CN115909071A - 水网结构识别方法、模型训练方法装置、存储介质和终端 - Google Patents

Abstract

本发明公开了一种水网结构识别方法、模型训练方法、装置、存储介质和终端，其中模型训练方法包括获取训练数据集，训练数据集包括多个卫星遥感影像数据以及每个卫星遥感影像数据所对应的分割标签图像和矢量化标签图像；基于训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型；其中，水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；水体表面分割子网络用于提取卫星遥感影像数据的空间信息和维度信息，并将空间信息和维度信息融合为概率特征图；水网结构矢量化子网络用于将概率特征图中的水路结构进行矢量化，以获取样本图像识别结果集。应用本发明模型可正确识别出复杂背景中的水体。

Description

水网结构识别方法、模型训练方法装置、存储介质和终端

技术领域

本发明涉及水网结构技术领域，尤其涉及一种水网结构识别方法、模型训练方法装置、存储介质和终端。

背景技术

对城市的水网结构进行识别，可以为城市的水资源管理、水环境监测和自然灾害防治提供有用信息。随着遥感技术的发展，由于其可以在大面积上对场景进行高时空分辨率的重复采集，现已有大量可获取的遥感数据可用于进行高精度的水网结构识别与制图。

因为城市内部的水网结构较为复杂，使用卫星遥感影像对河流进行识别时，常常会受到桥梁和公路遮挡，导致识别结果中的水网结构不连贯。另外，大量水体识别研究仅使用了卫星遥感影像的RGB波段而忽略了多光谱波段的有用信息，导致水网识别的精度不佳。

如何避免周边环境遮挡影响，获取清晰且连贯的城市内部水网结构，成为现有技术人员亟需解决的问题。

发明内容

本发明所要解决的技术问题是现有对城市内部水网结构的识别易受到周边环境影响，导致识别结果中水网结构清晰度不够且容易出现不连贯的现象。

为了解决上述技术问题，本发明提供了一种水网结构识别模型训练方法，包括：

获取训练数据集，所述训练数据集包括多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像和矢量化标签图像；

基于所述训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型；

其中，所述水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；

所述水体表面分割子网络用于提取所述卫星遥感影像数据的空间信息和维度信息，并将所述空间信息和维度信息融合为概率特征图；

所述水网结构矢量化子网络用于将所述概率特征图中的水路结构进行矢量化，以获取样本图像识别结果集。

优选的，基于所述训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型步骤包括：

基于分割训练数据集对所述水体表面分割子网络进行训练，以获取训练完成的水体表面分割子网络，其中所述分割训练数据集包括多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像；

将所述分割训练数据集中卫星遥感影像数据输入至训练完成的水体表面分割子网络，以基于输出的概率特征图获取概率特征图集合，基于所述概率特征图集合和所述卫星遥感影像数据所对应的矢量化标签图像形成矢量化训练数据集；

基于所述矢量化训练数据集对所述水网结构矢量化子网络进行训练，以获取训练完成的水网结构矢量化子网络；

将训练完成的水体表面分割子网络和训练完成的水网结构矢量化子网络串联连接，形成训练完成的水网结构识别模型。

优选的，所述水体表面分割子网络包括主干分网络和3D卷积分网络，所述主干分网络和3D卷积分网络均包括下采样通路和上采样通路，且所述主干分网络的上采样通路和所述3D卷积分网络的上采样通路的垂直对应层通过跳跃连接操作连接；

且所述主干分网络的下采样通路和上采样通路之间还设置有多尺度池化模块，以对不同尺度范围内的上下文信息进行编码。

优选的，所述卫星遥感影像数据的各波段已进行融合，以使得所述卫星遥感影像数据分辨率统一化。

优选的，将所述卫星遥感影像数据输入至水体表面分割子网络前，还需按相同剪裁方式对所述卫星遥感影像数据、分割标签图像和矢量化标签图像进行剪裁，以使得剪裁出的样本图像满足所述水网结构识别模型的输入尺寸要求。

为了解决上述技术问题，本发明还提供了一种水网结构识别方法，包括：

获取目标区域的卫星遥感影像数据；

将所述目标区域的卫星遥感影像数据输入至训练完成的预设水网结构识别模型，以获取所述目标区域的样本图像识别结果；

其中，所述训练完成的水网结构识别模型为通过权利要求1-5中任一项所述水网结构识别模型训练方法获取的。

优选地，还包括：

将所述目标区域的所有所述样本图像识别结果进行叠加，以获取所述目标区域的完整水网结构识别结果。

为了解决上述技术问题，本发明还提供了一种预设水网结构识别模型训练装置，其特征在于，包括数据集获取模块和训练模块；

所述数据集获取模块，用于获取训练数据集，所述训练数据集包括多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像和矢量化标签图像；

所述训练模块，基于所述训练数据集对预设水网结构识别模型进行训练，以获取训练完成的预设水网结构识别模型；

其中，所述预设水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；

所述水体表面分割子网络用于提取所述卫星遥感影像数据的空间信息和维度信息，并将所述空间信息和维度信息融合为概率特征图；

所述水网结构矢量化子网络用于将所述概率特征图中的水路结构进行矢量化，以获取样本图像识别结果。

为了解决上述技术问题，本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的预设水网结构识别模型训练方法或实现所述的预设水网结构识别方法。

为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述的预设水网结构识别模型训练方法或实现所述的预设水网结构识别方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明实施例提供的水网结构识别模型训练方法，通过3D卷积分网络对卫星遥感影像的光谱维度进行充分的空间-光谱特征提取，对外观与水体较易混淆的物体也可以进行正确分类，所采用的主干分网络对水陆交界处的像素也可实现较为平滑分割，以正确识别出复杂背景中的水体；水网结构矢量化子网络在水体表面分割子网络的基础上利用向量化标签进行二次训练，在更大的感受野范围内感知上下文，能够实现将一些较小河流上的桥以及公路等遮挡物忽略，将识别结果中的水体连贯起来，同时水网结构矢量化子网络还可消除了背景区域中一些分散的错误分类像素，以得到更优的整体分割效果。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了本发明实施例一水网结构识别模型训练方法的流程示意图；

图2示出了本发明实施例一水网结构识别模型的结构示意图；

图3示出了本发明实施例一中卫星遥感影像数据、分割标签图像和矢量化标签图像的对比示意图；

图4示出了本发明实施例一中卫星遥感影像数据、分割标签图像、矢量化标签图像、水体表面分割子网络处理结果和水网结构矢量化子网络处理结果的对比示意图；

图5示出了本发明实施例二水网结构识别方法的流程示意图；

图6示出了采用水网结构识别方法对上海市进行水网结构识别的结果示意图；

图7示出了本发明实施例三水网结构识别模型训练装置的结构示意图；

图8示出了本发明实施例五终端的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

在正常的城市水体识别任务中，水网结构识别易受到周边复杂环境遮挡影响。因为城市内部的水网结构较为复杂，使用卫星遥感影像对河流进行识别时，常常会受到桥梁和公路遮挡，导致识别结果中的水网结构不连贯。另外，大量水体识别研究仅使用了卫星遥感影像的RGB波段而忽略了多光谱波段的有用信息，导致水网识别的精度不佳。

实施例一

为解决现有技术中存在的技术问题，本发明实施例提供了一种水网结构识别模型训练方法。

图1示出了本发明实施例一水网结构识别模型训练方法的流程示意图；参考图1所示，本发明实施例水网结构识别模型训练方法包括如下步骤。

步骤S101，获取训练数据集，训练数据集包括多个卫星遥感影像数据以及每个卫星遥感影像数据所对应的分割标签图像和矢量化标签图像。

具体地，通过下载或其他合理方式获取多个卫星遥感影像数据，而后通过目视解译方式对每个卫星遥感影像数据制作分割标签和矢量化标签，以获取每个卫星遥感影像数据的分割标签图像和矢量化标签图像。图3示出了本发明实施例一中卫星遥感影像数据、分割标签图像和矢量化标签图像的对比示意图；参考图3所示，分割标签图像中水体用灰色标注，背景部分则为黑色；而矢量化标签图像中则将横贯河流的部分属于桥梁或公路等背景类的像素也标成水体类。

将每个卫星遥感影像数据以及该卫星遥感影像数据所对应的分割标签图像和矢量化标签图像组成原始样本对，将所有的原始样本对集合为训练数据集，以用于对水网结构识别模型进行训练。进一步地，原始样本对中的卫星遥感影像数据和所对应的分割标签图像还可组成分割样本对，所有的分割样本对形成分割样本集合，以作为水网结构识别模型中的水体表面分割子网络的训练集。原始样本对中的矢量化标签图像还可与对应卫星遥感影像数据输入训练完成的水体表面分割子网络后输出的概率特征图组成矢量化样本对，以作为水网结构识别模型中的水网结构矢量化子网络的训练集。

卫星遥感影像数据可选取RGB影响数据、多光谱影像数据或高光谱影像数据等；优选地，由于本实施例的水体表面分割子网络中的3D卷积分网络对多光谱影像数据的光谱维度信息提取效果最好，因此本实施例水网结构识别模型训练方法中优选多光谱影像数据作为训练数据。

更近一步地，为了提高训练效果，在进行训练之前还需对所有卫星遥感影像数据的各个波段进行融合，以使得卫星遥感影像数据分辨率统一化。例如假设卫星遥感影像数据为哨兵2多光谱影像数据，则在训练之前需将哨兵2多光谱影像数据的各波段融合至10m，以实现哨兵2多光谱影像数据分辨率统一化。其中哨兵2多光谱影像数据的各波段融合过程可采用SNAP软件中的Sen2Res工具实施。且进一步为了避免对无效数据进行处理，可在对哨兵2多光谱影像数据进行融合之前，将哨兵2用于卷云检测的第10波段丢弃。

步骤S102，基于训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型。

水网结构识别模型具体包括水体表面分割子网络和水网结构矢量化子网络，且水体表面分割子网络和水网结构矢量化子网络均为编码器-解码器结构。

图4示出了本发明实施例一中卫星遥感影像数据、分割标签图像、矢量化标签图像、水体表面分割子网络处理结果和水网结构矢量化子网络处理结果的对比示意图；参考图4所示，水体表面分割子网络主要用于对卫星遥感影像数据中的空间信息和维度信息进行提取，并将提取的空间信息和维度信息进行融合形成概率特征图。图2示出了本发明实施例一水网结构识别模型的结构示意图；参考图2所示，水体表面分割子网络包括主干分网络和3D卷积分网络。主干分网络和3D卷积分网络均包括下采样通路和上采样通路，且下采样通路和上采样通路内的相邻水平对应层之间均由跳跃连接操作连接起来，同时主干分网络的上采样通路和3D卷积分网络的上采样通路的垂直对应层之间也通过跳跃连接操作连接，以实现将卫星遥感影像数据空间信息和维度信息的融合。主干分网络为经典分割网络U-Net，且主干分网络的下采样通路和上采样通路之间还设置有多尺度池化模块，多尺度池化模块即设置在主干分网络的最底端，以对不同尺度范围内的上下文信息进行编码，以提高水网结构识别模型的性能。3D卷积分网络的结构也是U型的。

参考图4所示，水网结构矢量化子网络则用于将概率特征图中的水路结构进行矢量化，以获取样本图像识别结果。参考图2所示，水网结构矢量化子网络也为经典分割网络U-Net，包括下采样通路和上采样通路，下采样通路和上采样通路内的相邻水平对应层之间均由跳跃连接操作连接起来，且下采样通路和上采样通路之间还设置有多尺度池化模块，多尺度池化模块即设置在主干分网络的最底端，以对不同尺度范围内的上下文信息进行编码，以提高水网结构识别模型的性能。由于两个子网络的结构相似，且水网结构矢量化子网络是在水体表面分割子网络的分割预测基础上进行卷积编码等操作，其中背景噪声更少，通过感知更大范围的感受以实现水网结构矢量化任务。且为了防止过拟合，水网结构矢量化子网络去掉了3D卷积分网络，其主干网络的结构也相对更小。

对水网结构识别模型进行训练的具体过程包括如下子步骤。

步骤S1021，基于分割训练数据集对水体表面分割子网络进行训练，以获取训练完成的水体表面分割子网络。

具体地，通过分割训练数据集对水体表面分割子网络进行训练。例如可使用Adam优化算法，初始学习率为0.001，默认超参数β1＝0.9和β2＝0.999，批量大小为2。通过验证集评估和调整网络的训练状态，如果三个训练周期内验证集上的损失没有改善，学习率将降低0.5倍；另外若验证集上的损失在20个训练周期内没有改善，将停止网络的训练以防止过拟合，同时保存与最小验证损失相关的模型参数。最后得到训练完成的水体表面分割子网络。其中分割训练数据集中包括多个分割样本对，每个分割样本对均包括一个卫星遥感影像数据和该卫星遥感影像数据所对应的分割标签图像。

步骤S1022，将分割训练数据集中卫星遥感影像数据输入至训练完成的水体表面分割子网络，以基于输出的概率特征图获取概率特征图集合。

具体地，将分割训练数据集中的卫星遥感影像数据依次输入至训练完成的水体表面分割子网络，训练完成的水体表面分割子网络输出对应的概率特征图，所有概率特征图即形成概率特征图集合。而后基于概率特征图集合和卫星遥感影像数据所对应的矢量化标签图像形成矢量化训练数据集；进一步即将卫星遥感影像数据输入训练完成的水体表面分割子网络得到的概率特征图，以及该卫星遥感影像数据所对应的矢量化标签图像组成矢量化样本对，所有成矢量化样本对即形成矢量化训练数据集。

步骤S1023，基于矢量化训练数据集对水网结构矢量化子网络进行训练，以获取训练完成的水网结构矢量化子网络。

具体地，通过矢量化训练数据集对水网结构矢量化子网络进行训练。水网结构矢量化子网络的训练过程与水体表面分割子网络的训练过程相同，在此不对其进行说明。

步骤S1024，将训练完成的水体表面分割子网络和训练完成的水网结构矢量化子网络串联连接，形成训练完成的水网结构识别模型。

需要说明的是，对水体表面分割子网络的训练和对水网结构矢量化子网络的训练属于一套连贯的流程，其中的数据置换等操作可以在水体表面分割子网络和水网结构矢量化子网络集成的水网结构识别模型下依次自动完成，并不需要人为干预或者调整。

且需要说明的是，由于水网结构识别模型无法实现整个卫星遥感影像数据的输入，因此在将卫星遥感影像数据输入至水体表面分割子网络前，还需对卫星遥感影像数据进行剪裁。优选地，可通过滑动剪裁方式将卫星遥感影像数据以一定的重复率切割为多张样本图像，以使得剪裁出的样本图像可以作为水网结构识别模型的输入，即剪裁出的样本图像需满足水网结构识别模型的输入尺寸要求。例如重复率可选取0.01或0.3等合理的数值，样本图像大小可切割为256×256。且为了扩展数据集并避免过度拟合，还可将切割后的样本图像通过垂直和水平翻转来进行数据增强。

同理，还需采用与剪切卫星遥感影像数据的相同方式对分割标签图像和矢量化标签图像进行剪裁。

本发明实施例提供的水网结构识别模型训练方法，通过3D卷积分网络对卫星遥感影像的光谱维度进行充分的空间-光谱特征提取，对外观与水体较易混淆的物体也可以进行正确分类，所采用的主干分网络对水陆交界处的像素也可实现较为平滑分割，以正确识别出复杂背景中的水体；水网结构矢量化子网络在水体表面分割子网络的基础上利用向量化标签进行二次训练，在更大的感受野范围内感知上下文，能够实现将一些较小河流上的桥以及公路等遮挡物忽略，将识别结果中的水体连贯起来，同时水网结构矢量化子网络还可消除了背景区域中一些分散的错误分类像素，以得到更优的整体分割效果。

实施例二

为解决现有技术中存在的技术问题，本发明实施例提供了一种水网结构识别模型训练方法。

图5示出了本发明实施例二水网结构识别方法的流程示意图；参考图5所示，本发明实施例水网结构识别方法包括如下步骤。

步骤S201，获取目标区域的卫星遥感影像数据。

具体地，通过下载或其他合理方式获取目标区域的卫星遥感影像数据，并对卫星遥感影像数据的各个波段进行融合，以使得卫星遥感影像数据分辨率统一化。而后按如实施例一中对卫星遥感影像数据的剪裁方式对目标区域的卫星遥感影像数据进行剪裁，以获取多个样本图像。例如可将整个目标区域的卫星遥感影像数据按照0.3的重合率切成多个256x256的样本图像，此时每两个相邻样本图像之间的重合像素大约为78个。

步骤S202，将目标区域的卫星遥感影像数据输入至训练完成的水网结构识别模型，以获取目标区域的样本图像识别结果。

具体地，即将剪裁获取的所有样本图像输入至训练完成的水网结构识别模型，训练完成的水网结构识别模型输出目标区域的多个样本图像识别结果。且训练完成的水网结构识别模型为通过实施例一公开的水网结构识别模型训练方法训练所得。

步骤S203，将所有样本图像识别结果进行叠加，以获取目标区域的完整水网结构识别结果。

具体地，将所有样本图像识别结果拼接在一起的时候，需使用加法运算叠加的方式进行叠加。通过以上叠加操作能够有效的消除大图拼接痕迹，并且避免每个小样本因为边缘信息不足而造成的错误分类，拼接后即获取目标区域的完整水网结构识别结果。例如图6示出了采用水网结构识别方法对上海市进行水网结构识别的结果示意图。

本发明实施例提供的水网结构识别方法，训练完成的水网结构识别模型中的水体表面分割子网络对卫星遥感影像的光谱维度进行充分的空间-光谱特征提取，对外观与水体较易混淆的物体也可以进行正确分类，所采用的主干分网络对水陆交界处的像素也可实现较为平滑分割，以正确识别出复杂背景中的水体；水网结构矢量化子网络在更大的感受野范围内感知上下文，能够实现将一些较小河流上的桥以及公路等遮挡物忽略，将识别结果中的水体连贯起来，同时水网结构矢量化子网络还可消除了背景区域中一些分散的错误分类像素，以得到更优的整体分割效果。

实施例三

为解决现有技术中存在的技术问题，本发明实施例提供了一种水网结构识别模型训练装置。

图7示出了本发明实施例三水网结构识别模型训练装置的结构示意图；参考图7所示，本发明实施例水网结构识别模型训练装置包括数据集获取模块和训练模块。

数据集获取模块用于获取训练数据集，训练数据集包括多个卫星遥感影像数据以及每个卫星遥感影像数据所对应的分割标签图像和矢量化标签图像。

训练模块基于训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型。

其中，水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；

水体表面分割子网络用于提取卫星遥感影像数据的空间信息和维度信息，并将空间信息和维度信息融合为概率特征图；

水网结构矢量化子网络用于将概率特征图中的水路结构进行矢量化，以获取样本图像识别结果。

本发明实施例提供的水网结构识别装置，通过3D卷积分网络对卫星遥感影像的光谱维度进行充分的空间-光谱特征提取，对外观与水体较易混淆的物体也可以进行正确分类，所采用的主干分网络对水陆交界处的像素也可实现较为平滑分割，以正确识别出复杂背景中的水体；水网结构矢量化子网络在水体表面分割子网络的基础上利用向量化标签进行二次训练，在更大的感受野范围内感知上下文，能够实现将一些较小河流上的桥以及公路等遮挡物忽略，将识别结果中的水体连贯起来，同时水网结构矢量化子网络还可消除了背景区域中一些分散的错误分类像素，以得到更优的整体分割效果。

实施例四

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中所述的水网结构识别模型训练方法或实施例二中所述的水网结构识别方法中的所有步骤。

可实现实施例一中所述的水网结构识别模型训练方法中的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，同时可实现实施例二中所述的水网结构识别模型训练方法中的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例二相同，在此不在对其进行赘述。

需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

实施例五

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。

图8示出了本发明实施例五终端结构示意图，参照图8，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一中所述的水网结构识别模型训练方法中的所有步骤或可实现实施例二中所述的水网结构识别方法中的所有步骤。

所述的水网结构识别模型训练方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，同时所述的水网结构识别方法中的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例二相同，在此不在对其进行赘述。

需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种水网结构识别模型训练方法，包括：

获取训练数据集，所述训练数据集包括多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像和矢量化标签图像；

基于所述训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型；

其中，所述水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；

所述水体表面分割子网络用于提取所述卫星遥感影像数据的空间信息和维度信息，并将所述空间信息和维度信息融合为概率特征图；

所述水网结构矢量化子网络用于将所述概率特征图中的水路结构进行矢量化，以获取样本图像识别结果。

2.根据权利要求1所述的方法，其特征在于，基于所述训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型步骤包括：

基于分割训练数据集对所述水体表面分割子网络进行训练，以获取训练完成的水体表面分割子网络，其中所述分割训练数据集包括所述训练数据集中的多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像；

将所述分割训练数据集中卫星遥感影像数据输入至训练完成的水体表面分割子网络，以基于输出的概率特征图获取概率特征图集合，基于所述概率特征图集合和所述卫星遥感影像数据所对应的矢量化标签图像形成矢量化训练数据集；

基于所述矢量化训练数据集对所述水网结构矢量化子网络进行训练，以获取训练完成的水网结构矢量化子网络；

将训练完成的水体表面分割子网络和训练完成的水网结构矢量化子网络串联连接，形成训练完成的水网结构识别模型。

3.根据权利要求1所述的方法，其特征在于，所述水体表面分割子网络包括主干分网络和3D卷积分网络，所述主干分网络和3D卷积分网络均包括下采样通路和上采样通路，且所述主干分网络的上采样通路和所述3D卷积分网络的上采样通路的垂直对应层通过跳跃连接操作连接；

且所述主干分网络的下采样通路和上采样通路之间还设置有多尺度池化模块，以对不同尺度范围内的上下文信息进行编码。

4.根据权利要求1所述的方法，其特征在于，所述卫星遥感影像数据的各波段已进行融合，以使得所述卫星遥感影像数据分辨率统一化。

5.根据权利要求1所述的方法，其特征在于，将所述卫星遥感影像数据输入至水体表面分割子网络前，还需按相同剪裁方式对所述卫星遥感影像数据、分割标签图像和矢量化标签图像进行剪裁，以使得剪裁出的样本图像满足所述水网结构识别模型的输入尺寸要求。

6.一种水网结构识别方法，包括：

获取目标区域的卫星遥感影像数据；

将所述目标区域的卫星遥感影像数据输入至训练完成的水网结构识别模型，以获取所述目标区域的样本图像识别结果；

其中，所述训练完成的水网结构识别模型为通过权利要求1-5中任一项所述水网结构识别模型训练方法获取的。

7.根据权利要求6所述的方法，其特征在于，还包括：

将所述目标区域的所有所述样本图像识别结果进行叠加，以获取所述目标区域的完整水网结构识别结果。

8.一种水网结构识别模型训练装置，其特征在于，包括数据集获取模块和训练模块；

所述数据集获取模块，用于获取训练数据集，所述训练数据集包括多个卫星遥感影像数据以及每个所述卫星遥感影像数据所对应的分割标签图像和矢量化标签图像；

所述训练模块，基于所述训练数据集对水网结构识别模型进行训练，以获取训练完成的水网结构识别模型；

其中，所述水网结构识别模型包括水体表面分割子网络和水网结构矢量化子网络；

所述水体表面分割子网络用于提取所述卫星遥感影像数据的空间信息和维度信息，并将所述空间信息和维度信息融合为概率特征图；

所述水网结构矢量化子网络用于将所述概率特征图中的水路结构进行矢量化，以获取样本图像识别结果。

9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的水网结构识别模型训练方法或实现权利要求6至7中任一项所述的水网结构识别方法。

10.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至5中任一项所述的水网结构识别模型训练方法或实现权利要求6至7中任一项所述的水网结构识别方法。

Images