一种基于SF-Unet模型的高分辨率耕地遥感影像分割方法

本发明涉及遥感影像分割领域，尤其是涉及一种基于sf-unet模型的高分辨率耕地遥感影像分割方法。

背景技术：

1、耕地面积的统计是农业统计中的一项十分重要的指标，在现行的农村经济统计报表制度中耕地的数量是通过农业统计年报调查取得的。由于种种原因，耕地面积不实的问题仍然存在，对准确把握耕地面积的动态变化带来诸多不便。提取遥感影像耕地区域采用人工解译的方法较为常见，但是人工分割的方式耗费大量人力物力，且效率低下。

2、近年来随着深度学习的技术不断发展，越来越多的深度学习模型应用到遥感影像耕地提取领域，耕地面积统计利用深度学习实现遥感影像耕地区域自动化检测，取代人工解译，能有效提升耕地面积统计效率，对客观真实地统计耕地面积具有十分重要的意义。

3、现有遥感影像分割方法可分为传统图像处理方法和基于深度学习的语义分割方法。在传统的耕地遥感影像分割算法领域，依据图像的颜色，纹理和形状特征等特点，大多数模型使用了基于阈值分割、基于区域分割、基于边缘检测分割以及超像素等方法。但是，传统图像处理方法中存在如下问题：总体分割精度不高，且复杂多变的遥感影像耕地区域对传统分割模型性能有较大限制。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于sf-unet模型的高分辨率耕地遥感影像分割方法。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明公开了一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，包括以下步骤：

4、s1：对gid遥感影像数据集进行预处理，将所述数据集划分为训练集、验证集和测试集；

5、s2：构建sf-unet模型；

6、s3：进行训练时的实验配置，设置训练参数；

7、s4：利用所述训练集和验证集输入到所述模型进行训练和验证；

8、s5：利用所述测试集对所述模型进行测试，查看影像分割效果。

9、进一步地，所述s1中的对gid遥感影像数据集进行预处理包括：将多标签数据集标签图片处理成只包含耕地区域和背景区域的单标签图片，其中，将耕地区域作为前景，其余区域作为背景；将所述图片进行裁剪，按比例地划分为训练集、验证集和测试集。

10、进一步地，其特征在于，s2中的所述sf-unet模型基于对transfuse模型的改进得到，构建sf-unet模型包括：

11、s21：将u-net特征提取网络替换transfuse模型的cnn编码部分的resnet50网络，u-net特征提取网络用于特征提取，得到u-net特征图；

12、s22：将swin transformer特征提取网络替换transfuse模型的transformer编码部分的vit网络，swin transformer特征提取网络用于特征提取，得到swin transformer特征图；

13、s23：使用融合模块fusion将u-net特征图和swin transformer特征图进行融合交互，得到融合两部分的特征图。

14、进一步地，所述s21包括：利用u-net特征提取网络的跳跃连接方式，通过对输入的图片采用通道拼接的方式，得到u-net特征图。

15、进一步地，所述s22包括：采用swin transformer特征提取网络用于特征提取，引入窗口多头注意力机制，将特征图分割成多个窗口进行独立的自注意力计算，使swintransformer特征图获取上下文语义信息及全局依赖关系；swin transformer特征图与u-net特征图一一对应。

16、进一步地，所述s23包括：融合模块fusion将swin transformer特征图通过通道注意力模块进行运算，将u-net特征图通过空间注意力模块进行运算，用sigmoid激活函数生成通道注意力特征权重和空间注意力特征权重，通过一个卷积层进行交互，得到融合交互后的特征图。

17、进一步地，s3中所述实验包括使用的网络框架为pytorch框架，初始学习率为1e-4。

18、进一步地，s3中所述设置训练参数包括：针对设备性能、显卡的配置以及耕地遥感影像大连续分布情况来设置训练参数。

19、进一步地，所述s4包括：使用深监督机制对融合模块fusion输出的特征图进行监督，包括：将diceloss和iouloss两者组合为损失函数，在融合模块fusion中增加一个辅助的分类器作为一种网络分支，对融合模块fusion输出的特征图进行监督，防止产生过拟合。

20、进一步地，所述s5中的查看分割效果包括：计算出所述模型分割的dice系数和平均交并比，将dice系数、平均交并比和耕地遥感影像分割效果图与其他模型进行对比。

21、与现有技术相比，本发明具有以下有益效果：

22、(1)本发明通过用u-net网络替换原始transfuse网络中cnn主干网络resnet50，通过跳跃连接等方式，具有增强模型的边界分割能力。

23、(2)本发明通过用swin transformer网络替换原始transfuse网络中transformer主干网络vit，同时还通过对swin transformer网络结构进行修改，使其输出层数与u-net网络的5层输出特征图尺寸相对应，性能优于基本版本的swin transformer网络，具有增强模型的长距离信息提取能力，减少空间丢失的效果。

24、(3)本发明使用了基于空间注意力(spatial attention)和通道注意力(channelattention)相结合的fusion融合模块，在保留cnn强大的局部特征提取能力的同时，加入transformer的全局注意力机制，加强上下文信息联系，减少空间细节的丢失，在耕地遥感影像分割效果图中噪声较少，内部填充相比较单独的u-net和swin transformer模型更加饱满，轮廓边界更加清晰，在遥感影像耕地面积提取上取得了很好的效果。

25、(4)本发明通过引入深监督机制对sf-unet模型进行监督，加快了sf-unet模型的收敛速度和识别能力，提高了sf-unet模型的分割性能。

技术特征：

1.一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s1中的对gid遥感影像数据集进行预处理包括：将多标签数据集标签图片处理成只包含耕地区域和背景区域的单标签图片，其中，将耕地区域作为前景，其余区域作为背景；将所述图片进行裁剪，按比例地划分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，s2中的所述sf-unet模型基于对transfuse模型的改进得到，构建sf-unet模型包括：

4.根据权利要求3所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s21包括：利用u-net特征提取网络的跳跃连接方式，通过对输入的图片采用通道拼接的方式，得到u-net特征图。

5.根据权利要求3所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s22包括：采用swin transformer特征提取网络用于特征提取，引入窗口多头注意力机制，将特征图分割成多个窗口进行独立的自注意力计算，使swin transformer特征图获取上下文语义信息及全局依赖关系；swin transformer特征图与u-net特征图一一对应。

6.根据权利要求3所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s23包括：融合模块fusion将swin transformer特征图通过通道注意力模块进行运算，将u-net特征图通过空间注意力模块进行运算，用sigmoid激活函数生成通道注意力特征权重和空间注意力特征权重，通过卷积层进行交互，得到融合交互后的特征图。

7.根据权利要求4所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，s3中所述实验包括使用的网络框架为pytorch框架，初始学习率为1e-4。

8.根据权利要求1所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，s3中所述设置训练参数包括：针对设备性能、显卡的配置以及耕地遥感影像大连续分布情况来设置训练参数。

9.根据权利要求1所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s4包括：使用深监督机制对融合模块fusion输出的特征图进行监督，包括：将diceloss和iouloss两者组合为损失函数，在融合模块fusion中增加一个辅助的分类器作为一种网络分支，对融合模块fusion输出的特征图进行监督，防止产生过拟合。

10.根据权利要求1所述的一种基于sf-unet模型的高分辨率耕地遥感影像分割方法，其特征在于，所述s5中的查看分割效果包括：计算出所述模型分割的dice系数和平均交并比，将dice系数、平均交并比和耕地遥感影像分割效果图与其他模型进行对比。

技术总结
本发明涉及一种基于SF‑Unet模型的高分辨率耕地遥感影像分割方法，包括以下步骤：S1：对GID遥感影像数据集进行预处理，将所述数据集划分为训练集、验证集和测试集；S2：构建SF‑Unet模型；S3：进行训练时的实验配置，设置训练参数；S4：利用所述训练集和验证集输入到所述模型进行训练和验证；S5：利用所述测试集对所述模型进行测试，查看影像分割效果。与现有技术相比，本发明具有具有增强模型的边界分割能力；增强模型的长距离信息提取能力，减少空间丢失的能力；在遥感影像耕地面积提取上，效果轮廓边界更加清晰等优点。

技术研发人员：秦伦明,凌雪海,边后琴,龚杨洋,崔昊杨
受保护的技术使用者：上海电力大学
技术研发日：
技术公布日：2024/2/8