【技术实现步骤摘要】
本专利技术属于滨海盐沼湿地地质调查与研究领域，具体涉及一种基于深度学习的滨海盐沼湿地互花米草遥感影像信息精确提取方法。
技术介绍
1、互花米草被列入首批外来入侵物种名单，其入侵严重威胁滨海湿地生态系统安全及可持续发展，成为滨海湿地保护和恢复所面临的亟待解决的生态和环境问题之一。互花米草的入侵不同程度地侵占本土生物生存空间，形成单一互花米草植物群落，破坏近海生物栖息环境，导致原生物群落生境空间破碎化、生物多样性下降。而且互花米草密度大，具有很强的促淤作用，形成的“大坝”阻挡潮水影响海水交换能力，导致水质下降，并诱发赤潮，破坏潮间带其他区域的生态环境。
2、虽然利用传统的野外调查方式可以相对准确的探测湿地分布状况，但是由于互花米草分布在滨海湿地的潮下带，潮滩泥泞，水深很浅，没有有效的交通工具，存在野外测量成本高、效率低，费时费力等缺陷。而互花米草的实际野外操作困难大，也导致对互花米草识别缺乏深入、透彻的认识。随着遥感技术的发展，申请公布号为【cn114998754a】的专利技术专利公开一种基于多光谱遥感影像的互花米草识别方法及系统，首先对获取的遥感影像数据集并进行数据预处理；对预处理后的遥感影像数据集依次进行光谱分析和波段选择处理；对预处理后的遥感影像数据集依次进行归一化植被指数计算处理和阈值分割处理；通过支持向量机分类算法对互花米草与非互花米草的最佳光谱波段组合的遥感影像数据集进行分类处理；进行矢量化处理和相交处理，得到互花米草识别结果。
3、但是，由于高分辨率遥感影像具有较多的细节信息，使得传统的互花米草
技术实现思路
1、本专利技术针对现有基于无监督学习方法难以对互花米草进行准确的识别和提取等缺陷，提出一种基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，采用基于耦合注意力机制的d-linknet34作为互花米草提取中的深度学习网络模型，以实现复杂环境下互花米草下垫面地物高层语义信息的挖掘和稳定、精细化提取。
2、本专利技术是采用以下的技术方案实现的：基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，包括以下步骤：
3、步骤a、构建遥感影像数据集：获取已知互花米草位置的滨海盐沼湿地区域的遥感影像数据，并结合互花米草的生长位置及颜色特征信息，对遥感影像进行逐像素标注，然后对标注后的影像数据进行剪裁；
4、步骤b、构建基于深度学习的互花米草提取模型d-linknet34-cbam，并通过构建的遥感影像数据集对其进行训练；
5、所述互花米草提取模型包括编码器模块、跳跃连接、空洞卷积模块和解码器模块，互花米草提取模型以d-linknet34作为基础模型，采用编码器和解码器的架构，且在跳跃连接部分将空洞卷积通过级联和并行两种堆叠模式，构建网络的中间模块，并在d-linknet网络的跳跃连接部分加入卷积注意力模块cbam，使编码器部分每个阶段提取的互花米草特征先经过卷积注意力模块cbam，再与解码器部分相连接；
6、(1)基于编码器模块进行初步的互花米草特征提取，主要包括位置、颜色、几何结构等特征信息；编码器部分一共分为5层，特征图在向更深层提取特征的同时，第二层到第五层的特征处理结果分别向解码器部分的对应层传递，并与解码器相应层的结果特征相加，称之为跳跃连接，跳跃连接可以将浅层的位置、颜色、几何特征保留并提供给网络学习。
7、(2)基于跳跃连接将低层次和高层次特征相结合以获取遥感影像多尺度上下文信息，在跳跃连接部分嵌入cbam注意力机制模块将网络的注意力集中在互花米草特征上；
8、低层次特征指进行浅层特征提取的特征图，特征图中每个像素点对应的感受野重叠区域较小，低层次特征具有较高的分辨率。高层次特征指对经过多次卷积和下采样后的特征提取的特征图，感受野之间重叠的区域较多，该特征图每个像素点代表了一个区域的信息，深层特征分辨率较低，但语义信息丰富；(3)基于空洞卷积模块捕获互花米草特征的长距离依赖关系，并结合不同的空洞率获取遥感影像全局信息；空洞卷积模块分为5层，每层经过的空洞卷积个数不同，第一层空洞卷积有5个，每个空洞卷积的空洞率依次为1、2、4、8，之后的每一层空洞卷积个数减少1，到第五层仅剩空洞率为1的空洞卷积。
9、(4)基于解码器模块，采用转置卷积恢复特征图像分辨率到输入图像分辨率大小，并训练转置卷积参数，将参数调整为适合互花米草数据集大小。
10、解码器部分每层包括两个卷积层和一个转置卷积层，转置卷积层在两个卷积层之间，且每个卷积核转置卷积之后更批量归一化和relu激活函数。在解码器部分，在卷积核提取图像特征的同时，采用转置卷积增加图像的分辨率。因为在编码器部分每一层的特征提取都会降低图像分辨率的大小，通过转置卷积可以将模型最终的输出结果恢复到输入图像分辨率大小。另一方面，转置卷积中带有可学习的参数，通过网络模型每个周期的训练，可以将转置卷积的参数调整为当前互花米草数据集合适的大小，有利于提高模型性能。
11、(5)在对网络模型进行训练确定最终互花米草提取神经网络模型时，每个训练批次训练结束后，会产生训练好的网络预测模型，通过dice_bce损失函数对提取的特征结果图与真实互花米草标签进行损失值计算，判断模型提取互花米草的误差，对比得出最优解，将损失值最小的训练权重保存为最终结果。
12、步骤c、基于训练好的互花米草提取模型，实现对滨海盐沼湿地花互花米草影像的提取。
13、进一步的，所述步骤c中，对互花米草进行提取的具体过程如下：预处理后的互花米草影像首先经过编码器部分，通过预训练的resnet34残差模块提取互花米草的位置、颜色、几何结构特征信息；之后在编码器第二层到第三层之间的特征结果向解码器部分传递，考虑到遥感影像中互花米草与芦苇、柽柳等难区分植被混生的问题，在编码器和解码器之间的跳跃连接部分嵌入的cbam注意力模块提高网络对互花米草特征的权重，以增强网络对互花米草特征的关注；进一步，编码器提取后的深层特征，经过中间空洞卷积部分，通过多层级不同空洞率空洞卷积的特征提取和融合，捕获遥感影像中多尺度深层次特征，进而获取更全面的互花米草特征信息；最后，编码器部分将深层特征图与跳跃连接来的低层特征图相融合，并通过转置卷积增加来自深层特征图的分辨率，将特征图恢复到输入影像大小，以作为最后的输出结果图，完成对互花米草的提取。
14、与现有技术相比，本专利技术的优点和积极效果在于：
15、本方案构建的互花米草提取模型以d-linknet34作为基础模型，为了强调互花米草区域的重要性，将注意力模块嵌入到d-linkne本文档来自技高网...
【技术保护点】
1.基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤A中，在构建遥感影像数据集时，通过获取已知互花米草位置的滨海盐沼湿地区域的遥感影像数据，并结合互花米草的生长位置及颜色特征信息，对遥感影像进行逐像素标注，然后对标注后的影像数据进行剪裁。
3.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤B中，所述编码器采用预训练的ResNet34作为核心，ResNet34网络包括多个层的残差单元，每个残差单元包括两个卷积层并在卷积之后连接批量归一化和ReLU非线性激活函数，在残差单元中，输入特征经过两个卷积层进行特征提取，之后再与输入特征相加形成一个残差单元最终的结果。
4.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤B中，空洞卷积分为5层，每层经过的空洞卷积个数不同，第一层空洞卷积有5个，每个空洞卷积的空洞率依次为1、2、4、8，之后每一
5.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤B中，编码器部分一共分为5层，特征图在向更深层提取特征的同时，编码器部分的第二层到第五层的特征处理结果分别向解码器部分的对应层传递，并与解码器相应层的结果特征相加，称之为跳跃连接。
6.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤B中，在进行训练确定最终互花米草提取模型时，每个训练批次训练结束后产生训练好的网络预测模型，通过Dice_BCE损失函数对提取的特征结果图与真实互花米草标签进行损失值计算，判断模型提取互花米草的误差，对比得出最优解，将损失值最小的训练权重保存为最终结果。
7.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤C中，对互花米草进行提取的具体过程如下：
...【技术特征摘要】
1.基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤a中，在构建遥感影像数据集时，通过获取已知互花米草位置的滨海盐沼湿地区域的遥感影像数据，并结合互花米草的生长位置及颜色特征信息，对遥感影像进行逐像素标注，然后对标注后的影像数据进行剪裁。
3.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤b中，所述编码器采用预训练的resnet34作为核心，resnet34网络包括多个层的残差单元，每个残差单元包括两个卷积层并在卷积之后连接批量归一化和relu非线性激活函数，在残差单元中，输入特征经过两个卷积层进行特征提取，之后再与输入特征相加形成一个残差单元最终的结果。
4.根据权利要求1所述的基于深度学习的滨海盐沼湿地互花米草遥感影像提取方法，其特征在于：所述步骤b中，空洞卷积分为5层，每层经过的空洞卷积个数不同，第一层空...
【专利技术属性】
技术研发人员：赵广明，闫雪涵，苏大鹏，吕燕玲，
申请(专利权)人：青岛海洋地质研究所，
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。