River-Net:面向河道提取的Refined-Lee Kernel深度神经网络模型
高精度提取合成孔径雷达(SAR)图像中的河流边界,对河流水势监测具有重要意义.以检测郑州7·20暴雨后黄河的健康状况为实施例,该文融合精致Lee滤波思想与卷积操作的滤波特性,提出了基于河道几何特性的优化内部权值卷积核Refined-Lee Kernel,进而提出了一种新型河道提取深度神经网络模型,即River-Net.为验证所提模型的有效性,该文获取了郑州7·20暴雨前后两景欧空局Sentinel-1卫星20 m分辨率干涉宽幅(IW)影像数据,利用暴雨前的影像对模型进行训练,用于提取暴雨后的黄河河道,分析黄河在暴雨后的涨势情况.实验结果表明,相比主流语义分割模型,所提模型能够更精确地在SAR图像中提取河道,对洪水灾害的检测与评估有重要应用价值.
合成孔径雷达(SAR)、Refined-Lee Kernel、精致Lee滤波、神经网络、河道提取
11
TN959.1;TP183
河南省重大公益项目;河南省科技攻关计划项目;河南省科技攻关计划项目;国家自然科学基金
2022-07-05（万方平台首次上网日期，不代表论文的发表时间）
共11页
324-334
