一种基于星载SAR影像的精细化洪水淹没区提取方法

技术领域

本发明属于遥感图像处理及信息提取技术领域，具体涉及一种基于星载SAR影像的精细化洪水淹没区提取方法。

背景技术

近些年全球气候反常，洪涝事件频发。我国从去年至今，先后发生过长江决堤、河南郑州新乡水灾、内蒙古水库溃坝及山西水灾等，造成了不少人员伤亡和难以计数的经济损失。对洪水淹没区的快速提取有利于应急救灾、灾害损失评估和灾后重建等，具有重大研究意义，势在必行。遥感卫星观测是对地观测的主要方式，合成孔径雷达卫星以能够提供多波段、无视云雾的全天候观测的显著优势，在应急减灾中发挥了重要作用。随着高分辨率SAR卫星的普及，为洪水淹没区的大范围精细化提取提供了可能，如何高效且精细地从SAR影像中提取洪水淹没区信息，是目前SAR卫星遥感领域的研究重点。

现有的提取SAR影像中洪水淹没区的方法为提取灾后水体分布并与灾前水体做差得到洪水淹没区。提取灾后水体区域主要包括三种方法：一是无监督的阈值分割或者聚类，二是使用有监督的训练模型提取水体，三是采用深度学习中的语义分割方法分割水体。无监督方法根据水体像素的特点，不采用任何已知样本数据提取水体的像素。有监督的机器学习方法按照分类对象可以分为两类：a)基于像素的分类方法，该方法直接对像素分类，b)面向对象的影像分析方法，该方法是遥感图像分析中一类重要的方法，其按照设计的规则使同质像素进行聚合，将影像划分成不同的对象；不同于基于像素的分析方法，该分析方法是以同质像素集合为基本单元，每个基本单元对应一个有实际意义的地表实体。深度学习中的语义分割方法则直接使用大量标签训练网络，再用训练好的网络对像素进行分类。

然而，随着海量的高分辨率SAR影像数据被获取，这些方法出现了新的问题，在准确性与速度上很难同时满足洪水淹没区这类复杂水体提取任务的实际需求。

无监督的聚类或者阈值分割方法计算速度快，整个分类过程不需要标签数据，仅依靠数据之间的相似度进行分类。但是，在实际环境中，洪水淹没区存在大量介于水体、非水体之间的地物如含水量较大的土壤。因此： a）聚类方法会引入与水体相似但不是水体的地物类别；b）阈值分割会出现大量的噪点,分割的参数需要不断调试，这些缺点在高分辨率SAR影像中尤为突出。

有监督的机器学习方法引入了标签，使用样本数据与标签训练模型，缓解了无监督方法精度不足的问题。但是该方法仅把每个分类单元作为孤立的数据，未考虑地物分布的空间关系，然而洪水淹没区的水体与非水体具有强烈的邻接相关性。

深度学习的语义分割方法是一种以数据驱动的方法，并且网络需要海量的数据训练。因此该方法存在以下问题：a）需要大量人工标注数据；b）需要大量的计算资源训练网络；c）需要部署在高性能平台。

总的来说，洪水淹没区水体特征不同于普通水体，其水体分布更为复杂，存在大量零散水体区域相互连通、周围有大量的介于水体、非水体之间含水量较大的地物类别，相比于普通水体的提取难度更大。目前，淹没区提取的方法主要是以上三种，而这些方法主要是针对普通水体区域，不能够完全适用于洪水淹没区。因此，洪水淹没区的精细提取方法，尤其是利用高分辨率SAR影像的提取方法较为缺乏。

发明内容

本发明的目的是针对上述问题，提供一种基于星载SAR影像的精细化洪水淹没区提取方法，可以兼顾图像对象特征和图像对象之间空间关系的空间信息聚合技术，能够显著提高SAR影像中洪水淹没区的提取精度。

为达到上述目的，本发明采用了下列技术方案：

一种基于星载SAR影像的精细化洪水淹没区提取方法，包括：

S1、获取目标区域洪水后的SAR图像，对所述SAR图像进行超像素分割和阈值分割分别获得超像素分割结果和阈值分割结果，所述超像素分割后得到待分类的图像对象，根据所述阈值分割结果得到超像素分割获得的每个图像对象的背景百分比，并计算超像素分割获得的每个图像对象的特征向量；

S2、通过对超像素分割获得的图像对象的邻接关系、背景百分比和超像素分割获得的每个图像对象的特征向量进行处理构建无向图并通过降维与聚类得到部分结点的类别标签；

S3、根据所述的无向图和得到的部分结点的类别标签训练图卷积神经网络，并通过训练好的图卷积神经网络预测其它结点的类别，得到淹没后的水体提取结果；

S4、将提取的淹没后的水体分布与洪水前的水体分布做差，得到洪水淹没区域。本发明S1使用面向对象的分析方法，使用超像素分割后的图像对象作为分类基本单元，可准确捕获水体与非水体的边界，避免了传统方法在边界处模糊的缺点，同时超像素分割可以使得欧氏空间的规则数据更加容易的转变成图结构数据,另外S1将基于像素的阈值分割方法通过前景与背景比值提升到对象的层级，使得设计的结点特征更具有代表性，分类结果更稳定、精度更好；在S2样本的选择过程中，以降维与聚类作为辅助，最大程度的保证了选择的样本是对真实数据的无偏采样，避免了样本无代表性、类别不均衡所带来的分类不准确导致洪水淹没区提取不准确的问题；同时S3利用图卷积神经网络，使得在分类过程中，可以挖掘对象之间更深层的关系，获得更准确的分类结果。总的来说，本发明可以在兼顾图像对象特征和图像对象之间空间关系的基础上对洪水淹没区进行提取，能够解决计算资源与分类精度不平衡和传统面向对象分类方法对水体提取精度不高的问题。

进一步的，步骤S1具体包括：

S101、获取目标区域洪水后的SAR图像，对SAR图像进行超像素分割，将一幅完整影像利用超像素分割成若干图像对象，并从1开始对超像素分割获得的每个图像对象编号；

S102、对于所述超像素分割获得的图像对象，计算每个图像对象的散射矩阵和在每个极化方式上的统计特征；

S103、选取SAR图像任意极化方式的波段，通过大津法阈值分割方法对整个SAR影像进行阈值分割得到二值栅格图，在所述二值栅格图中，小于等于阈值的编号为1，反之则编号为0；

S104、根据所述超像素分割获得的图像对象和所述二值栅格图中的编号，统计超像素分割获得的每个图像对象中0和1的像素个数，得到背景百分比。

进一步的，计算所述超像素分割获得的每个图像对象在每一个极化方式上的统计特征包括均值、方差、中值、最小值和最大值。

进一步的，背景百分比包括每个二值栅格图图像对象中小于等于阈值与高于阈值的像素数量的百分比。

进一步的，步骤S2具体包括：

S201、将超像素分割获得的每个图像对象的散射矩阵展平成一维并与超像素分割获得的每个图像对象在每个极化方式上的统计特征、背景百分比进行拼接，作为超像素分割获得的每个图像对象的特征向量；

S202、通过t-SNE降维方法对超像素分割获得的每个图像对象的特征向量降维至二维，并以降维后的二维特征分别作为X轴、Y轴的值绘制特征散点图；

S203、通过观察所述特征散点图的聚集情况，计算出特征散点图的簇点数量；

S204、以所述簇点数量为无监督聚类的聚类中心数，通过K-Means聚类方法对超像素分割得到的每个图像对象的特征向量进行聚类得到聚类结果并进行标注，并从0开始依次对聚类后的同一类别标注同一数字，不同类别标注不同数字；

S205、以所述聚类结果为参考，选择具有代表性的水体和非水体对象作为训练和测试的样本，得到部分结点的类别；

S206、查找与所述超像素分割获得的每个图像对象相邻的所有对象，并将邻接关系依据超像素分割获得的每个图像对象的编号记录在行列大小均为超像素分割获得的图像对象数量的邻接矩阵中，并进一步将已有邻接表转换为新邻接表；

S207、将超像素分割获得的每个图像对象作为结点、将超像素分割获得的每个图像对象的特征向量作为结点的特征向量，以所述的邻接矩阵作为结点之间的连接关系构建无向图，并以所述步骤S205的部分结点的类别作为对应结点的类别标签以得到部分结点的类别标签。

进一步的，特征散点图的聚集情况以同一簇点为同一类别、不同簇点为不同类别来计算特征散点图的簇点数量，所述簇点数量为分成地物的类别数。

进一步的，所述超像素分割获得的每个图像对象与超像素分割获得的所有图像对象的邻接关系由[1, N]的向量表示，N表示超像素分割后获得的图像对象的数量，所述超像素分割后获得的图像对象的编号由向量的列索引表示，其中编号与S101中的编号对应。

进一步的，步骤S3具体包括：

S301、依据聚类标记的结果，选择超像素分割获得的部分图像对象作为结点制作训练样本，根据选择的超像素分割获得的每个图像对象的编号用向量在对应位置记录；

S302、利用选择的样本制作掩膜，用来标记作为训练数据的结点；

S303、循环遍历每一层图卷积神经网络，在每层图卷积神经网络下遍历所述无向图中的每个结点；

S304、利用损失函数计算损失并反向传播误差，更新图卷积神经网络中的每个权重，直至图卷积神经网络收敛；

S305、利用训练好的图卷积神经网络对未知类别的结点进行预测，得到淹没后的水体提取结果。

进一步的，图卷积神经网络包括m层，所述步骤S303具体包括：

A、对所述步骤S207中无向图的每个结点的相邻结点进行有放回的随机采样，采样的个数为预先设定的个数；

B、结合中心结点及中心结点采样得到的结点的信息，对超像素分割获得的图像对象的特征进行聚合，对聚合后的特征对统计特征进行线性变换，线性变换的结果经过ReLu激活函数后作为当前层中当前结点的输出以及下一层中对应结点的输入；

C、重复步骤A至图卷积神经网络的第m-1层，对每个结点的邻域重新随机采样预设的个数，以根据步骤B得到的输出作为输入，对中心结点及中心结点采样得到的邻域结点做信息的聚合与变换作为所述图卷积神经网络第m-1的输出；

D、所述图卷积神经网络第m层采用Softmax激活函数，将输入映射到[0, 1]，得到各类别的概率，取概率最大对应的类别为预测的类别，并与部分已知标签求交叉熵，作为反向传播的梯度。

进一步的，步骤B中对超像素分割获得的图像对象的特征进行聚合，所述超像素分割获得的图像对象的特征包括所述散射矩阵和在每个极化方式上的统计特征；所述对超像素分割获得的图像对象的特征进行聚合的方式采用均值聚合方式或与顺序无关的聚合方式，对输入的所有结点特征取同维度的值进行求均值计算。

与现有的技术相比，本发明的优点在于：

1. 本发明一种基于星载SAR影像的精细化洪水淹没区提取方法结合面向对象的分析方法和图卷积神经网络，创新性地提出了一种兼顾图像对象特征和图像对象之间空间关系的空间信息聚合技术，能够显著提高SAR影像中洪水淹没区的提取精度；

2. 本发明根据洪水淹没区域水体的分布特征，在分类过程中考虑了分类单元之间的空间联系，聚合了不同分类单元之间的信息、分类过程中不需要大量的标注数据与计算资源，后期也不需要高性能平台的支持，解决了现有的提取方法中计算资源与分类精度不平衡的问题、传统面向对象分类方法对水体提取精度不高的技术问题；

3.本发明能满足快速高效、准确提取大面积洪水淹没区的需求，解决了SAR影像中精度与速度不平衡的难题，并且现在SAR影像数据易获取，操作步骤明确可重复，在应急救灾中，尤其是洪涝灾害中，可快速提取淹没区域，及时提供洪涝区受灾情况，为救灾决策提供依据，非常符合实际的应用需求。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1是本发明一种基于星载SAR影像的精细化洪水淹没区提取方法的流程图；

图2是本发明创建无向图的流程示例图；

图3是本发明的超像素分割结果图；

图4是本发明的邻接矩阵生成图；

图5是本发明图像对象结点数据的采样及特征聚合示例图；

图6是利用本发明在SAR图像上对内蒙水灾后水体进行精细提取的效果图。

具体实施方式

为了使本技术领域的人员更好的理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。

如图1所示，本实施例一种基于星载SAR影像的精细化洪水淹没区提取方法，利用面向对象分析方法和图卷积神经网络、兼顾了图像对象及其相邻图像对象的空间关系进行水体提取，包括：

S1、获取目标区域洪水后的SAR图像，对所述SAR图像进行超像素分割和阈值分割分别获得超像素分割结果和阈值分割结果，所述超像素分割后得到待分类的图像对象，根据所述阈值分割结果得到超像素分割获得的每个图像对象的背景百分比，并计算超像素分割获得的每个图像对象的特征向量，本实施例超像素分割结果和阈值分割结果可以作为后续水体与非水体分类的基本单元，根据所述分割结果得到背景百分比、统计特征与纹理特征；

S2、通过对超像素分割获得的图像对象的邻接关系、背景百分比和超像素分割获得的每个图像对象的特征向量进行处理构建无向图并通过降维与聚类得到部分结点的类别标签；

S3、根据所述的无向图和得到的部分结点的类别标签训练图卷积神经网络，并通过训练好的图卷积神经网络预测其它结点的类别，得到淹没后的水体提取结果；

S4、将提取的淹没后水体的分布与洪水前的水体分布做差，得到洪水淹没区域。

本实施例S1使用面向对象的分析方法，使用超像素分割后图像对象作为分类基本单元，可准确捕获水体与非水体的边界，避免了传统方法在边界处模糊的缺点，同时超像素分割可以使得欧氏空间的规则数据更加容易的转变成图结构数据,另外S1将基于像素的阈值分割方法通过前景与背景比值提升到对象的层级，使得设计的结点特征更具有代表性，分类结果更稳定、精度更好；在S2样本的选择过程中，以降维与聚类作为辅助，最大程度的保证了选择的样本是对真实数据的无偏采样，避免了样本无代表性、类别不均衡所带来的分类不准确导致洪水淹没区提取不准确的问题；同时S3利用图卷积神经网络，使得在分类过程中，可以挖掘对象之间更深层的关系，获得更准确的分类结果。总的来说，本实施例可以在兼顾图像对象特征和图像对象之间空间关系的基础上对洪水淹没区提取，能够解决计算资源与分类精度不平衡和传统面向对象分类方法对水体提取精度不高的问题。

本实施例步骤S1具体包括：

S101、获获取目标区域洪水后的SAR图像，对SAR图像进行超像素分割，将一幅完整影像利用超像素分割成若干图像对象，并从1开始对超像素分割获得的每个图像对象编号；本实施例超像素分割结果图如图3所示，获取目标区域洪水后多极化SAR图像，采用的是双极化Sentinel-1数据；本实例中共分割出了14878个对象，即从1到14878对每块进行编号。

S102、对于所述超像素分割获得的图像对象，计算每个图像对象的散射矩阵和在每个极化方式上的统计特征；本实施例对每个超像素分割后图像对象进行特征提取，特征包括每个超像素分割后图像对象的散射矩阵和每个超像素分割后图像对象在每个极化方式上的统计特征；本实施例具体获得的特征包括一个S*S大小的散射矩阵，其中S为极化类别数，本实例采用的是双极化SAR图像，则S大小为2，散射矩阵大小为2*2，统计特征为1*5大小的向量。

S103、选取SAR图像任意极化方式的波段，通过大津法阈值分割方法对整个SAR影像进行阈值分割得到二值栅格图，在所述二值栅格图中，小于等于阈值的编号为1，反之则编号为0；

S104、根据所述SAR图像进行超像素分割的分割结果和所述阈值分割得到的二值栅格图和二值栅格图图像对象，统计每个二值栅格图图像对象中0和1的像素个数，得到背景百分比。本实施例选择任意极化方式的波段，对其进行阈值分割，分割方法采用大津法，将小于等于分割阈值的所有像素值变为1，反之则标为0。

本实施例还计算每个对象内0和1像元数的比值，得到每个对象中小于等于阈值与高于阈值的像素数量百分比，该值即背景百分比；本实施例超像素分割相当于将整张图分割成了不同的不重叠的区域；阈值分割是在整张图进行的，将整张图分割成二值图；根据超像素分割获得的图像对象统计每个对象内0、1的比值，即统计分割后每个区域内0、1的比值。

本实施例计算所述超像素分割获得的每个图像对象在每一个极化方式上的统计特征包括均值、方差、中值、最小值和最大值。

本实施例步骤S2具体包括：

S201、将超像素分割获得的每个图像对象的散射矩阵展平成一维并与超像素分割获得的每个图像对象在每一个极化方式上的统计特征、背景百分比进行拼接，作为超像素分割获得的每个图像对象的特征向量；本实施例将散射矩阵展平成一维，即将2*2矩阵展平成1*4大小，将展平后的1*4大小的散射矩阵特征、1*5大小的统计特征、1*1大小的背景百分比按列拼接为一个1*10大小的向量，该1*10大小的向量作为超像素分割获得的每个图像对象最终的特征向量。

S202、通过t-SNE降维方法对超像素分割获得的每个图像对象的特征向量降维至二维，并以降维后的二维特征分别作为X轴、Y轴的值绘制特征散点图；本实施例对S201得到的特征向量进行降维，将1*10大小的特征向量降维成1*2大小，降维方法为t-SNE，该方法是一种通用的可视化降维方法；本实施例将降维后每个对象的两个特征即散射矩阵和在每一个极化方式上的统计特征分别作为二维坐标系中X、Y轴的值绘制散点图。

S203、通过观察所述特征散点图的聚集情况，计算出特征散点图的簇点数量；本实施例通过观察特征向量降维至二维后绘制的特征散点图的聚集情况，忽略零散分布的其它点，以同一簇点为同一类别，不同簇点为不同类别，判断特征散点图聚集簇的个数并记录。本实施例特征散点图的聚集情况以同一簇点为同一类别、不同簇点为不同类别来计算特征散点图的簇点数量，所述簇点数量可以作为分成地物的类别数。

S204、以所述簇点数量为无监督聚类的聚类中心数，通过K-Means聚类方法对超像素分割获得的每个图像对象的特征向量进行聚类得到聚类结果并进行标注，并从0开始依次对聚类后的同一类别标注同一数字，不同类别以不同数字表示；本实施例对所有超像素分割获得的图像对象的特征使用K-Means聚类方法分类，聚类中心的个数为S203中记录的特征散点图聚集簇的个数，并对K-Means聚类后的同一类别标注同一数字，不同类别以不同数字表示。

S205、以所述聚类结果作为参考，选择具有代表性的水体和非水体对象作为训练和测试的样本，得到部分结点的类别；本实施例以K-Means聚类的结果为参考，选择有代表性的水体和非水体对象作为样本，本实施例在14878个超像素分割获得的图像对象中选取了46个对象作为水体样本，67个对象作为非水体样本。

S206、查找与超像素分割获得的每个图像对象相邻的所有对象，并将邻接关系依据经过超像素分割的每个图像对象的编号记录在行列大小均为超像素分割获得的每个图像对象数量的邻接矩阵中，并进一步将已有邻接表转换为新邻接表；本实施例的邻接矩阵生成图如图4所示，按照编号遍历步骤S101中的超像素分割结果，寻找与每个分割对象相邻的所有对象，并将邻接关系依据每个分割对象的编号记录在行列大小均为14878的邻接矩阵中，结点与结点连接则用1表示，未连接则用0表示。

S207、将超像素分割获得的每个图像对象作为结点、将超像素分割获得的每个图像对象的特征向量作为结点的特征向量，以所述的邻接矩阵作为结点之间的连接关系构建无向图，并以所述步骤S205的部分结点的类别作为对应结点的类别标签以得到部分结点的类别标签。本实施例根据邻接矩阵和超像素分割获得的每个图像对象的特征向量构建无向图，其中邻接矩阵表示结点与结点的连接关系，超像素分割获得的图像对象的特征向量表示结点的特征；本实例中根据邻接关系构建了由14878结点、88418条边即结点之间的连接关系组成的图，结点之间的连接关系组成的图中每个结点特征为1*10大小的向量，边为无向边，权重均为1即无权重边。

本实施例创建无向图的步骤示例图如图2所示，为简化说明，图中只采用七个对象，在示例图中，首先根据分割结果生成用以表达超像素分割获得的每个图像对象与其它图像对象的邻接关系的邻接矩阵，再根据邻接矩阵和结点特征构图，每个结点表示超像素分割获得的一个，结点属性为超像素分割获得的每个图像对象的特征向量。

本实施例所述超像素分割获得的每个图像对象与超像素分割获得的所有图像对象的邻接关系由[1, N]的向量表示，N表示超像素分割后获得的图像对象的数量，所述超像素分割后获得的图像对象的编号由向量的列索引表示，其中编号与S101中的编号对应。本实施例向量的列索引表示对象编号，如果该对象与第K个对象相连，则在列索引为K的位置标记为1，反之则标记为0。具体实施时，图像对象之间的连接可以是任意合理的连接方式，并且可以对连接的边赋予权重表示结点与结点的关系，只需要将邻接矩阵中表示连接的数字1替换成权重即可。

本实施例使用上述已构建的无向图和已知标签训练GraphSAGE图卷积神经网络，并用训练好的图卷积神经网络预测其它结点，得到最终的水体提取结果，具体为：

S301、依据聚类标记的结果，选择超像素分割获得的部分图像对象作为结点制作训练样本，根据选择的超像素分割获得的每个图像对象的编号用向量在对应位置记录；本实施例选择部分超像素分割获得的图像对象作的结点做为训练用的结点即训练样本，选择的结点类别已知，该类别是由人通过聚类辅助选取标注的样本。本实施例根据每个超像素分割后图像对象的编号用1*14878的向量在对应位置记录，水体标记1，非水体记为2，未知标为0；

S302、利用选择的样本制作掩膜，用来标记作为训练数据的结点；本实施例制作的掩膜根据超像素分割获得的每个图像对象的编号用1*14878的向量标记，如对象为训练样本则记为1，非标签则记为0，并与超像素分割获得的图像对象编号对应；

S303、循环遍历每一层图卷积神经网络，在每层图卷积神经网络下遍历所述无向图中的每个结点。

S304、利用损失函数计算损失并反向传播误差，更新图卷积神经网络中的每个权重，直至图卷积神经网络收敛；

S305、利用训练好的图卷积神经网络对未知类别的结点进行预测，得到水体的提取结果。

本实施例步骤S303具体包括：

A、对所述步骤S207中无向图的每个结点的相邻结点进行有放回的随机采样，采样的个数为预先设定的个数；

B、结合中心结点及中心结点采样得到的结点的信息，对超像素分割获得的图像对象的特征进行聚合，本实施例超像素分割获得的图像对象的特征包括所述散射矩阵和在每个极化方式上的统计特征；聚合方式采用均值聚合或任意与顺序无关的聚合方式，即对输入的所有结点特征取的同维度的值进行求均值。本实施例聚合后对散射矩阵和统计特征进行线性变换，线性变换的结果经过ReLu激活函数后作为当前层中当前结点的输出以及下一层中对应结点的输入；

C、重复步骤A至图卷积神经网络的倒数第二层，对每个结点的邻域重新随机采样预设的个数，以步骤B中的输出作为输入，对中心节点及中心结点采样得到的邻域结点做信息的聚合与变换作为所述图卷积神经网络该层的输出；

D、所述图卷积神经网络最后一层采用Softmax激活函数，将输入映射到[0, 1]，得到属于各类别的概率，取概率最大对应的类别为预测的类别，并与部分已知标签求交叉熵，作为反向传播的梯度。

本实施例以图卷积神经网络为两层为例，首先对第一层每个节点的邻居结点进行有放回的均匀采样，采样的个数为预先设定的个数，本实例中设置为10；对第一层每个结点采样结果的特征向量进行聚合，即将采样得到的10个结点的1*10的特征向量的对应位置求均值，得到一个1*10的聚合后的特征向量，将聚合后的特征向量与当前结点的1*10的特征向量拼接得到1*20的特征向量；将第一层拼接后的1*20的特征向量经过线性变换和ReLu激活函数后作为当前结点的输出；对第二层每个节点的邻居结点进行有放回的均匀采样，采样的个数为预先设定的10；对第二层每个结点采样得到的邻居结点的特征进行聚合，聚合的特征为对应结点第一层输出的特征，将聚合后的特征与当前结点特征拼接并经过线性变换和Softmax激活函数，输出每一类别的概率，并用交叉熵损失函数计算与样本标签的损失。

如图5所示，本实施例每一层每个结点的采样、聚合方法假设采样数为2，以结点1为例：结点1的邻域为：[2，3，4，5,7]，结点1的采样为有放回从结点1邻域随机采样两次，假设采样结果为[2，5]，且结点1特征为[1，1]，结点2和5的特征分别为[1，2]、[4，6]，则采用均值聚合的结果为[(1+4)/2，(2+6)/2]=[2.5，4]，聚合结果与中心结点拼接结果为[1，1，2.5，4]。因此，每次结点的采样可能不相同，且某些结点可能被重复采样。

如图6所示，本发明不同于传统的面向对象的水体提取方法，创新地提出一种综合利用图卷积神经网络和面向对象分析方法、兼顾每个分类对象与其相邻对象空间关系的分类方法，可用于SAR影像下中水体的精细提取，其分类精度比于传统的多种面向对象分类方法更高、相比深度学习所需的样本更少、计算量更小。且本发明不受合成孔径雷达中水体提取的应用限制，能够在所有涉及遥感图像地物提取的应用中发挥效用。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。