【技术实现步骤摘要】
本专利技术属于遥感图像智能解译领域，具体涉及一种基于pa-segnet的遥感图像水体分割方法。
技术介绍
1、水体的种类纷繁复杂，大范围的水体包括海、江、湖、河，小范围的水体如溪流等。目前水资源存在着各种问题，如受到人类活动的影响而产生的水体污染问题、过度开发水资源造成河湖退化的问题等。这些问题都需要我们时刻监测，这就需要借助于遥感图像和分割技术。
2、遥感图像是由高分二号卫星获取的，其分辨率最高可达0.8米，能够提供高质量的遥感影像数据。遥感图像水体分割技术的重点是水体边界的界定，旨在分割出图像中包含像素级别的水和非水的部分。但现实情况却面对着很多的挑战，如水体种类形状不规则、复杂而模糊的边界、场景的复杂度等。因此传统方法在实际应用中有很多困难，导致分割效果差，准确率低。
技术实现思路
1、专利技术目的：本专利技术针对目前水体分割领域中准确率低、分割效果差或效率低等问题，提出一种基于pa-segnet的遥感图像水体分割方法，达到显著提高水体分割精度的目的。
2、技术方案：本专利技术所述的一种基于pa-segnet的遥感图像水体分割方法，包括以下步骤：
3、(1)对预先获取的高分辨率水体图像进行预处理及人工标注，制作成数据集，并划分为训练集、测试集和验证集；
4、(2)构建基于pa-segnet的遥感图像水体分割模型，包括数据增强模块、编码器、解码器、分类器、图像重构模块和非对称金字塔非局部模块；所述数据增强模块基于已有水体图像生成更
5、(3)使用训练集对基于pa-segnet的遥感图像水体分割模型进行训练，并在验证集上验证模型，保存最优训练模型权重，得到最优训练模型m；
6、(4)将测试集的水体图像输入到分割模型m中，得到水体分割结果。
7、进一步地，步骤(2)所述编码器包括五组卷积层和特征感知模块；每组卷积层均用于逐步提取和下采样图像特征；在每组卷积层中添加特征感知模块，捕捉不同层次的视觉特征；将前四组卷积层的输出结果分别输入下一组卷积层和图像重构模块；第一组、第二组包含2个卷积层、1个最大池化层，第三组、第四组和第五组包含3个卷积层、1个最大池化层；其中每个卷积层后使用bn和relu。
8、进一步地，所述特征感知模块选用3×3卷积核和5×5卷积核融合多尺度的特征信息；对于第一个特征感知模块，将第一组卷积层的特征图分别进行3×3卷积和5×5卷积，得到结果a1和a2，将a1和a2进行“×”操作得到b，把b经过全局平均池化、全连接层和softmax得到b11；将a1经过1×1卷积和sigmoid激活函数得到a11，把a11和a1进行“×”得到c1；将a2经过1×1卷积和sigmoid激活函数得到a22，把a22和a2进行“×”得到c2；将b11和c1、c2分别进行“×”操作得到d1，d2；最后把d1和d2进行“+”操作，得到特征感知模块的最终结果e。
9、进一步地，步骤(2)所述编码器前四组卷积层输出的特征图输入到对应的图像重构模块中提取多尺度特征，然后和解码器中相应的上采样特征图拼接。
10、进一步地，步骤(2)所述解码器包括5组卷积层，利用上采样操作逐步恢复空间维度；第一组、第二组和第三组包含3个卷积层，1个上采样层；第四组和第五组包括2个卷积层，1个上采样层，其中每个卷积层后使用bn和relu。
11、进一步地，步骤(2)所述图像重构模块有两个分支和t-residual残差模块，在pa-segnet模型中，包括四个图像重构模块，对应的输入分别为编码器中前四组卷积层的特征图；对于第一个图像重构模块，将第一组卷积层的特征图输入到分支1，经过1×1卷积得到结果a，将结果a分别输入到空洞率为1的空洞卷积和3×3卷积得到a1和a2，把a1输入到空洞率为3的空洞卷积得到a12，把a12输入到空洞率为5的空洞卷积得到a123，把a1、a2、a12、a123通道拼接起来输入到3×3卷积和relu中得到b；将第一组卷积层的特征图输入到分支2，经过1×1卷积和relu中得到c，将b和c通道拼接成d输入到t-residual残差模块；t-residual残差模块由三个分支组成，把d输入全局平均池化后得到d1，把d1输入到分支1，经过全连接层、relu激活函数、全连接层和sigmoid激活函数得到d11；把d1输入到分支2，经过1×1卷积和sigmoid激活函数得到d12；把d1输入到分支3，经过3×3卷积、relu激活函数和3×3卷积得到d13；接着把d12和d13进行“×”操作得到d14,把d11和d14进行“+”操作，得到图像重构模块的最终结果e。
12、进一步地，步骤(2)所述非对称金字塔非局部模块在模型分类器中最后一个卷积层和softmax分类器之间。
13、进一步地，所述步骤(3)实现过程如下：
14、网络训练时的损失函数采用混合损失函数，具体计算公式如下：
15、
16、其中，n＝4，代表四个图像重构模块，代表四个图像重构模块的子损失，l2代表主损失；
17、l1＝l2＝αlfocal+(1-α)liou
18、其中，focal损失函数记为lfocal，iou损失函数记为liou，α是超参数，用来平衡两个损失函数；
19、对于focal损失函数，具体计算公式如下：
20、lfocal＝-(1-pt)γlog(pt)
21、其中，pt是模型预测的概率，γ是调整因子，用于调整难以分类样本的权重；对于iou损失函数，具体计算公式如下：
22、
23、其中，intersection是模型预测的分割结果与真实分割结果的交集面积，union是模型预测的分割结果与真实分割结果的并集面积。
24、进一步地，所述分类器中最后一个卷积层是一个包含水体和背景的2个通道的张量；在卷积层后使用softmax分类器操作，将其转换为水体的概率分布。
25、进一步地，所述卷积层使用same padding卷积。
26、有益效果：与现有技术相比，本专利技术的有益效果：本专利技术在原始segnet网络的编码器加入特征感知模块，帮助模型关注与水体相关的特征和信息，忽略或减弱与水体无关的背景干扰，有助于提高模型对水体边界和细节的感知能力，使其更好地区分水体和非水体区域；本专利技术加入四个图像重构模块获取不同尺度的感受野，使得模型能够同时考虑到局部细节和更广阔的上下文信息，增加网络的非线性，从而提高模型的表达能力，提高模型的分类性能，有助于更全面地理解图像中的水体区域；非对称金字塔非局部模块的引入本文档来自技高网...
【技术保护点】
1.一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所在的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，步骤(2)所述编码器包括五组卷积层和特征感知模块；每组卷积层均用于逐步提取和下采样图像特征；在每组卷积层中添加特征感知模块，捕捉不同层次的视觉特征；将前四组卷积层的输出结果分别输入下一组卷积层和图像重构模块；第一组、第二组包含2个卷积层、1个最大池化层，第三组、第四组和第五组包含3个卷积层、1个最大池化层；其中每个卷积层后使用BN和ReLu。
3.根据权利要求2所在的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，所述特征感知模块选用3×3卷积核和5×5卷积核融合多尺度的特征信息；对于第一个特征感知模块，将第一组卷积层的特征图分别进行3×3卷积和5×5卷积，得到结果a1和a2，将a1和a2进行“×”操作得到b，把b经过全局平均池化、全连接层和SoftMax得到b11；将a1经过1×1卷积和Sigmoid激活函数得到a11，把a11和a1进行“×”得到c1；将a2经过1×1卷积和
4.根据权利要求1所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，步骤(2)所述编码器前四组卷积层输出的特征图输入到对应的图像重构模块中提取多尺度特征，然后和解码器中相应的上采样特征图拼接。
5.根据权利要求1所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，步骤(2)所述解码器包括5组卷积层，利用上采样操作逐步恢复空间维度；第一组、第二组和第三组包含3个卷积层，1个上采样层；第四组和第五组包括2个卷积层，1个上采样层，其中每个卷积层后使用BN和ReLu。
6.根据权利要求1所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，步骤(2)所述图像重构模块有两个分支和T-residual残差模块，在PA-SegNet模型中，包括四个图像重构模块，对应的输入分别为编码器中前四组卷积层的特征图；对于第一个图像重构模块，将第一组卷积层的特征图输入到分支1，经过1×1卷积得到结果A，将结果A分别输入到空洞率为1的空洞卷积和3×3卷积得到A1和A2，把A1输入到空洞率为3的空洞卷积得到A12，把A12输入到空洞率为5的空洞卷积得到A123，把A1、A2、A12、A123通道拼接起来输入到3×3卷积和ReLu中得到B；将第一组卷积层的特征图输入到分支2，经过1×1卷积和ReLu中得到C，将B和C通道拼接成D输入到T-residual残差模块；T-residual残差模块由三个分支组成，把D输入全局平均池化后得到D1，把D1输入到分支1，经过全连接层、ReLu激活函数、全连接层和Sigmoid激活函数得到D11；把D1输入到分支2，经过1×1卷积和Sigmoid激活函数得到D12；把D1输入到分支3，经过3×3卷积、ReLu激活函数和3×3卷积得到D13；接着把D12和D13进行“×”操作得到D14,把D11和D14进行“+”操作，得到图像重构模块的最终结果E。
7.根据权利要求1所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，步骤(2)所述非对称金字塔非局部模块在模型分类器中最后一个卷积层和SoftMax分类器之间。
8.根据权利要求1所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，所述步骤(3)实现过程如下：
9.根据权利要求7所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，所述分类器中最后一个卷积层是一个包含水体和背景的2个通道的张量；在卷积层后使用SoftMax分类器操作，将其转换为水体的概率分布。
10.根据权利要求2所述的一种基于PA-SegNet的遥感图像水体分割方法，其特征在于，所述卷积层使用same padding卷积。
...【技术特征摘要】
1.一种基于pa-segnet的遥感图像水体分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所在的一种基于pa-segnet的遥感图像水体分割方法，其特征在于，步骤(2)所述编码器包括五组卷积层和特征感知模块；每组卷积层均用于逐步提取和下采样图像特征；在每组卷积层中添加特征感知模块，捕捉不同层次的视觉特征；将前四组卷积层的输出结果分别输入下一组卷积层和图像重构模块；第一组、第二组包含2个卷积层、1个最大池化层，第三组、第四组和第五组包含3个卷积层、1个最大池化层；其中每个卷积层后使用bn和relu。
3.根据权利要求2所在的一种基于pa-segnet的遥感图像水体分割方法，其特征在于，所述特征感知模块选用3×3卷积核和5×5卷积核融合多尺度的特征信息；对于第一个特征感知模块，将第一组卷积层的特征图分别进行3×3卷积和5×5卷积，得到结果a1和a2，将a1和a2进行“×”操作得到b，把b经过全局平均池化、全连接层和softmax得到b11；将a1经过1×1卷积和sigmoid激活函数得到a11，把a11和a1进行“×”得到c1；将a2经过1×1卷积和sigmoid激活函数得到a22，把a22和a2进行“×”得到c2；将b11和c1、c2分别进行“×”操作得到d1，d2；最后把d1和d2进行“+”操作，得到特征感知模块的最终结果e。
4.根据权利要求1所述的一种基于pa-segnet的遥感图像水体分割方法，其特征在于，步骤(2)所述编码器前四组卷积层输出的特征图输入到对应的图像重构模块中提取多尺度特征，然后和解码器中相应的上采样特征图拼接。
5.根据权利要求1所述的一种基于pa-segnet的遥感图像水体分割方法，其特征在于，步骤(2)所述解码器包括5组卷积层，利用上采样操作逐步恢复空间维度；第一组、第二组和第三组包含3个卷积层，1个上采样层；第四组和第五组包括2个卷积层，1个上采样层，其中每个卷积层后使用bn和relu。
6.根据权利要求1所述的一种基于pa-segnet的...
【专利技术属性】
技术研发人员：江佳敏，于坤，熊邦恒，时珂瑄，何开泰，李强强，陈晓兵，陈冠华，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。