一种基于遥感图像的铁路沿线树林和湖泊分割方法技术

本发明专利技术公开了一种基于遥感图像的铁路沿线树林和湖泊分割方法，包括：制作树林和湖泊数据集；构建语义分割网络模型；利用得到的数据集，在建立的语义分割网络模型中进行网络模型的训练；对于待分割的图像，使用训练好的网络模型进行预测并生成标签图像。本发明专利技术创新性的设计出多分支残差加权模块、上下文特征细化模块、高低特征融合模块，并且将这些模块配合性的应用到了铁路沿线树林和湖泊的图像识别分割当中，有效提高了图像的分割精度，实现铁路沿线典型地形地貌的精细化提取，准确的识别铁路沿线树林和湖泊，可以提高铁路沿线环境的风速预测精度，进而综合考虑地形和风速的影响，构建完善的异物侵限预防体系，为铁路安全运行保驾护航。运行保驾护航。运行保驾护航。

【技术实现步骤摘要】
一种基于遥感图像的铁路沿线树林和湖泊分割方法


[0001]本专利技术属于图像处理领域，涉及语义分割算法技术，具体涉及一种基于遥感图像的铁路沿线树林和湖泊分割方法。

技术介绍

[0002]截至2021年底，全国铁路运营里程突破15万公里，其中高铁超过4万公里。中国铁路，特别是中国高铁已成为国家的重要基础设施、国家的大动脉，在综合交通体系中处于骨干地位。如此复杂的铁道运输线路和旅客数量对我国铁路行车安全提出了严峻的挑战。异物侵限作为影响铁路安全运行的重要原因之一，大多是因为塑料大棚、地膜、居民区的塑料袋、工地的彩钢瓦等漂浮物，在大风的作用下，侵入铁路建筑内，影响行车安全。然而，铁路沿线的复杂地形，是影响大风的主要原因。因此，针对异物侵限问题，需要精确识别铁路沿线地形，以提高风速预测的精度，进而预防异物侵限的发生，形成以“防
‑
避
‑
抢”为核心的铁路突发事件应急方案，并将方案重点落实在“防”上。
[0003]铁路沿线的地形的识别可以将其归类于土地覆盖分类领域。查阅相关资料，目前，部分学者尝试将语义分割引入到土地覆盖分类的研究当中。而基于语义分割的土地覆盖分类算法的问题是模型在进行下采样后，由于特征分辨率过小在上采样后无法还原遥感图像的细节信息。并且，目标的边界大多蜿蜒曲折，这对分割过程提出重大挑战。此外，在上采样融合特征时，目前主流的语义分割算法不能对那些无用的甚至是矛盾的特征信息进行有效的过滤，因此基于语义分割的土地覆盖分类算法仍需对模型的特征提取、目标边界的准确定位的和上采样特征融合方面进行改进。
[0004]准确的识别铁路沿线树林和湖泊，可以提高铁路沿线环境的风速预测精度，进而综合考虑地形和风速的影响，构建完善的异物侵限预防体系，为铁路安全运行保驾护航。因此识别铁路沿线树林和湖泊，将其准确划分是构建异物侵限预防体系的重要前提。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，提供一种基于遥感图像的铁路沿线树林和湖泊分割方法，实现铁路沿线典型地形地貌的精细化提取。
[0006]技术方案：为实现上述目的，本专利技术提供一种基于遥感图像的铁路沿线树林和湖泊分割方法，包括如下步骤：
[0007]S1：制作树林和湖泊数据集；
[0008]S2：构建语义分割网络模型；
[0009]S3：利用步骤S1得到的数据集，在步骤S2建立的语义分割网络模型中进行网络模型的训练；
[0010]S4：对于待分割的图像，使用训练好的网络模型进行预测并生成树林和湖泊的标签图像。
[0011]进一步地，所述步骤S1中数据集的制作过程为：具有挑战性的数据集对遥感图像
变化检测任务非常重要，考虑到针对铁路沿线的树林和湖泊的公开数据集较少，本专利技术从LandCover数据集中挑选出有关树林和湖泊的图片，并将其整合成一个新的数据集，由于原始数据集中图像大小为9000
×
9000
×
3(长
×
宽
×
通道)像素的，受GPU限制，现将原始图片统一裁剪成256
×
256
×
3(长
×
宽
×
通道)，最终获得2500张256
×
256
×
3(长
×
宽
×
通道)大小的图像，裁剪方式为滑动无盖切割，之后将所有图片以4：1的比例划分为训练集(2000张图片)和验证集(500张图片)，其中树林的标签为绿色，湖泊的标签为灰色，背景的标签为黑色。
[0012]进一步地，所述步骤S2中语义分割网络模型包括编码器部分和解码器部分，编码器部分中包括一个双分支特征提取结构、、上下文特征细化(CFR)模块、若干瓶颈模块(BB)；
[0013]其中双分支特征提取结构包含了改进后的ResNet34主干网络和多分支残差加权(MBRW)模块，采用逐层下采样的方式，分别提取通道信息和空间信息，并将相同级别的ResNet34主干块输出和多分支残差加权模块(MBRW)的输出融合在一起，以建立不同像素点之间的联系；
[0014]上下文特征细化模块用于提取上下文信息，并将特征图一分为二，作为解码器两个分支的输入；
[0015]瓶颈模块(BB)和融合操作用于特征强化和融合不同特征层信息；
[0016]解码器部分包括高低特征融合模块(HLFF)和残差模块，解码器部分利用高低特征融合模块(HLFF)，将各级特征充分融合，逐层恢复特征图原始尺寸，最后在输出端采用一个残差模块进行通道阶梯细化。
[0017]进一步地，特征提取在语义分割的过程中十分重要，选取适当的特征提取网络可以有效地提取特征信息。ResNet中残差块的设计允许在不同层之间建立横向连接，这些横向连接有助于在网络中传递和整合通道信息。并且，残差连接的引入，缓解了梯度消失的问题，有助于保留通道信息的完整性。本专利技术选取了ResNet34作为骨干网络，相对于更深的ResNet模型，ResNet34具有较少的参数数量，这使得它更加轻量级，但依旧能够有效地提取通道信息。相对于原始的ResNet34，本专利技术对其做出了一些修改，考虑到树林和湖泊边界信息复杂，较大的下采样率也可能导致一些细节信息的丢失。因此，所述语义分割网络模型中采用改进后的ResNet34网络，改进后的ResNet34网络包括5层主干块，最后一层主干块的下采样被去掉，这样便让最后一层和倒数第二层的图像尺寸一样，改进后的ResNet34网络整体采用16倍下采样，通道数和原始的ResNet34网络相同。
[0018]进一步地，所述语义分割网络模型中瓶颈模块包括瓶颈模块a和瓶颈模块b，分别用于MBRW分支的下采样和各层级的特征强化，瓶颈模块由两个1
×
1卷积和3
×
3卷积构成，其中1
×
1卷积用于调整通道数，3
×
3卷积用于强化特征提取，既可以减少网络的参数数量和计算复杂度，同时保持较高的模型性能，使得模型更具有泛化能力和鲁棒性。当其中的3
×
3卷积步长为2时，还起到了下采样的作用。
[0019]进一步地，所述多分支残差加权模块MBRW的设计理念为：由于湖泊和树林在不同尺度下呈现出不同的外观和特征，因此需要利用多尺度特征提取的方式，来获取更全局、更局部的空间信息。模块整体采用多尺度卷积思想，使用不同尺度卷积核可以更好的捕捉图像的细节信息，提高网络对大范围图像区域的理解能力。但是考虑到网络深度不够，模型会出现欠拟合问题，因此本专利技术使用小尺寸卷积核堆叠可以达到和大尺寸卷积核相同的感受
野，保证了MBRW深度的同时，又实现了多尺度卷积。
[0020]多分支残差加权模块MBRW的设计和运行方法如下：
[0021]A1：模块整体采用多分支结构，每条支路都以瓶颈结构的形式提取图像特征；在每条支路中，先用1
×
1卷积将通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，包括如下步骤：S1：制作树林和湖泊数据集；S2：构建语义分割网络模型；S3：利用步骤S1得到的数据集，在步骤S2建立的语义分割网络模型中进行网络模型的训练；S4：对于待分割的图像，使用训练好的网络模型进行预测并生成标签图像。2.根据权利要求1所述的一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，所述步骤S1中数据集的制作过程为：从LandCover数据集中挑选出有关树林和湖泊的图片，并将其整合成一个新的数据集，将原始图片统一裁剪，裁剪方式为滑动无盖切割，之后将所有图片划分为训练集和验证集，其中树林的标签为绿色，湖泊的标签为灰色，背景的标签为黑色。3.根据权利要求1所述的一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，所述步骤S2中语义分割网络模型包括编码器部分和解码器部分，编码器部分中包括一个双分支特征提取结构、上下文特征细化(CFR)模块、若干瓶颈模块(BB)；双分支特征提取结构包括改进后的ResNet34主干块和多分支残差加权模块，采用逐层下采样的方式，分别提取通道信息和空间信息，并将相同级别的ResNet34主干块输出和多分支残差加权模块(MBRW)的输出融合在一起；上下文特征细化模块用于提取上下文信息，并将特征图一分为二，作为解码器两个分支的输入；瓶颈模块(BB)和融合操作用于特征强化和融合不同特征层信息；解码器部分包括高低特征融合模块(HLFF)和残差模块，解码器部分利用高低特征融合模块(HLFF)，将各级特征充分融合，逐层恢复特征图原始尺寸，最后在输出端采用一个残差模块进行通道阶梯细化。4.根据权利要求3所述的一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，所述语义分割网络模型中采用改进后的ResNet34网络，改进后的ResNet34网络包括5层主干块，最后一层主干块的下采样被去掉，改进后的ResNet34网络整体采用16倍下采样，通道数和原始的ResNet34网络相同。5.根据权利要求3所述的一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，所述语义分割网络模型中瓶颈模块包括瓶颈模块a和瓶颈模块b，分别用于MBRW分支的下采样和各层级的特征强化，瓶颈模块由两个1
×
1卷积和3
×
3卷积构成，其中1
×
1卷积用于调整通道数，3
×
3卷积用于强化特征提取，当其中的3
×
3卷积步长为2时，还起到了下采样的作用。6.根据权利要求3所述的一种基于遥感图像的铁路沿线树林和湖泊分割方法，其特征在于，所述多分支残差加权模块的设计和运行方法如下：A1：模块整体采用多分支结构，每条支路都以瓶颈结构的形式提取图像特征；在每条支路中，先用1
×
1卷积将通道数压缩为原来的1/2，然后使用多个3
×
3卷积来获取不同感受野的特征信息，最后再用1
×
1卷积调整通道；并且前一个分支最后一个3
×
3卷积的输出是下一个分支的输入，同时，在每个分支最后一个3
×
3卷积后嵌入金字塔切分注意力机制；每条分支的数学表达式如下：
X＝Conv1d(x)Y
n
＝K
n
*(K
n
‑1*(...K2*(K1*X))))n＝1,2,3M
n
＝Conv1d(Psa(Y
n
))n＝1,2,3其中，x表示输入张量，X表示第一次卷积输出的结果；K
n
表示第n次3
×
3卷积；Y
n
表示第n条分支中最后一个3
×
3卷积的输出；M
n
表示所有分支融合后的输出结果；Psa表示使用金字塔切分注意力机制，Conv1d表示一维卷积操作；A2：将所有分支的输出相加后，通过1
×
1卷积调整通道，再和输入图像进行残差连接，最后再乘以一个全局上下文向量，该向量是由第一个分支的输出执行全局平均池化后通过Sigmoid激活得来的；模块输出计算公式如下：P＝Conv1d(concat(Y1,Y2,Y3))W＝Sigmoid(GAP(Y1))output
MBRW
＝(X+P)
×
W其中，Conv1d表示一维卷积操作；concat表示将多个张量经行通道维度上的连接；W表示权重向量；Sigmoid表示非线性激活函数Sigmoid；GAP表示全局平均池化操作；output
MBRW

【专利技术属性】
技术研发人员：叶小岭，张虎，圣涛，邹瑞麟，张颖超，熊雄，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：