一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法技术

本发明专利技术公开了一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法。相比其它图像分割方法，本发明专利技术有效地提高了海冰遥感图像的分割精度。在本发明专利技术中，搭建了一个深层次编解码网络模型，使用更深的编码层数能提取更深层次的语义信息，有助于提高分割精度。同时使用深度可分离卷积实现编解码块，能够有效减少加深网络所带来的计算量增加。使用小波变换提取图像浅层细节信息，与浅层编码所提取的特征进行融合，辅助网络进行特征提取。本发明专利技术可以用于海洋养殖、环境保护、海面作业和海冰灾害预防等需要进行海冰监测的任务。和海冰灾害预防等需要进行海冰监测的任务。和海冰灾害预防等需要进行海冰监测的任务。

【技术实现步骤摘要】
一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法


[0001]本专利技术属于海冰遥感监测方法研究和语义分割领域，特别是一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法。
技术背景
[0002]海冰主要分布在极地海域和高纬度海域。海冰在形成的过程中会带动海水的铅直对流，能把表层高溶解氧的海水向下输送，同时把底层富含浮游植物所需要的营养盐类的肥沃海水输送到表层，有利于生物的大量繁殖，形成丰富的渔业资源。海冰还能减少潮汐的潮差及流速、降低海浪高度。当有海冰存在时，海水与大气的热交换大大减少，同时海冰有着低热导性和高太阳辐射能反射率,有利于对海洋制约海洋温度变化。此外，海冰受海风和海水流动作用影响而产生运动，会造成海冰灾害，影响到人类在海岸和海上活动的实施和设施安全运行，威胁生命安全、造成资源财产损失。因此，对海冰的分布情况进行监测，对海洋养殖、环境保护和海面作业等活动的实施有重要价值。
[0003]目前，海冰的监测方法主要分为目测、器测和遥测。其中目测和器测这两种方法能力有限，无法实现对海冰整体区域进行观察，而遥测能通过遥感卫星实现大范围的海冰监测。但由于卫星硬件设备和拍摄环境的限制，遥感影像无法展现出海面物体细节部分，难以对海冰区域进行精确分辨。而且遥感卫星在拍摄过程中易受恶劣天气、云雾等影响，所拍摄的影像会存在多干扰目标、海冰区域与非海冰区域分布不均衡的现象，大大增加了海冰区域的识别难度。综上所述，使用技术手段对海冰遥感图像中的海冰区域进行精确监测，具有非常重要的现实意义。

技术实现思路

[0004]本专利技术的目的在于提供一种基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法。具体是使用编解码结构的语义分割网络对遥感图像中的海冰区域进行分割。通过在编解码结构中使用深度可分离卷积，可以在保持卷积效果不变的情况下平衡加深网络所带来的计算量增加；针对海冰遥感图像存在的难区分目标，使用小波变换提取图片水平、垂直和对角方向的细节信息，辅助网络进行特征提取。使用通道注意力机制对编码过程提取的海冰特征进行校正，剔除无价值的特征，提高分割的精度。通过在海洋一号卫星光学数据海冰目标监测遥感数据集上的验证，本专利技术能够有效地对海冰区域进行监测。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]基于小波变换和可分离卷积语义分割的遥感图像海冰智能监测方法，具体包括如下步骤：
[0007]步骤1：对海冰遥感图像原始数据集进行预处理。数据集中的图像为tif格式，包含R
‑
G
‑
B三个通道。将图像分割成256
×
256大小的图片，得到扩充的数据集，按照4∶1的比例将数据集划分训练集、验证集。测试集将单独给出，不作处理。
[0008]步骤2：搭建本专利技术的网络模型。具体地说，搭建的网络模型包含四个阶段，分别是：小波变换阶段、编码阶段、通道注意力阶段和解码阶段，每个阶段的具体操作如下：
[0009](1)小波变换阶段：对读入图像的每个通道分别使用N＝2的Daubechies小波函数进行二维小波变换，每个通道得到一组(4张)变换后的矩阵，分别包括：近似矩阵(LL)、水平细节矩阵(HL)、垂直细节矩阵(LH)和对角细节矩阵(HH)，其尺寸都为小波变换前图片的1/4大小。将RGB三个通道的水平、垂直和对角三个方向细节矩阵进行通道堆叠，得到一个128
×
128
×
9大小的合并细节矩阵。然后再对近似矩阵进行相同上述小波变换，将生成的细节矩阵进行通道堆叠，得到64
×
64
×
9的合并细节矩阵。最后使用卷积(Conv)操作将合并细节矩阵的通道数分别提升至64和128。
[0010](2)编码阶段：编码阶段包含5个串行连接的编码块(EncoderBlock)。每个编码块内使用深度可分离卷积进行特征提取，编码块内的最后一层为池化层(MaxPooling2D)。每经过一个编码块，特征图的长宽减半、通道数翻倍，第一个编码块的输入通道为32。第二个编码块和第三个编码块在池化之前，将特征图分别与小波变换阶段中输出的对应尺寸细节矩阵进行通道拼接。
[0011](3)通道注意力阶段：设通道注意力(ChannelAttention)输入的特征图通道为C。通道注意力对输入特征图分别进行全局平均池化(GlobalAvgPool)和全局最大池化(GlobalMaxPool)操作，得到两个1
×1×
C的压缩矩阵。将输出的压缩矩阵分别依次输入到两个全连接层(Dense)，其中第一个全连接层将通道数降维至C/8，第二个全连接层将通道数升维恢复为C，得到两个1
×1×
C矩阵。随后将两矩阵相加后使用hard
‑
sigmoid激活函数，得到输入特征图的通道权重矩阵。最后将输入特征图与通道权重矩阵进行点乘并输出。
[0012](4)解码阶段：解码阶段包含5个串行连接的解码块(DecoderBlock)。每个解码块使用深度可分离卷积实现，解码块内的最后一层为2倍上采样(UpSampling2D)。每经过一个解码块，特征图的长和宽翻2倍、通道数减半。每个解码块的输入由两部分组成，分别是上一解码块输出，以及同级编码块特征图经过通道注意力的输出，将二者进行通道拼接作为解码块的输入。解码阶段的最后通过softmax激活函数输出逐像素的预测图。
[0013]步骤3：对模型训练的参数进行设置。其中训练的epoch数设为150；batchsize设为16；使用Adam优化器初始学习率设置为0.001，并且采用“poly”学习率策略(power设为0.9)，辅助损失权重设为[0.16，0.4，1，1]。
[0014]步骤4：针对在海冰遥感数据集中存在有海冰区域和无海冰区域的类别不均衡，损失函数采用Focal Loss，具体公式为：
[0015]FL(p
t
)＝
‑
α
t
(1
‑
p
t
)γlog(p
t
)；
[0016]其中的p
t
表示样本属于真实类别的概率；α
t
来控制正负样本对总的loss的共享权重，当α
t
取值较小时可以降低负样本的权重；γ为聚焦参数，是一个非负值，(1
‑
p
t
)
γ
称为调制系数，通过该系数可以减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本。训练过程中α
t
设置为0.25，γ设置为2.
[0017]步骤5：将处理后的数据集输入搭建好的网络模型进行训练。
[0018]步骤6：在测试过程中每次读入一张测试图片，依次取该图片的256
×
256大小的块进行预测，并将全部预测图拼接回原图片尺寸，用拼接后的预测图与标签计算权频本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度可分离卷积与小波变换辅助特征提取的海冰遥感图像分割方法，其特征在于，所述方法具体包括以下步骤：步骤1：对海冰遥感图像原始数据集进行预处理。步骤2：搭建本发明的语义分割网络模型。步骤3：对模型训练的参数进行初始化设置。步骤4：在训练过程中使用Focal Loss损失函数。步骤5：将数据集输入与分割开始进行训练。步骤6：输出海冰分割的预测结果，并计算其与标注的权频交并比。2.根据权利要求1所述的基于深度可分离卷积与小波变换辅助特征提取的海冰遥感图像分割方法，其特征在于：所述数据集中的图像为tif格式，包含R
‑
G
‑
B三个通道。将图像分割成256
×
256大小的图片，得到扩充的数据集，按照4∶1的比例将数据集划分训练集、验证集。测试集将单独给出，不作处理。3.根据权利要求1所述的基于深度可分离卷积与小波变换辅助特征提取的海冰遥感图像分割方法，其特征在于：搭建的语义分割网络模型包含四个阶段，分别是：小波变换阶段、编码阶段、通道注意力阶段和解码阶段，每个阶段的具体操作如下：(1)小波变换阶段：对读入图像的每个通道分别使用N＝2的Daubechies小波函数进行二维小波变换，每个通道得到一组(4张)变换后的矩阵，分别包括：近似矩阵(LL)、水平细节矩阵(HL)、垂直细节矩阵(LH)和对角细节矩阵(HH)，其尺寸都为变换前图片的1/4大小。将RGB三个通道的水平、垂直和对角三个方向细节矩阵进行通道堆叠，得到一个128
×
128
×
9大小的合并细节矩阵。然后再对近似矩阵进行相同上述小波变换，将生成的细节矩阵进行通道堆叠，得到64
×
64
×
9的合并细节矩阵。最后使用卷积(Conv)操作将合并细节矩阵的通道数分别提升至64和128。(2)编码阶段：编码阶段包含5个串行连接的编码块(EncoderBlock)。每个编码块内使用深度可分离卷积进行特征提取，编码块内的最后一层为池化层(MaxPooling2D)。每经过一个编码块，特征图的长宽减半、通道数翻倍，第一个编码块的输入通道为32。第二个编码块和第三个编码块在池化之前，将特征图分别与小波变换阶段中输出的对应尺寸细节矩阵进行通道拼接，具体连接过程可以参照图2。本阶段中编码块的深度可分离卷积包括两个分支，令编码块的输入通道数为C，其具体操作可以参照图3，包括以下步骤：a)第一个分支：该分支包含四层卷积。第一层卷积的卷积核为1
×1×
C，第二层卷积核为3
×3×
C，第三层卷积核为1
×1×
2C，第四层卷积核为3
×3×
2C，激活函数均为Relu，采用0填充。该分支最后进行批归一化(BN)处理。b)第二个分支：该分支包含一层卷积，卷积核为1
×1×
2C，激活函数为Relu，采用0填充。该分支最后进行批归一化(BN)处理。c)分支合并：将两个分支的输出相加(ADD)，通过一个Relu激活函数，最后是一个2
×
2池化核的最大池化层。(3)通道注意力阶段：通道注意力的具体操作可以参照图4。设通道注意力((ChannelAttention)输入的特征图通道为C。通道注意力对输入特征图分别进行全局平均池化(GlobalAvgPool)和全局最大池化(GlobalMaxPool)操作，得到两个1
×1×

【专利技术属性】
技术研发人员：曹春红，易红波，向晗，宋威，肖芬，高协平，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：