，所述elsca网络的编码器中引入瓶颈结构和高效条形卷积注意力机制。
5.根据权利要求4所述的方法，其特征在于，所述高效条形卷积注意力机制中使用组归一化、leaky relu函数和1d卷积。
6.一种地表水体提取装置，其特征在于，包括以下步骤：
7.根据权利要求6所述的装置，其特征在于，在将所述遥感影像-地面水体实况标签对输入至所述高效局部条形卷积注意力(elsca)地表水体提取模型之前，所述提取模块，还用于：
8.根据权利要求7所述的装置，其特征在于，所述提取模块，用于：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的地表水体提取方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的地表水体提取方法。
