【技术实现步骤摘要】
本专利技术涉及资源与环境遥感领域，具体涉及一种适用于高分二号高分辨率遥感影像养殖池塘提取方法。
技术介绍
1、陈行等针对高分遥感影像养殖池塘提取难的问题，基于0.5mpleiades高分辨率卫星遥感影像，使用深度学习方法对高分辨率遥感影像中养殖池塘进行精细提取。u-net最初是为生物医学影像分割提出的网络模型，考虑到高分影像地物的复杂性，将u-net模型直接应用于遥感影像中，会导致地物特征提取不充分，分类精度降低。而densenet是一种具有密集连接结构的网络模型，由多个密集连接块和转换层串联起来，特征被充分利用，参数量更少。因此，采用densenet网络结构作为u-net网络模型的编码器，充分发挥densenet的特点，更有效地利用和传递特征信息，达到良好的分类效果。主要流程为：首先，使用手工矢量化的养殖池塘样本对改进u-net网络模型进行训练，然后，使用训练后的网络模型对验证集影像中养殖池塘进行提取。
2、上述方法针对养殖池塘提取问题，将原始u-net编码器结构替换为特征提取能力更强、参数量更少的densenet。densenet在模型结构上主要由密集连接处和转接层组成，其中密集连接层由多个批标准化层-激活层-卷积层的结构组成，每一层的输入都来自于它前面所有层的特征图，每一层的输出均会直接连接到它后面所有层的输入，可以实现特征复用；而转接层包括一个1x1卷积(用于调整通道数)和2x2的平均池化结构(用于降低特征图大小)，整合上一个密集连接层所获得的特征，并缩小特征图宽高，起到压缩模型的作用。
3、上述
技术实现思路
1、本专利技术的目的在于针对基于改进u-net模型的养殖池塘提取方法对模型通道之间关系以及目标感兴趣空间位置的建模关注不足，对于颜色、形状相近的近海滩涂、景观池塘干扰地物区分效果不足，存在部分误提、漏提现象，提供一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，旨在提升模型对于养殖池塘和干扰地物的区分效果，通过增强网络的特征学习能力，对不同通道之间的关系进行建模，更准确地定位感兴趣的物体，进一步改善干扰地物环境下的养殖池塘误提、漏提现象。
2、为实现上述目的，本专利技术的技术方案是：一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，在u-net模型编码器-解码器使用的卷积块结构内部增加坐标注意力模块，通过坐标信息嵌入部分捕获具有精准位置信息的远程空间交互，通过坐标注意力生成部分准确地定位感兴趣对象的确切位置，实现高分二号遥感影像养殖池塘提取。
3、在本专利技术一实施例中，该方法包括如下步骤：
4、(1)遥感影像预处理
5、获取研究区内高分二号遥感影像，对高分二号遥感影像的全色波段和多光谱波段分别进行正射校正，再对处理好的全色和多光谱波段进行图像融合处理，融合后分辨率为1m；
6、(2)样本数据集构建
7、首先，通过人工目视解译对高分二号遥感影像绘制养殖池塘标签，将养殖池塘像素属性设置为255，背景及无关地物设置为0，将绘制好的标签矢量图层转换为栅格数据；
8、然后，将高分二号遥感影像和标签栅格数据按照256×256的像素大小裁剪成小块，并进行包括色彩变换、图像缩放、图像偏移和图像翻的数据增强处理操作，扩充样本数据集数据量；
9、最后，对数据增强处理后的样本数据集进行筛选，去除多云、质量较差的标签后，按7:2:1比例分为训练集、验证集和测试集；
10、(3)coora_unet模型构建
11、选择在u-net模型编码器-解码器使用的卷积块结构内部增加坐标注意力模块，构建coora_unet模型；
12、将训练集输入coora_unet模型，获得输入数据的特征图；
13、特征图经过改进后带有坐标注意力的双卷积块结构，其中3×3的卷积块通过增加通道的数量来丰富和扩展图像的特征表示能力，而坐标注意力模块旨在增强网络的特征学习能力，包括坐标信息嵌入和坐标注意力生成两部分，具体来说，坐标信息嵌入部分对于输入尺寸为c*h*w的特征图x，使用两个空间范围的池化核(h,1)或(1,w)分别沿横坐标和纵坐标对每个通道进行编码，能够捕获具有精准位置信息的远程空间交互，分别生成c*h*1和c*1*w的特征图，具体如池化分解公式为：
14、
15、
16、其中c、h、w分别代表特征图的通道数、高度和宽度；
17、以上两种分解变换分别沿两个空间方向聚集特征，产生一对方向感知的特征图，同时使提出的坐标注意力沿一个空间方向捕捉长距离的依赖性，并沿另一个空间方向保留精确的位置信息，这有助于网络实现全局感受野，能够更准确地定位感兴趣的物体；
18、而坐标注意力生成部分一方面关注不同通道重要性的重新加权，能够有效捕捉通道间关系，另一方面还考虑对空间信息进行编码，即沿着水平方向和垂直方向的注意力同时应用于输入张量，使得两个注意力映射中的每个元素都反映了感兴趣的对象是否存在于相应的行和列中，这种编码过程使的坐标注意力能够更准确地定位感兴趣对象的确切位置；
19、特征图经过最大池化层，通道数不变，对特征图的尺寸进行压缩，提取出特征图中最显著的特征；再经过上采样，实现通道数降维和特征图尺寸的还原，然后将深层特征与浅层特征进行通道拼接，深层特征具有从大量数据中学习到的高层次语义信息，而浅层特征则能够提供更多的局部几何和颜色等细节信息，两者结合能够获得更加鲁棒和有判别性的特征表示；最后经过1*1卷积，实现通道数降维，去除数据中的噪声、冗余信息，加快训练速度，得到最终分类目标图。
20、在本专利技术一实施例中，该方法还包括通过对损失函数、学习率和优化器参数的调整，确定精度对比指标，重复训练5次，使用coora_unet模型对样本数据集进行提取与验证，基于养殖池塘测试集的结果，确定模型最优权重。
21、相较于现有技术，本专利技术具有以下有益效果：相较于基于改进u-net模型的养殖池塘提取方法在编码器上改进，本申请提案能够对不同通道之间的关系进行建模，同时还能够更准确地定位感兴趣的物体，可以进一步增强网络的特征学习能力，提升模型对于养殖池塘和干扰地物的区分效果，进一步改善误提、漏提现象。
本文档来自技高网...【技术保护点】
1.一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，其特征在于，在U-Net模型编码器-解码器使用的卷积块结构内部增加坐标注意力模块，通过坐标信息嵌入部分捕获具有精准位置信息的远程空间交互，通过坐标注意力生成部分准确地定位感兴趣对象的确切位置，实现高分二号遥感影像养殖池塘提取。
2.根据权利要求1所述的一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，其特征在于，包括如下步骤：
3.根据权利要求2所述的一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，其特征在于，还包括通过对损失函数、学习率和优化器参数的调整，确定精度对比指标，重复训练5次，使用CoorA_Unet模型对样本数据集进行提取与验证，基于养殖池塘测试集的结果，确定模型最优权重。
【技术特征摘要】
1.一种适用于高分二号高分辨率遥感影像养殖池塘提取方法，其特征在于，在u-net模型编码器-解码器使用的卷积块结构内部增加坐标注意力模块，通过坐标信息嵌入部分捕获具有精准位置信息的远程空间交互，通过坐标注意力生成部分准确地定位感兴趣对象的确切位置，实现高分二号遥感影像养殖池塘提取。
2.根据权利要求1所述的一种适用于高分二号高...
【专利技术属性】
技术研发人员：陈红梅，罗冬莲，林向阳，游远新，张伟铃，王婉萍，
申请(专利权)人：福建省水产研究所福建水产病害防治中心，
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。