一种高分遥感影像水体提取网络模型及方法

本发明提供了一种高分遥感影像水体提取网络模型及方法，属于图像处理。

背景技术：

1、u-net模型在遥感影像水体提取方面的应用，是建立在深度学习技术上的。遥感影像水体提取一直是遥感领域研究的热点和难点，传统的水体提取方法通常基于图像处理和计算机视觉技术，如基于阈值分割、边缘检测、形态学处理等。然而，这些方法往往受到遥感影像的复杂背景、噪声干扰、光照变化等因素的限制，难以实现准确和鲁棒的水体提取。

2、随着深度学习技术的不断发展，越来越多的研究者开始尝试将深度学习应用于遥感影像水体提取。u-net模型是一种常用的卷积神经网络(cnn)模型，其在医学图像分割、自然图像分割等领域得到了广泛应用。u-net模型具有对称性结构和跳跃连接机制，能够有效地捕捉到图像的上下文信息，并且具有良好的特征表达和语义分割能力。

3、在遥感影像水体提取方面，u-net模型可以通过端到端的方式，直接从原始遥感影像中学习和预测水体的位置和形状。这可以大大简化传统的水体提取流程，并且能够更好地适应各种复杂的背景和噪声干扰。此外，u-net模型还可以结合其他技术，如数据增强、损失函数优化等，进一步提高水体提取的性能和鲁棒性。

4、需要注意的是，尽管u-net模型在水体提取方面具有一定的优势，但其仍需要大量的已标注的训练样本，而且对于不同的研究区域和应用场景，可能需要进行适当的模型调整和参数优化。由于u-net模型在处理遥感影像时，较少利用不同感受野下的全局信息，这可能导致模型无法捕捉到更大范围的特征信息，从而影响水体提取的精度。u-net模型在提取水体信息时，可能会忽略一些细节信息，例如小水体、边缘等，这可能导致模型在处理复杂场景时性能下降，出现漏分割或误分割的问题。此外，u-net模型也存在着一些问题，如模型复杂度高、计算量大等，需要进一步研究和改进。

技术实现思路

1、本发明为了解决u-net模型在处理遥感影像时存在的水体提取精度低、性能差等问题，提出了一种高分遥感影像水体提取网络模型及方法。

2、为了解决上述技术问题，本发明采用的技术方案为：一种高分遥感影像水体提取网络模型，采用u-net的编码器-解码器结构，包括编码器模块、上下文提取模块和解码器模块，所述编码器模块的输入端用于输入经过预处理的原始高分遥感影像，所述上下文提取模块用于连接编码器最后一个模块和解码器的第一个模块，所述解码器模块用于对上下文提取模块的输出进行处理，同时编码器模块和解码器模块之间通过aspp_scbam模块实现跳跃连接；

3、所述编码器模块包括多个dense_block模块、多个scbam模块和多个下采样层，所述解码器模块包括多个上采样层和多个dense_block模块；

4、所述dense_block模块由多个密集连接的卷积层组成，每个卷积层的输入是前面所有卷积层的输出在通道维度上的拼接；

5、所述scbam模块为融入了随机池化的cbam模块；

6、所述aspp_scbam模块包括深度可分离卷积、全局平均池化和scbam模块。

7、所述scbam模块包括融入了随机池化的通道注意力模块和融入了随机池化的空间注意力模块，其中融入了随机池化的通道注意力模块通过对特征图进行通道维度上的最大池化、平均池化和随机池化，得到三个通道描述向量，然后分别送入一个共享的多层感知器，得到三个通道注意力向量，最后将它们相加并通过sigmoid函数得到通道注意力权重；

8、融入了随机池化的空间注意力模块通过对特征图进行空间维度上的最大池化、平均池化和随机池化，得到三个空间描述矩阵，然后将它们在通道维度上拼接起来，送入一个卷积层，得到空间注意力矩阵，最后通过sigmoid函数得到空间注意力权重。

9、所述aspp_scbam模块包括一个1×1深度可分离卷积，三个扩张率分别为6、12、18的深度可分离卷积操作，以及一个全局平均池化操作和一个scbam模块。

10、所述编码器模块具体采用了4个dense_block模块、4个scbam模块和4个下采样层，下采样层包括1个1×1卷积、批归一化层、线性整流函数以及1个3×3深度可分离卷积。

11、所述解码器模块具体包括4个dense_block模块和4个上采样层，在上采样层中首先对aspp_scbam模块的输出进行双线性插值、批归一化处理、线性整流函数和1×1卷积的上采样处理，然后将其与上下文提取模块经过双线性插值处理后的输出进行拼接，将拼接后的结果传递给一个卷积层，并使用relu激活函数和批量归一化对其进行处理。

12、所述上下文提取模块具体采用一个dense_block模块。

13、采用混合了dice系数和像素级二元交叉熵的联合损失函数对网络模型进行训练及参数优化。

14、一种高分遥感影像水体提取方法，包括如下步骤：

15、s1：获取高分遥感影像数据并进行预处理，对预处理后的图像数据进行水体标注，并划分数据集为测试集和验证集；

16、s2：对高分遥感影像水体提取网络模型进行训练，得到最优模型；

17、s3：通过训练好的模型对高分遥感图像中的水体进行提取并输出提取的图像。

18、对模型的训练采用边训练边评估的方法，每训练一个epoch后保存模型的同时对模型进行评估，将最优模型保存下来，训练结束后用最优模型对测试集进行预测。

19、采用像素准确率、召回率、f1分数、加权交并比和均交并比五个指标对最优模型进行评估。

20、本发明相对于现有技术具备的有益效果为：

21、(1)在u-net模型中融入dense_block密集块可以有助于解决在处理水体提取遥感影像时较少利用不同感受野下的全局信息的问题，从而提高遥感影像处理的分割精度。

22、(2)引入aspp_scbam模块，可以将小水体的浅层和深层特征有效地结合在一起，这个模块可以补偿在采样过程中可能出现的特征损失，使得网络可以更好地利用不同层次的特征信息，提高对小水体的分割准确性。

23、(3)加入scbam混合注意力机制，可以减少噪声信息对水体边界的干扰，提高网络对水体边界分割的准确性。

24、(4)采用混合了dice系数和像素级二元交叉熵的联合损失函数，可以使模型在保证分割精度的同时，也能够生成更加平滑和连续的分割边界，避免出现过拟合或者过分细化的问题。

技术特征：

1.一种高分遥感影像水体提取网络模型，采用u-net的编码器-解码器结构，其特征在于：包括编码器模块、上下文提取模块和解码器模块，所述编码器模块的输入端用于输入经过预处理的原始高分遥感影像，所述上下文提取模块用于连接编码器最后一个模块和解码器的第一个模块，所述解码器模块用于对上下文提取模块的输出进行处理，同时编码器模块和解码器模块之间通过aspp_scbam模块实现跳跃连接；

2.根据权利要求1所述的一种高分遥感影像水体提取网络模型，其特征在于：所述scbam模块包括融入了随机池化的通道注意力模块和融入了随机池化的空间注意力模块，其中融入了随机池化的通道注意力模块通过对特征图进行通道维度上的最大池化、平均池化和随机池化，得到三个通道描述向量，然后分别送入一个共享的多层感知器，得到三个通道注意力向量，最后将它们相加并通过sigmoid函数得到通道注意力权重；

3.根据权利要求2所述的一种高分遥感影像水体提取网络模型，其特征在于：所述aspp_scbam模块包括一个1×1深度可分离卷积，三个扩张率分别为6、12、18的深度可分离卷积操作，以及一个全局平均池化操作和一个scbam模块。

4.根据权利要求1-3任一项所述的一种高分遥感影像水体提取网络模型，其特征在于：所述编码器模块具体采用了4个dense_block模块、4个scbam模块和4个下采样层，下采样层包括1个1×1卷积、批归一化层、线性整流函数以及1个3×3深度可分离卷积。

5.根据权利要求4所述的一种高分遥感影像水体提取网络模型，其特征在于：所述解码器模块具体包括4个dense_block模块和4个上采样层，在上采样层中首先对aspp_scbam模块的输出进行双线性插值、批归一化处理、线性整流函数和1×1卷积的上采样处理，然后将其与上下文提取模块经过双线性插值处理后的输出进行拼接，将拼接后的结果传递给一个卷积层，并使用relu激活函数和批量归一化对其进行处理。

6.根据权利要求5所述的一种高分遥感影像水体提取网络模型，其特征在于：所述上下文提取模块具体采用一个dense_block模块。

7.根据权利要求1或6所述的一种高分遥感影像水体提取网络模型，其特征在于：采用混合了dice系数和像素级二元交叉熵的联合损失函数对网络模型进行训练及参数优化。

8.一种高分遥感影像水体提取方法，其特征在于：包括如下步骤：

9.根据权利要求8所述的一种高分遥感影像水体提取方法，其特征在于：对模型的训练采用边训练边评估的方法，每训练一个epoch后保存模型的同时对模型进行评估，将最优模型保存下来，训练结束后用最优模型对测试集进行预测。

10.根据权利要求9所述的一种高分遥感影像水体提取方法，其特征在于：采用像素准确率、召回率、f1分数、加权交并比和均交并比五个指标对最优模型进行评估。

技术总结
本发明提供了一种高分遥感影像水体提取网络模型及方法，属于图像处理技术领域；解决了U‑Net模型在处理遥感影像时存在的水体提取精度低、性能差等问题；采用U‑Net的编码器‑解码器结构，包括编码器模块、上下文提取模块和解码器模块，编码器模块和解码器模块之间通过ASPP_SCBAM模块实现跳跃连接；编码器模块包括多个Dense_Block模块、多个SCBAM模块和多个下采样层，解码器模块包括多个上采样层和多个Dense_Block模块；Dense_Block模块由多个密集连接的卷积层组成，每个卷积层的输入是前面所有卷积层的输出在通道维度上的拼接；SCBAM模块为融入了随机池化的CBAM模块；ASPP_SCBAM模块包括深度可分离卷积、全局平均池化和SCBAM模块；本发明应用于遥感凸显水体提取。

技术研发人员：刘萍,谢育珽,郑翔天,李文炜,高宇,张华栋,郝戍峰,韩昕,武鑫如
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/4/7