基于SegNet＿CRF的遥感影像水体提取方法_林娜.pdf

第 卷 第 期 年 月测绘与空间地理信息 ，收稿日期：基金项目：重庆市教委科学技术研究项目（、）资助作者简介：林 娜（），女，湖北襄阳人，副教授，博士，年毕业于成都理工大学地球探测与信息技术专业，主要从事深度学习在遥感图像处理中的研究应用与教学工作。基于 的遥感影像水体提取方法林 娜，王玉莹，郭 江，潘 鹏，李 莉（重庆交通大学 土木工程学院，重庆；重庆工程职业技术学院 测绘地理信息学院，重庆）摘要：水体的自动提取对于洪水监测、水资源管理等方面有着重要意义。本文提出了 语义分割方法，可从遥感影像上自动提取水体。首先，在 编码器和解码器之间植入空洞卷积特征提取块，融合不同尺度的特征，然后在分类后处理中引入条件随机场，对提取结果进行精细化处理，最后与、经典 网络水体提取结果对比，结果表明，网络结构在、以及 指标上都有所提高，水体提取结果更加准确完整，抑制噪声能力更强。网络可有效地实现水体提取任务。关键词：遥感影像；水体提取；空洞卷积；全连接条件随机场中图分类号：文献标识码：文章编号：（），（，；，）：，：；引 言水体提取是水资源管理的一个重要组成部分，在水利规划、水运路线规划、洪灾监测等方面具有十分重要的意义。随着遥感传感器的迅速发展，利用遥感影像提取水体信息已经成为水资源调查监测的重要方法和手段。目前水体提取的方法较多，一般可分为两大类：一类是基于影像光谱特征的提取方法，如水体指数法、单波段阈值法、谱间关系法等；另一类是综合了影像的光谱、纹理、空间等特征的分类器方法，如面向对象法、支持向量机（）、决策树等。在 年提出了归一化差异水体指数（）。为降低建筑物和土壤对水体提取的影响，徐涵秋对 进行了改进，提出了改进的归一化差异水体指数（）。毕海芸等利用单波段阈值法、基于阈值的多波段谱间关系法以及基于阈值的水体指数法对不同地区的水体进行了提取。胡德勇等使用支持向量机（）分类器在雷达影像上进行水体了信息提取，取得了较好的提取结果与精度。岁秀珍等利用 数据，基于面向对象的多尺度分类方法对水体进行了提取，较准确地提取了水体信息。近年来，随着深度学习的飞速发展，基于卷积神经网络的遥感影像水体提取方法也逐渐展现出优势。王雪等将全卷积神经网络用于遥感影像水体提取，验证了全卷积神经网络提取水体的可行性。设计了一种能够从复杂城市背景下的输入数据中提取有用的高级水体的特征的卷积神经网络，提取精度较高。提出了一种多尺度的湖水提取网络（），可以很好地提取小湖泊的水体，解决了湖泊水体类内方差大、类间方差小的问题。提出了一种新的语义分割卷积神经网络多尺度水提取卷积神经网络（），使用 可以在多个场景中对各类型水体进行提取，且提取效果较好。以上方法都可以有效地提取水体，但在水体提取时，影像背景复杂，水体与颜色相近的相邻地物不易区分、阴影噪声影响大、水体提取边缘轮廓较模糊等问题仍然存在。针对以上问题，本文首先对遥感数据进行了标准假彩色变换，扩大了颜色相近的相邻地物的区分度。其次，对 网络进行改进优化，在编码器和解码器之间增加了多尺度特征提取块，改善了因水体类型不同、形状大小差异大带来的分割不准确的问题，同时降低了阴影的影响。最后，本文将 与全连接条件随机场（）相结合，通过计算相邻 个像素之间的相似度来判断它们是否属于相同类别，增强水体边缘分割清晰度。研究数据 数据来源与预处理哨兵二号（）是高分辨率多光谱成像卫星，欧洲航天局于 年 月 日发射哨兵 卫星，携带从可见光到近红外再到短波红外的 个波段信息的 成像传感器，幅宽为 ，空间分辨率分别为、和 。本文的研究区域为重庆市，研究数据为 年重庆市哨兵二号影像数据，该区域包括农村和城市区域，水域面积大，水体类型多样，既有开放型的大江大河，也有封闭型的池塘湖泊；既有大型水体水库河流，也有小型水体细小河流。同时，农村与城市的背景地物有较大差异，为研究不同地物背景下的水体提取提供多样的数据标签。从欧空局下载的影像为 级数据，借助于 插件进行辐射定标以及大气校正，得到校正后的影像用 软件进行再处理，得到、等其他软件可以处理且能够真实反映出大气底层的 级反射率数据。数据集制作本文运用地物的光谱特征对预处理后的哨兵影像数据进行标准假彩色变换，扩大不同类像素间的差异性，使水体与相邻地物颜色区别更显著，便于水体标签制作的同时增强网络特征提取的性能。在数据集制作时选取了各种具有代表性的水体类型，如河流、水库、池塘、湖泊等。对训练数据进行水体与背景地物的二值化，水体标注为，背景地物标注为，从而得到标签数据。将标准假彩色影像和标签相对应后进行随机裁剪，重叠度为，随机裁剪为 像素 像素的图片，共获得 张标签。因网络训练需大量的样本数据，为避免模型出现过拟合，本文通过旋转、平移、镜像、添加噪声点等方式对数据进行了 倍扩充，共得到 张样本数据，其中训练集 张，验证集 张。研究方法 经典 模型结构 网络是经典的编码（）解码（）结构网络，由编码网络、解码网络以及分类器 部分组成。网络的上半部分是编码部分，即网络下采样的过程，用于特征提取。编码结构包括卷积层（，）、批量标准化层（，）、激活函数（，）、池化层（）。网络的下半部分是解码部分，即网络的上采样过程，用于恢复图像原来的尺寸，解码结构由上采样层（）和卷积层组成。当特征图片经过反卷积以后，输入到分类器（）中进行逐像素分类处理，网络架构如图 所示。网络在池化的过程中会记录最大池化索引（）信息，这一特点使其保留了最大特征值的位置信息，便于上采样过程中恢复特征的位置。网络的分类器为 分类器，对输入的特征向量进行逐像元的分类，判断每个像元所属分类的概率。图 结构图 构建 新模型 构建多尺度空洞卷积特征提取模块在训练 网络模型时，下采样过程中会通过减小特征图的尺寸扩大感受野，使其结果丢失影像的部分细节特征信息。同时，不同类型水体的形状、大小等差异较大，若使用同样大小的卷积核进行特征提取，获取不到全局信息，因此，本文引入了空洞卷积（）。空洞卷积是指通过在卷积核各元素之间添加，可以在不增加计算量的同时扩大卷积核的感受野，减少细节第 期林 娜等：基于 的遥感影像水体提取方法信息的丢失。空洞率的大小也可以理解为各卷积核元素之间的距离，感受野大小与空洞率的关系如式（）所示：（）（）（）式中，为卷积核的大小；为空洞率；是感受野大小。若卷积核大小为，空洞率分别为、的不同感受野也大不相同，当空洞率是 的标准卷积时，只能获取周围 个像素的特征；而当空洞率为、的卷积，其感受野分别为、，感受野变大，在获取更大尺度上的全局信息的同时，减少阴影噪音的影响。本文在编码器和解码器之间嵌入多尺度空洞卷积块，空洞卷积块的结构及位置如图 所示，卷积核大小为，空洞率分别设置为、，不同的空洞率可以提取影像不同尺度的特征，通过融合多个尺度特征，获取更全面的上下文信息，再经过 卷积降维整合提取特征，进一步提高分类精度。植入 后处理模块 模型在上采样恢复图像尺寸的过程中，会造成特征损失的问题，使提取地物边界不清晰。考虑到全连接条件随机场（）模型可以获取元素之间相关性等优势，本文将 作为 网络提取特征的后处理阶段。将 模型的输出作为 的输入数据，通过计算 个像素之间的相似性判断其是否属于同一类地物，从而对提取的结果进行精细化分类，将经过 后处理得到的结果作为最终的提取结果。在全连接条件随机场中，其能量函数由一元势能和二元势能构成，能量函数如式（）所示：（）（），（，）（）式中，第一项为一元势能，利用单个像素点的特征值判别所属类别，其表示像素值为 时，该像素点属于类别标签 的概率；第二项是成对势能函数，判断两像素点属于同一类别的概率，具体的描述了每个像素与其他像素的关联性，经特征计算后，计算值相似的像素归为同一类，计算值差异较大的划分为不同类。构建的 新模型网络结构如图 所示。图 网络结构 实验及分析 实验环境及参数设置本文实验的训练环境如下：中央处理器为 ，运行内存为 ，显卡为，显存 ，深度学习框架为，版本为，编程语言为，版本为。本试验的部分参数设置如下，初始学习率设置为，实验的迭代次数设置为，批大小（）设置为，模型参数优化器为随机梯度下降（）。精度评定指标本文将、经典、改进的多尺度空洞卷积、改进多尺度空洞卷积 新模型性能通过视觉比较和 个评估指标进行了评估。视觉比较包括有无网络改进、不同模型在不同类型地表水和混淆物体的区 域 上 的 性 能 比 较。个 评 估 指 标 即 准 确 率（）、召回率（）、。准确率和召回率分别代表提取水体的准确度和完整度，而 是由准确率和召回率计算得出。各评估指标的定义分别为式（）至式（）：（）（）（）（）（）（）式中，表示的是预测正确的水体像元数量；表示的是非水体像元数量；表示的是预测错误的水体像元数量；表示的是未被预测的水体像元数量。水体提取精度对比 不同模型水体提取结果对比本文选择、经典 网络、多尺度空洞卷积 以及 进行对比实验，对提取到的不同类型的地表水体进行可视化，用来评估不同模型的性能，其提取结果对比如图 所示。对于城市区域的大型水体，、经典、多尺度空洞卷积 以及本文方法都可以提取到，但、经典 方法易受建筑物阴影、山体阴影的影响，出现错误提取，同时，城市内部的细小水体不易识别，如图（）、（）所示，而增加了多尺度空洞卷积特征提取块的模型错误提取会减少，提效果明显改善，如图（）、（）所示。对于水田，与经典 提取易受光谱特征相似的物体影响，水和湿地之间的混合使水体边界粗糙，如图（）、（）所示。由图 的提取结果可以看出，本文方法提取到的各类型水体，阴影噪声降低，且边界更加清晰准确，对于不同类型的水体分割效果都有不同程度的改善，如图（）、（）、（）、（）所示，提取效果明显优于 模型和 模型。对于背景为山体的水体，图 显示，、经典、多尺度空洞卷积 以及本文方法都可以降低噪声影响，但本文方法提取的完整度和准确率更高。对于和水体具有相近光谱特征和结构特征的运动场，图 显示，种模型都可以有效去除运动场的影响，主要原因 测绘与空间地理信息 年是本实验所用标签在制作时进行了标准假彩色变换，使运动场与水体的颜色差异明显扩大，从而不存在误提现象，因此对影像进行标准假彩色变化可以提高水体的提取精度。图 不同模型提取结果可视化 不同模型精度分析、经典 网络、多尺度空洞卷积 以及 的对比实验精度见表。首先，经典 模型与 模型相比，模型的、和 指标要高出后者、。其次，再将引入多尺度空洞卷积特征提取块的 和经典 模型相比较，、及 个评估指标分别增加了、，说明多尺度特征提取块的植入可以有效提升精度，增强水体特征的细节识别能力。最后，在改进的基础上引入 后处理模块，使得提取水体完整度和精确度达到了、，指标达到了，与改进的多尺度空洞卷积 模型相比，个指标分别又增加了、。足以证明引入空洞卷积模块和 后处理模块对于 对水体的提取有更好的效果。表 不同模型水体提取结果精度对比（单位：）（：）方法多尺度空洞卷积 结束语本文提出了一种基于卷积神经网络的遥感图像语义分割的 模型，由编码器、多尺度空洞卷积模块、解码器和 后处理模块组成。由于不同类型水体的尺度特征，本文增加了不同扩张率的空洞卷积，但过度扩张速率会导致有用信息的丢失和细小水体的不完整分割，因此，本文使用逐渐大的扩张速率和在不同扩张卷积层连接通道来保存尽可能多的信息。在模型的训练过程中，本文使用数据增强处理，这可以避免网络的过拟合现象，并提高了网络的泛化能力。由于水体分割边界不够清晰，本文将原图进行了标准假彩色变化，扩大水体与周边物体的颜色差异，经过 后处理模块后可以取得更好的分割结果，避免受植被等影响。与其他模型相比，该方法达到了最高的、，由可视化结果分析可见，其提取水体的完整性明显优于其他方法。虽然本文的方法在该数据集上取得了良好的分割结果，但仍有许多可以改进之处，由于本文的数据集的大小相对较小，因此很容易过度拟合。一方面，本文需要丰富扩充数据集；另一方面，后处理模块会占用大量的内存，增加模型训练的时间。以上问题还需进一步优化研究。参考文献：何海清，杜敬，陈婷，等结合水体指数与卷积神经网络的遥感