一种改进Upernet的红树林与互花米草语义分割模型和方法技术

本发明专利技术涉及图像处理技术领域，具体涉及一种改进Upernet的红树林与互花米草语义分割模型和方法。该模型包括预处理模块、分割处理模块和输出模块；所述预处理模块，用于获取遥感图像，对所述遥感图像进行预处理；所述分割处理模块，用于对预处理后的所述遥感图像采用不同波段的组合计算，得到NDVI、FDI和DVI指数结果数据，将指数结果数据进行分割处理，所述分割处理模块具有Swin

【技术实现步骤摘要】
一种改进Upernet的红树林与互花米草语义分割模型和方法


[0001]本专利技术涉及图像处理
，尤其涉及改进Upernet的红树林与互花米草语义分割模型和方法。

技术介绍

[0002]红树林生长在陆海交界处,其在净化海水、防风浪、蓄碳和维护生物多样性等方面发挥着重要作用。互花米草生长在河口、海湾等沿海泥滩的潮间带和受潮汐影响的海滩上，互花米草的快速繁殖，改变了红树林湿地原有的生态结构，使红树林湿地面积不断减小，其严重影响了红树林湿地生态系统的稳定性。因此，红树林和互花米草的高精准提取，为维护滨海湿地生态系统的稳定具有重要意义。
[0003]深度学习是机器学习算法中的新技术，其动机在于创建一个神经网络并利用它模拟人脑进行分析学习。Hinton于80年代提出了适用于多层感知机(Multi
‑
Layer Perceptron，MLP)的反向传播算法，使得深度学习进入人们的视野。其后，LeCun等于1998年提出了卷积神经网络(Convolutional Neural Networks，CNN)；Ronneberger等于2015年提出了具有编码器与解码器结构的U
‑
net语义分割模型，使得图像分割的精度大大提升。深度学习逐渐被应用于语音识别、目标识别和自然语言处理等领域，且其语义分割的精度和效率逐步得到了优化。
[0004]在高分辨率遥感图像处理领域，特别是针对红树林与互花米草的提取，Yang等以国产高分一号和高分二号影像为数据源，提出结合空间位置与决策树分类的互花米草分布信息提取算法；Pan等通过设置绿度因子和NDVI阀值对福建省1999—2018年间的沿海红树林和互花米草滩涂植被的时空变化特征进行了分析。基于机器学习的研究方法初步实现了红树林与互花米草的自动化提取，但受互花米草生长连通区域小、潮汐淹没变化和遥感图像空间分布信息复杂等因素影响。
[0005]由于红树林与其他植被差异性小，存在边界性模糊，现有提取方法在分割时存在过分割或欠分割现象；为了解决该技术问题现提出一种改进Upernet的红树林与互花米草语义分割模型和方法。

技术实现思路

[0006]为了解决上述现有技术中存在的技术问题，本专利技术提供了一种改进Upernet的红树林与互花米草语义分割模型和方法。
[0007]为实现上述目的，本专利技术实施例提供了如下的技术方案：
[0008]第一方面，在本专利技术提供的一个实施例中，提供了改进Upernet的红树林与互花米草语义分割模型，该模型包括：预处理模块、分割处理模块和输出模块；
[0009]所述预处理模块，用于获取遥感图像，对所述遥感图像进行预处理；
[0010]所述分割处理模块，用于对遥感图像采用不同波段的组合计算，得到NDVI、FDI和DVI指数结果数据，将指数结果数据进行分割处理，所述分割处理模块具有Swi n
‑
transformer骨干网络，所述分割处理模块的损失函数由交叉熵损失函数和l ovasz softmax损失函数组成；
[0011]所述输出模块，用于输出处理后的结果图像。
[0012]作为本专利技术的进一步方案，所述预处理模块，包括裁剪单元、扩充单元和处理单元；
[0013]所述裁剪单元，用于对遥感图像进行裁剪；
[0014]所述扩充单元，用于对裁剪后的遥感图像进行扩充数据量操作；
[0015]所述处理单元，用于随机从完成扩充数据量操作后的遥感图像中选定设定大小的粘贴区域，并多次随机粘贴到所述遥感图像的其他区域，其中，粘贴区域中互花米草所占区域占比超过预定阈值。
[0016]作为本专利技术的进一步方案，所述扩充单元扩充数据量操作是通过水平、垂直和镜像翻转操作完成的。
[0017]作为本专利技术的进一步方案，所述预定阈值为60％。
[0018]作为本专利技术的进一步方案，所述Swi n
‑
transformer骨干网络具有移位窗口和采用分层设计。
[0019]作为本专利技术的进一步方案，所述Swi n
‑
transformer骨干网络还具有Patch合并层。
[0020]作为本专利技术的进一步方案，所述损失函数定义为：
[0021]loss＝
∝
Loss
CE
+(1
‑∝
)Loss
LS
；
[0022]其中
∝
是一个权重参数，用于权衡这两个函数的权重，LosS
CE
为交叉熵损失函数，Loss
LS
为Lovasz softmax损失函数。
[0023]第二方面，在本专利技术提供的又一个实施例中，提供了改进Upernet的红树林与互花米草语义分割方法，该方法包括以下步骤：
[0024]获取遥感图像，对所述遥感图像进行预处理；
[0025]遥感图像通过不同波段的组合计算，得到NDVI、FDI和DVI指数结果数据，并将得到的指数结果数据叠加到分割模型的输入数据中，构建多通道输入数据；
[0026]其中，所述分割模型具有Swi n
‑
transformer骨干网络，所述分割模型的损失函数由交叉熵损失函数和l ovasz softmax损失函数组成；
[0027]输出分割模型处理后的结果图像。
[0028]本专利技术提供的技术方案，具有如下有益效果：
[0029]本专利技术提供的改进Upernet的红树林与互花米草语义分割模型和方法，通过将不同的波段组合计算，将NDVI、FDI和DVI指数叠加至输入数据中，构建多通道输入数据，以增强红树林与其他植被的差异性；改进模型主干网络与损失函数，提升模型对互花米草的检测精度；通过去除高分辨率特征层与低分辨率特征层之间的部分连接，简化网络模型，减少了计算迭代次数，提高了检测效率。
[0030]本专利技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
[0031]本专利技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
[0033]图1为本专利技术一个实施例的改进Upernet的红树林与互花米草语义分割模型的结构框图。
[0034]图2为本专利技术一个实施例的改进Upernet的红树林与互花米草语义分割模型中预处理模块的结构框图。
[0035]图3为遥感图像预处理对比图，其中(a)原始遥感图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进Upernet的红树林与互花米草语义分割模型，其特征在于，包括预处理模块、分割处理模块和输出模块；所述预处理模块，用于获取遥感图像，对所述遥感图像进行预处理；所述分割处理模块，用于对预处理后的所述遥感图像采用不同波段的组合计算，得到NDVI、FDI和DVI指数结果数据，将所述指数结果数据进行分割处理，所述分割处理模块具有Swin
‑
transformer骨干网络，所述分割处理模块的损失函数由交叉熵损失函数和lovasz softmax损失函数组成；所述输出模块，用于输出处理后的结果图像。2.根据权利要求1所述的一种改进Upernet的红树林与互花米草语义分割模型，其特征在于，所述预处理模块，包括裁剪单元、扩充单元和处理单元；所述裁剪单元，用于对所述遥感图像进行裁剪；所述扩充单元，用于对裁剪后的所述遥感图像进行扩充数据量操作；所述处理单元，用于随机从完成扩充数据量操作后的遥感图像中选定设定大小的粘贴区域，并将所述粘贴区域随机粘贴到所述遥感图像的其他区域；其中，所述粘贴区域中互花米草所占区域占比超过预定阈值。3.根据权利要求2所述的一种改进Upernet的红树林与互花米草语义分割模型，其特征在于，所述裁剪单元对遥感图像进行裁剪，是通过使用ENVI5.3工具对图像进行裁剪，且裁剪分辨率大小为480*480。4.根据权利要求2所述的一种改进Upernet的红树林与互花米草语义分割模型，其特征在于，所述扩充单元扩充数据量操作是通过水平、垂直和镜像翻转操作完成的。5.根据权利要求2所述的一种改进Upernet的红树林与互花米草语义分割模型，其特征在于，所...

【专利技术属性】
技术研发人员：王振华，谭智联，陈明，宫晨，梁雷，李静，郑宗生，
申请(专利权)人：上海兰桂骐技术发展股份有限公司，
类型：发明
国别省市：