CN115731470A - 基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统 - Google Patents

Abstract

本发明涉及一种基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统,包括：对覆盖滨海湿地区域的遥感影像数据进行预处理；对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取。本发明可以避免在水体区域边界判断模糊和断裂问题。

Description

基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统

技术领域

本发明涉及遥感应用的技术领域，尤其是指一种基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统。

背景技术

受到全球气候变暖和人类活动破坏的影响。湿地是一种重要的、独特的生态系统，湿地对土壤侵蚀控制、气候调节、防旱防洪和碳源固定等方面起到重要作用。水体在一个湿地生态系统中扮演了重要角色，因此对水体分布和面积变化的监测对于湿地生态保护有着特殊的意义。

遥感技术自21世纪以来发展迅猛，遥感技术对地观测有着覆盖面积广、信息含量大和更新周期短等特点，遥感影像可以为湿地观测和研究提供大量可靠数据。利用遥感影像可以对湿地区域内的水体进行提取，对水体的分布情况和面积变化展开研究和监测。然而，湿地水域周围植被覆盖遮挡，水文条件复杂，光照情况存在差异等情况使得遥感影像中水体的提取具有很大挑战性。目前传统水体提取方法包括单波段阈值法、水体指数法、谱间关系法和决策树分类法。单波段阈值法和水体指数法的阈值选择存在一定难度，混杂了较多的植被阴影信息且一些噪声难以消除；谱间关系法操作繁琐，容易误将建筑物判定为水体；决策树分类法在提取过程中对于特征变量和空间分布类似的地物存在误提和错提现象。与传统方法相比，深度学习相关技术可从深层的水体特征中学习复杂抽象的特征来判断区域类型，该方法虽然对区域的判断精度有很大提升，但是在水体区域边界存在模糊和断裂现象。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中在水体区域边界存在模糊和断裂现象的问题，从而提供一种避免在水体区域边界判断模糊和断裂问题的基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统。

为解决上述技术问题，本发明的一种基于DeepLabV3+网络的滨海湿地水体遥感提取方法，包括如下步骤：步骤S1：对覆盖滨海湿地区域的遥感影像数据进行预处理；步骤S2：对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；步骤S3：建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；步骤S4：对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

在本发明的一个实施例中，所述损失函数公式为：L＝α·BCE+β·DICE，其中α和β是权重系数，且权重系数β＞α，BCE是二元交叉熵损失函数，DICE是骰子系数。

在本发明的一个实施例中，所述权重系数β∶α＝4∶1。

在本发明的一个实施例中，所述DeepLabV3+模型的主干网络中将深度分离卷积引入编码器，对输出的空间特征信息通过解码器进行拼接。

在本发明的一个实施例中，所述编码器最终输出比输入图像少16倍的总特征图，所述解码器对编码器输出的特征图进行4倍双线性采样，并于编码器中相同分辨率的低级特征进行函数关联，然后用3×3的卷积核将组合特征信息融合，最终用4倍双线性采样对特征图逐层细化。

在本发明的一个实施例中，所述DeepLabV3+模型的主干网络使用多孔空间金字塔池化结构，该结构包含三个平行的空洞卷积。

在本发明的一个实施例中，所述空洞卷积的扩张率分别为6、12、和18。

在本发明的一个实施例中，导出水体和其它区域的矢量数据后，制作水体分类矢量数据图，根据所述水体分类矢量数据图进行监测研究工作。

在本发明的一个实施例中，对分类后的训练数据集中样本影像中的每个像素进行划分时，水体像素值设置为1，其余背景值设置为0。

本发明还提供了一种基于DeepLabV3+网络的滨海湿地水体遥感提取系统，包括：预处理模块，用于对覆盖滨海湿地区域的遥感影像数据进行预处理；增强模块，用于对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；提取模块，用于建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；分割模块，用于对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

本发明的上述技术方案相比现有技术具有以下优点：

本发明所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法及系统，包括建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取，从而在水体提取过程中保证水体区域精度的基础上，有效减少区域边界的模糊误判和断裂现象。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明基于DeepLabV3+网络的滨海湿地水体遥感提取方法流程图；

图2是本发明中国横沙岛滨江湿地地理位置图；

图3是本发明滨海湿地遥感影像水体提取结果图；

图4是本发明DeepLabV3+网络的示意图。

具体实施方式

实施例一

如图1所示，本实施例提供一种基于DeepLabV3+网络的滨海湿地水体遥感提取方法，包括如下步骤：步骤S1：对覆盖滨海湿地区域的遥感影像数据进行预处理；步骤S2：对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；步骤S3：建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；步骤S4：对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

本实施例所述基于DeepLabV3+网络的滨海湿地水体遥感提取方法，所述步骤S1中，对覆盖滨海湿地区域的遥感影像数据进行预处理，有利于去除干扰获取准确的影响数据；所述步骤S2中，对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强，从而有利于使数据更准确；所述步骤S3中，建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取，从而在水体提取过程中保证水体区域精度的基础上，有效减少区域边界的模糊误判和断裂现象；所述步骤S4中，对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据，有利于对水体提取效果进行评价分析。

如图2和图3所示，以中国横沙岛滨江湿地地理位置图为例，详细说明本发明基于DeepLabV3+网络的滨海湿地水体遥感提取方法。

先利用全球地表水数据集(JRC Global Surface Water,简称GSW)；对覆盖滨海湿地区域的遥感影像数据进行预处理，包括辐射定标和大气校正工作。然后建立训练数据集、测试数据集和验证数据集，对所述训练数据集中的地物样本划分地物类别。选取全球地表水数据集中的1000张清晰且地物分类准确的影像数据，按照6：2：2的比例分为训练数据集、测试数据集和验证数据集。

对所述训练数据集样本影像中的每个像素进行划分，水体像素值设置为1，其余背景值设置为0，从而有利于将所述训练数据集中的影像按照水体和非水体划分为两类。通过随机水平和垂直旋转对样本训练集进行数据增强，从而有利于使数据更准确。

考虑到水体数据远小于背景数据而造成的水体和背景两类数目不平衡的问题，从而会导致水体边界的判断模糊，因此对目标区域的遥感影像进行水体的识别提取时，采用损失函数来估量真实值和预测值的差异，且所述损失函数公式为：L＝α·BCE+β·DICE，其中α和β是权重系数，且权重系数β＞α，BCE是二元交叉熵损失函数，DICE是骰子系数。

具体地，由于二元交叉熵损失函数(binaery cross entropy，简称BCE)在深度学习领域中有着广泛应用，有效地提高不同地物边界判定的效果，然而当正负两类数目相差过大时，该损失函数的应用效果会变差。因此本发明在BCE的基础上引入骰子系数(dicecoefficient，简称DICE)，而所述DICE能够保持样本与预测的一致性，有效地减少正负类数目不平衡问题的同时提高了水体边界的提取效果。其中损失函数公式为：L＝α·BCE+β·DICE，α和β是权重系数。考虑到DICE的损失梯度较BCE的大，因此权重系数β＞α，权重系数的取值需要通过实验得到最佳值，本次实验通过测试数据集可以找到损失函数的最佳权重比值为β：α＝4∶1。

如图4所示，本发明建立DeepLabV3+模型的主干网络，DeepLabV3+可以应用于改进过后的Xception架构上，该架构完全建立在深层可分离卷积之上，在不影响深层学习特征的基础上，减少可训练参数从而得到更快的计算速度。

所述DeepLabV3+模型的主干网络中将深度分离卷积引入编码器，对输出的空间特征信息通过解码器进行拼接。

所述编码器最终输出比输入图像少16倍的总特征图，所述解码器对编码器输出的特征图进行4倍双线性采样，并于编码器中相同分辨率的低级特征进行函数关联，然后用3×3的卷积核将组合特征信息融合，最终用4倍双线性采样对特征图逐层细化。

具体地，DeepLabV3+网络将深度分离卷积的思想引入编码部分，该方法在减少参数的同时，提高了计算速度和性能。另外，通过Concat方法对输出的空间特征信息进行拼接，利用1×1的卷积提高编码结构非线性。编码器最终输出比输入图像少16倍的总特征图。所述解码器对编码器输出的特征图进行4倍双线性采样，并于所述编码器中相同分辨率的低级特征进行Concat关联，然后用3×3的卷积核将组合特征信息融合，最终用4倍双线性采样对特征图逐层细化，实现水体与周边地物分割，恢复水体细节和边界信息。

另外，考虑到池化带来的水体信息丢失问题，所述DeepLabV3+模型的主干网络使用多孔空间金字塔池化结构，该结构包含三个平行的空洞卷积。所述空洞卷积的扩张率分别为6、12、和18，有利于对水体结构信息的捕捉。

导出水体和其它区域的矢量数据后，制作水体分类矢量数据图，根据所述水体分类矢量数据图进行监测研究工作。

实施例二

基于同一发明构思，本实施例提供了一种基于DeepLabV3+网络的滨海湿地水体遥感提取系统，其解决问题的原理与所述基于DeepLabV3+网络的滨海湿地水体遥感提取方法类似，重复之处不再赘述。

本实施例提供一种基于DeepLabV3+网络的滨海湿地水体遥感提取系统，包括：

预处理模块，用于对覆盖滨海湿地区域的遥感影像数据进行预处理；

增强模块，用于对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；

提取模块，用于建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；

分割模块，用于对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于，包括如下步骤：

步骤S1：对覆盖滨海湿地区域的遥感影像数据进行预处理；

步骤S2：对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；

步骤S3：建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；

步骤S4：对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

2.根据权利要求1所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述损失函数公式为：L＝α·BCE+β·DICE，其中α和β是权重系数，且权重系数β＞α，BCE是二元交叉熵损失函数，DICE是骰子系数。

3.根据权利要求2所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述权重系数β∶α＝4∶1。

4.根据权利要求1所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述DeepLabV3+模型的主干网络中将深度分离卷积引入编码器，对输出的空间特征信息通过解码器进行拼接。

5.根据权利要求4所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述编码器最终输出比输入图像少16倍的总特征图，所述解码器对编码器输出的特征图进行4倍双线性采样，并于编码器中相同分辨率的低级特征进行函数关联，然后用3×3的卷积核将组合特征信息融合，最终用4倍双线性采样对特征图逐层细化。

6.根据权利要求1或4所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述DeepLabV3+模型的主干网络使用多孔空间金字塔池化结构，该结构包含三个平行的空洞卷积。

7.根据权利要求6所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：所述空洞卷积的扩张率分别为6、12、和18。

8.根据权利要求1所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：导出水体和其它区域的矢量数据后，制作水体分类矢量数据图，根据所述水体分类矢量数据图进行监测研究工作。

9.根据权利要求1所述的基于DeepLabV3+网络的滨海湿地水体遥感提取方法，其特征在于：对分类后的训练数据集中样本影像中的每个像素进行划分时，水体像素值设置为1，其余背景值设置为0。

10.一种基于DeepLabV3+网络的滨海湿地水体遥感提取系统，其特征在于，包括：

预处理模块，用于对覆盖滨海湿地区域的遥感影像数据进行预处理；

增强模块，用于对预处理后的遥感影像数据进行分类，对分类后的训练数据集中样本影像中的每个像素进行划分，通过随机水平和垂直旋转对所述训练数据集中的数据进行增强；

提取模块，用于建立DeepLabV3+模型的主干网络，将增强后的数据输入至所述主干网络中进行水体特征的训练学习，利用分类后的测试数据集比对训练后的主干网络的损失函数在不同权重比的设置条件下的识别效果，找到最佳损失函数权重比，根据最佳损失函数权重比，利用分类后的验证数据集的遥感影像数据进行水体特征的识别与提取；

分割模块，用于对目标区域遥感影像的水体提取结果进行分类和矢量化分割，导出水体和其它区域的矢量数据。

Images