基于深度学习的高分辨率遥感图像海陆分割方法
基于深度学习模型的遥感图像分割方法
2019-10-10http://www. joca. cnJournal of Computer Applications 计算机应用,2019, 39( 10): 2905 - 2914ISSN 1001-9081CODEN JYIIDU文章编号：1001-9081 (2019) 10-2905-10DOI ：10.11772/j. issn. 1001-9081.2019030529基于深度学习模型的遥感图像分割方法许 明"2,冯梦如皮家甜I"*,陈 勇I(1.重庆师范大学计算机与信息科学学院，重庆401331;2.重庆市数字农业服务工程研究中心，重庆401331)(*通信作者电子邮箱pijiatian@ cqnu. edu. cn)摘要：利用遥感图像快速准确地检测地物信息是当前的研究热点。
针对遥感图像地表物的传统人工目视解译 分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题，提出一种基于改进的U-net 架构与全连接条件随机场的图像分割算法。
首先，融合VGG16和U-net 构建新的网络模型，以有效提取具有高背景复杂度的遥感图像特征；然后，通过选取适当的激活函数和卷积方式，在提高图像分割准确率的同时显著降低模型预测时间;最后，在保证分割精度的基础上，使用全连接条件随机场进一步优化分割结果，以获得更加细致的分割边缘。
在ISPRS 提供的标准数据集Potsdam 上进行的仿真测试表明，相较于U-net,所提算法的准确率、召回率和均交并比(MIoU)分别提升了 15.06个百分点、29. 11个百分点和0. 366 2,平均绝对误差(MAE)降低了0.02892。
实验结果验证了该算法具备有效性和鲁棒性,是一种有效的遥感图像地表物提取算法。
关键词：深度学习；卷积神经网络;深度可分离卷积；全连接条件随机场中图分类号:TP391.4文献标志码:ARemote sensing image segmentation method based on deep learning modelXU Yue 1'2, FENG Mengru 1'2, PI Jiatian 1'2*, CHEN Yong 1'2(1. College of Computer and Information Science, Chongqing Normal University, Chongqing 401331, China;2. Chongqing Engineering Research Center for Digital Agricultural Service, Chongqing 401331, China)Abstract ： To detect surface object information quickly and accurately by using remote sensing images is a currentresearch hot spot. In order to solve the problems of inefficiency of the traditional manual visual interpretation segmentation method as well as the low accuracy and a lot of background noise of the existing remote sensing image segmentation based ondeep learning in complex scenes, an image segmentation algorithm based on improved U-net network architecture and fully connected conditional random field was proposed. Firstly, a new network model was constructed by integrating VGG16 and U-net to effectively extract the features of remote sensing images with highly complex background. Then, by selecting the appropriate activation function and convolution method, the image segmentation accuracy was improved while the model prediction time was significantly reduced. Finally, on the basis of guaranteeing the segmentation accuracy, the segmentation result was further improved by using fully connected conditional random field. The simulation test on the standard dataset Potsdam provided by ISPRS showed that the accuracy, recall and the Mean Intersection over Union ( MIoU) o£ the proposed algorithm were increased by 15. 06 percentage points, 29. 11 percentage points and 0. 366 2 respectively, and the MeanAbsolute Error (MAE) of the algorithm was reduced by 0. 028 92 compared with those of U-net. Experimental results verify that the proposed algorithm is an effective and robust algorithm for extracting surface objects from remote sensing images.Key words ： deep learning; Convolutional Neural Network ( CNN); depth separable convolution; fully connectedconditional random field0引言对地物分割的研究已有几十年的历史，国内外学者针对不同的应用场景和数据源，提出并发表了众多方法和研究成果。
基于深度学习的高分辨率遥感图像海陆分割方法
基于深度学习的高分辨率遥感图像海陆分割方法高分辨率遥感图像海陆分割是遥感图像处理中的一个重要任务，可以帮助人们更好地理解地球表面的海洋和陆地区域。
近年来，深度学习技术的快速发展为海陆分割提供了一种有效的方法。
本文将介绍一种基于深度学习的高分辨率遥感图像海陆分割方法。
我们需要准备一个深度学习模型。
深度学习模型主要由卷积神经网络（CNN）构成，其可以有效地学习到图像的特征。
常用的深度学习模型有U-Net、FCN和DeepLab等。
接下来，我们需要准备一批已经标注好的高分辨率遥感图像数据。
这些数据应该包含海洋和陆地的不同区域，并且每个像素都需要有相应的标签，表示该像素属于海洋还是陆地。
然后，我们将准备好的数据输入到深度学习模型中进行训练。
在训练过程中，模型将根据数据的特征和标签进行学习，并逐渐优化模型的参数，以达到更好的海陆分割效果。
训练过程通常需要较长时间，需要大量的计算资源和时间。
训练完成后，我们就可以使用训练好的深度学习模型来进行海陆分割了。
具体的方法是将待分割的高分辨率遥感图像输入到已训练好的模型中，并通过模型的输出得到每个像素属于海洋还是陆地的概率。
为了得到最终的海陆分割结果，我们可以根据模型输出的概率进行阈值处理。
通常，我们将概率大于某个阈值的像素分为陆地，将概率小于阈值的像素分为海洋。
阈值的选择可以根据实际需求进行调整，以得到最佳的分割效果。
基于深度学习的高分辨率遥感图像海陆分割方法通过训练模型来学习图像的特征，然后根据学习到的特征进行海陆分割。
这种方法具有较高的准确度和鲁棒性，并且可以应用于各种不同类型的遥感图像数据。
在未来，随着深度学习技术的进一步发展，高分辨率遥感图像海陆分割方法将得到更广泛的应用。
基于深度学习的遥感图像分类与分割
基于深度学习的遥感图像分类与分割遥感图像分类与分割是遥感技术在实际应用中的重要领域之一。
随着深度学习技术的快速发展，基于深度学习的遥感图像分类与分割方法也取得了显著的进展。
本文将介绍基于深度学习的遥感图像分类与分割的概念和方法，并探讨其在遥感图像处理领域的应用前景。
一、概述遥感图像分类与分割是将遥感图像分为不同的类别，并将同类像素聚集成连续的区域的过程。
与传统的遥感图像处理方法相比，基于深度学习的方法具有更高的准确率和鲁棒性。
深度学习是一种模拟人脑神经网络的机器学习方法，可以通过大量的数据进行训练，从而获得更好的图像分类和分割结果。
二、基于深度学习的遥感图像分类方法基于深度学习的遥感图像分类方法主要包括卷积神经网络（CNN）和循环神经网络（RNN）。
CNN可以有效地提取图像的空间特征，通过多层卷积和池化操作，逐渐减小图像的尺寸并增加特征映射的数量，最终得到丰富的特征表示。
RNN则可以对图像中的时序信息进行建模，适用于时间序列的遥感图像分类任务。
在遥感图像分类中，常用的深度学习模型有VGGNet、ResNet和Inception等。
这些模型由于其架构的优势，在图像分类问题上取得了很好的效果。
此外，还可以通过迁移学习的方法，将在大规模自然图像数据集上训练的深度学习模型应用于遥感图像分类任务。
迁移学习可以充分利用已有模型的特征提取能力，减少训练时间和样本数量的需求，同时提高分类准确率。
三、基于深度学习的遥感图像分割方法基于深度学习的遥感图像分割方法主要包括全卷积网络（FCN）、U-Net和SegNet等。
这些方法采用了编码器-解码器结构，可以有效地捕捉图像的空间信息，并生成像素级别的分割结果。
FCN是最早被提出并广泛应用于图像分割的模型之一，它将传统的全连接层替换为卷积层，保留了图像的空间信息。
U-Net模型则在FCN的基础上添加了跳跃连接，可以更好地保留图像的细节信息，适用于小目标的分割任务。
SegNet模型则添加了对应的解码器网络，用于还原图像分辨率。
基于深度神经网络的高分辨率卫星遥感图像分割
基于深度神经网络的高分辨率卫星遥感图像分割近年来，深度神经网络技术的发展为遥感图像分割带来了全新的机遇和挑战。
传统的遥感图像分割方法基本上都是基于手工设计的特征提取和分类器的选择，往往需要大量的专业知识和经验。
而深度神经网络则可以利用大量的标注数据进行端到端的学习，避免了手工设计的复杂过程，大大提高了分割的准确度和效率。
特别是在高分辨率卫星遥感图像领域，深度神经网络技术的应用将成为未来的趋势和重要方向。
高分辨率卫星遥感图像是指在地面上的细致结构、建筑、车辆等物体形态和物体内部细节都能以可识别的分辨率表现在遥感图像上的图像。
这种类型的遥感图像具有很高的空间分辨率和光谱分辨率，能够提供足够的细节信息进行物体分类和边界分割。
然而，由于地球表面的巨大和多样性，高分辨率卫星遥感图像的分辨率越高，图像的体积也就越大，处理起来也越困难。
传统的图像分割算法往往无法处理大规模高分辨率卫星遥感图像，而基于深度神经网络的算法却可以应用于大规模数据，其结果也更加精确。
基于深度神经网络的遥感图像分割方法主要分为两种:一种是全卷积网络（Fully Convolutional Networks，FCN），另一种是U-Net。
FCN是2014年提出的用于实现端到端的像素级分类的神经网络，其主要思想是将全连接映射层拆分成卷积层，使网络接收任意大小的输入，同时输出相应数量的像素级别的预测。
而U-Net则是一种基于FCN的编码器-解码器网络结构，它在编码过程中通过不断缩减尺寸提取特征信息，而在解码过程中通过逐步恢复尺寸生成空间中特定位置的预测结果。
这种网络结构结合了FCN和自编码器的优点，能够生成更加精细和准确的分割图像。
深度神经网络的应用还涉及到数据增强、损失函数等方面。
在数据增强方面，除了一些常见的增强方式，例如旋转、翻转、剪辑、缩放和对比度、亮度的变化等，还可以利用卫星遥感图像中的光谱信息进行增强。
例如，可以通过绘制不同的波段颜色图像，增加遥感图像的多样性，从而提高网络的鲁棒性和泛化能力。
基于深度学习的高分辨率遥感图像分割方法
第１３卷㊀第１０期Ｖｏｌ．１３Ｎｏ．１０㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１０月㊀Ｏｃｔ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１０－０１５６－０３中图分类号：ＴＰ３０１文献标志码：Ａ基于深度学习的高分辨率遥感图像分割方法王㊀伟（河南工业贸易职业学院信息工程学院，郑州４５００５３）摘㊀要：以往高分辨率遥感图像分割方法由于没有对遥感图像中的数据模点进行检测，导致分割精度不高，本文设计了一种基于深度学习的高分辨率遥感图像分割方法㊂首先，通过对遥感图像进行预处理，保留重要的细节信息；其次，对预处理后的遥感图像进行特征提取，并对特征提取后的图像进行滤波处理，增加图像光谱的一致性；最后，利用深度学习方法对遥感图像中的数据模点进行检测，得到遥感图像的最终分割结果㊂通过实验并与以往的高分辨率遥感图像分割方法进行对比证明基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度㊂关键词：深度学习；高分辨率遥感图像；遥感图像；分割方法Ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇＷＡＮＧＷｅｉ（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＨｅｎａｎＩｎｄｕｓｔｒｙａｎｄＴｒａｄｅＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅ，Ｚｈｅｎｇｚｈｏｕ４５００５３，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＰｒｅｖｉｏｕｓｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓｄｉｄｎｏｔｄｅｔｅｃｔｔｈｅｄａｔａｍｏｄｕｌｅｐｏｉｎｔｓｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇｉｓｄｅｓｉｇｎｅｄ．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｐｒｅｐｒｏｃｅｓｓｉｎｇｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｔａｉｎｓｔｈｅｉｍｐｏｒｔａｎｔｄｅｔａｉｌｓ．Ｔｈｅｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｓｃｏｎｄｕｃｔｅｄｏｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅａｎｄｔｈｅｉｍａｇｅｆｉｌｔｅｒｉｎｇｉｓｕｓｅｄｔｏｉｎｃｒｅａｓｅｔｈｅｉｍａｇｅｓｐｅｃｔｒａｌｃｏｎｓｉｓｔｅｎｃｙ．Ａｔｌａｓｔｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｉｓｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅｄａｔａｍｏｄｕｌｅｐｏｉｎｔｓｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｎｄｇｅｔｔｈｅｆｉｎａｌｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｈａｓｈｉｇｈｅｒｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙｃｏｍｐａｒｅｄｗｉｔｈｐｒｅｖｉｏｕｓｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ．ʌＫｅｙｗｏｒｄｓɔｄｅｅｐｌｅａｒｎｉｎｇ；ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ；ｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄ基金项目：河南省重点研发与推广专项（科技攻关）项目（２１２１０２３１００８５，２２２１０２２１０２５２，２３２１０２１１０２８１）；２０２３年度河南省高等学校重点科研项目（２３Ａ５２００５５）；中国高校产学研创新基金新一代信息技术创新项目（２０２１ＩＴＡ１１００７）；河南省黄河流域生态环境保护与修复重点实验室开放课题基金（ＬＹＢＥＰＲ２０２２０２）㊂作者简介：王㊀伟（１９８２－），女，学士，副教授，主要研究方向：人工智能㊁数据挖掘㊂收稿日期：２０２３－０４－１２０㊀引㊀言遥感技术不断发展，再加上卫星图像分辨率的提高，高分辨率的遥感图像已经成为当代众多建设领域的重要资料来源［１］㊂高分辨率遥感图像的出现，能够快速提取地面物体信息，同时对被提取物体的形状㊁外观特点㊁纹路等特征信息有很好的识别效果，使得遥感图像的应用领域更加广泛，在城市规划㊁灾难警报㊁绘制地图等行业中都有举足轻重的作用，对于各行各业的发展都具有十分重要的意义㊂然而，高分辨率遥感图像的广泛应用，导致遥感图像数据的数量越来越多，从海量的数据中提取出有效的信息成为一件极为困难的事情［２］㊂传统的处理高分辨率遥感图像的方法，在实际应用时不仅需要花费大量的人力和物力，而且还很难达到理想的效果㊂深度学习的快速发展为各行各业提供了新的发展思路，对高分辨率遥感图像目前面临的问题也提出了新的解决方法㊂因此，本文以深度学习为基础，设计了一种新的高分辨率遥感图像分割方法，对于提高遥感图像的分割精度有着一定的指导意义㊂１㊀高分辨率遥感图像分割方法设计１．１㊀遥感图像预处理在遥感图像中，为了提高图像的质量就要对原始的图像进行预处理㊂现在遥感图像数量众多，大多数为小目标，小目标的遥感图像只有几十个像素，而大目标虽然占比较小，但普遍在五万像素左右［３］㊂大目标和小目标遥感图像相差甚多，就会导致相对类型的实物尺寸也相差很多，增加了遥感图像分割的难度，再加上遥感图像的成像高度甚高，图像中大多都为小目标，这就导致图像在处理的过程中很容易出现细节信息丢失的情况，甚至会导致与小目标相关的特征完全缺失㊂此外，在实际应用中，高分辨率的遥感图像中会存在大量具有复杂边界的目标，比如轮船㊁港口㊁战斗机等，这些图像类型的边界非常多变，如果直接对图像进行处理，就很难将其中复杂的形状细节刻画得十分完整，甚至在处理过程中直接导致一部分细节信息丢失，增加目标检测的难度，直接影响遥感图像分割的效果［４］㊂因此，对遥感图像进行预处理是非常重要的，在进行预处理的过程中要保留图像本身的纹理信息，并很好地消除随机噪声，保护好图像的边缘，避免边缘出现模糊等情况，影响遥感图像的后期处理㊂同时，图像边缘像素的变化会呈现出梯状，这时就要将图像的边缘进行异性扩散处理，保证图像边缘处的平滑度，保留重要的细节信息㊂１．２㊀遥感图像特征提取遥感图像的预处理完成后，就要对预处理好的遥感图像进行特征提取，本文利用特征检测的方法提取遥感图像的特征㊂将遥感图像的特征属性分为３个部分，分别是图像纹理㊁图像极值㊁图像灰度低区域，图像纹理是指将遥感图像放在一定的空间内，图像本身会按照规定的形式变化，最终产生出一定图案和模式，作为特征提取时的重要依据；图像极值是指图像的结构和大小，在不同形态下对图像提取造成的影响大小［５］；图像灰度低区域是指遥感图像中灰度为零的区域，该区域的阈值比较低，在进行处理的时候变化不会很明显㊂在实际的提取中，还会考虑光谱信息，彩色图像可以看作是光谱图像中一个比较特别的区域，其提取方法和其他图像不同，在提取时要保证对提取目标的边缘检测，可以将纹理梯度图和梯度图像结合在一起，从中截取两者的优势，从而提高对遥感图像特征的提取［６］㊂此外，对于小目标遥感图像来说，由于图像像素过小，在提取时要注意形状因子对其的影响，以免提取失败㊂１．３㊀遥感图像滤波提取遥感图像特征后，为了获得更高的遥感图像分割精度，还要对遥感图像进行滤波处理㊂在获取遥感图像的过程中，会受到多种因素的影响，比如空气湿度㊁光照强度等，这些都会影响遥感图像的细节信息㊂高分辨率的遥感图像相对于普通的遥感图像受到的影响会更大，再加上高分辨率遥感图像有更加丰富的细节信息，因此，这些影响因素也会通过图像纹理㊁图像灰度等方面展现出来，因此特征提取后，要进行滤波处理［７］㊂本文中使用滤波处理方法对遥感图像进行平滑处理，能将遥感图像的均值变宽；通过漂移滤波保证遥感图像边缘处的正常㊂同时，将滤波处理后的图像结构当作图像的特征，也能增加遥感图像各个区域的光谱一致性，减少随机噪声的出现㊂具体的滤波处理过程如式（１）所示：㊀ｙｉ，ｊ＋１＝ðｎｉ＝１Ｇｘｉ－ｙｊｈæèçöø÷ｗｘｉ()ｘｉðｎｉ＝１Ｇｘｉ－ｙｊｈæèçöø÷ｗｘｉ()，ｊ＝１，２， ，ｎ（１）其中，ｙｊ表示本次滤波处理中移动点的痕迹；ｘｉ表示原始的图像；ｙｉ，ｊ＋１表示进行滤波处理后的图像；ｗ（ｘｉ）表示与ｘｉ相关的权重系数；Ｇ（ｘ）表示与ｗ（ｘｉ）相对应的核函数；ｈ表示空间特征带宽常数㊂通过公式（１），得到平滑后的遥感图像，并知道该图像是否可以进行同质化合并，很好地保持了异质区之间的信息不会丢失㊂１．４㊀基于深度学习的遥感图像分割本文基于深度学习的方法，对滤波处理后高分辨率遥感图像进行分割处理㊂在深度学习的支持下，可以接收任何尺寸的图像输入，并在每一个特征图谱上进行采样，使图像恢复到和输入图像相同的尺寸，同时对每个像素的图像都产生了一个预测，同时也会保留原始输入图像的相关信息，最后再根据采样出来的特征图进行分类㊂在实际应用中，由于高分辨率遥感图像分割方法输出层较多，会将每个输出层固定为一个尺寸，即ａˑｂˑｃ，其中，ａ㊁ｂ表示是遥感图像的空间维度，ｃ表示图像特征或者通道维度㊂因此，在第一个输出层中，图像的像素大小为ａˑｂ，同时带有ｃ个通道，之后的输出层按照这个规律持续后推㊂同时在图像中，较为高级的图层会和图像自身的相对应，这个互相对应的区域被称为接收域㊂由于深度学习的方法具有平移不变的特性，所以高分辨率遥感图像会在局部输入域上运行，并且十分依赖相对应的空间坐标㊂因此，在分割过程中，运用深度学习的方法，检测出遥感图像中每个数据点的模点，其具体检测过程如式（２）所示：ｇ＝ｆʃｄ()－ｆ∓ｄ()（２）㊀㊀其中，ｇ表示每个数据点的模点；ｆ表示被检测７５１第１０期王伟：基于深度学习的高分辨率遥感图像分割方法的遥感图像；ｂ表示遥感图像的结构元素㊂通过式（２）确定遥感图像的模点，再将相同模点的数据点收敛到同一个区域，得到初步分割的结果，初步分割结果，式（３）：Ｄ＝ｆ∓ｄ()ｘ，ｙ()－ｍｉｎｆ（ｘ＋ｉ，ｙ＋ｉ）（３）㊀㊀其中，Ｄ表示遥感图像初步分割结果；ｘ表示遥感图像上模点的纹理特征；ｙ表示遥感图像上模点的形态特征；ｉ表示遥感图像初始分割后的变化参数㊂将像素点较小的区域和周边区域进行融合，得到最终的分割结果，式（４）：Ｐ＝ｗ㊃ｆʃｄ()＋１－ｗ()ｆ∓ｄ()㊃Ｄ（４）其中，ｗ表示模点与周边区域融合的权重系数，Ｐ表示最终的遥感图像分割结果㊂通过式（４），将高分辨率遥感图像的最终结果展现出来，对比分割前后的遥感图像的效果㊂２㊀实验结果２．１㊀实验准备为了验证本文设计的基于深度学习的高分辨率遥感图像分割方法的分割精度，本文从某数据集中选取了５张高分辨率遥感图像作为实验图像，图像中包含了多种土地类型，包括植被㊁建筑㊁水体㊁道路以及其他类型，统计土地类型在遥感图像中所占的百分比，具体统计结果见表１㊂表１㊀遥感图像中土地类型的分布统计Ｔａｂ．１㊀Ｓｔａｔｉｓｔｉｃｓｏｆｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｎｄｔｙｐｅｓｉｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ％图像植被建筑水体道路其他图像１７．３３１．７０．１９．９５０．９图像２６６．４５．３２１．５１．１５．６图像３１１．７３３．２０．７１．１４３．３图像４１３．２４１．２４．２３．２３２．１图像５６４．５１２．３６．２１．０１５．８总计２３．１３０．３５．４８．２３３．０㊀㊀在实验中，由于５张遥感图像的像素并不相同，其中２张图像为４０１１ˑ６１１６像素，２张图像为７９６９ˑ５１４２像素，１张图像为３３６７ˑ４５６８像素，为了减少实验中偶然性的出现，将５张遥感图像全部裁剪成５１２ˑ５１２像素大小的图像㊂２．２㊀实验结果与讨论为了验证４种遥感图像分割方法的分割精度，本次实验以某次竞赛的评估方案 分割精度作为评价指标，来评价４种遥感图像分割方法㊂分割精度ＱＡ的计算如式（５）所示：ＱＡ＝ＴＰＮ（５）㊀㊀其中，ＴＰ表示检测的占比和实际占比相等的数量，Ｎ表示整个样本的数量㊂同时，为了保证实验的准确性和非偶然性，本次实验还设置了３个对照实验，其中，对照实验１是基于人工智能技术的高分辨率遥感图像分割方法，对照实验２基于标记分水岭的高分辨率遥感图像分割方法，对照实验３是曲波特征加权的高分辨率遥感图像统计分割方法㊂计算出４种方法的分割精度，见表２㊂采用本文所提方法对遥感图像进行分割，分割精度最高为９６．７％，最低为９３．５％，均值为９４．６８％；而对照实验的分割精度均低于９０％，说明本文设计的基于深度学习的高分辨率遥感图像分割方法具有更高的分割精度，在实际应用中效果更好㊂表２㊀４种方法分割精度对比Ｔａｂ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙｂｅｔｗｅｅｎｆｏｕｒｍｅｔｈｏｄｓ对照实验图像１（ＱＡ／％）图像２（ＱＡ／％）图像３（ＱＡ／％）图像４（ＱＡ／％）图像５（ＱＡ／％）本文９４．２９６．７９３．５９４．２９４．８对照实验１８８．３８５．５８７．６８５．６８５．３对照实验２７９．４８３．１８５．８８４．３８４．５对照实验３８２．５８４．６７８．３８５．２８５．４３㊀结束语图像分割在遥感领域中占有重要地位，图像分割能够更加快速地得到图像的整体信息㊂在深度学习的快速发展和对遥感领域的大力支持下，遥感图像的分割已经被应用到了多个领域当中㊂本文设计的基于深度学习的高分辨率遥感图像分割方法对遥感图像的分割有着一定的参考价值，虽然其中还存在些许不足，在之后的研究中会不断完善㊂参考文献［１］刘易斯．一种高分辨率遥感图像分割方法研究［Ｊ］．电气自动化，２０２２，４４（３）：１０９－１１２．［２］崔昊．基于深度学习的高分辨率遥感图像海陆分割方法［Ｊ］．软件导刊，２０２０，１９（３）：９５－９８．［３］王玉．曲波特征加权的高分辨率遥感图像统计分割方法研究［Ｊ］．测绘学报，２０２０，４９（３）：４０２．［４］刘明威，方静，詹曙．基于深度学习的土地覆盖遥感图像分割方法［Ｊ］．合肥工业大学学报（自然科学版），２０２２，４５（６）：７５３－７５９．［５］刘冠群，刘豪，王新，等．一种基于深度学习的卫星遥感图像分割方法［Ｊ］．湖南城市学院学报（自然科学版），２０２１，３０（５）：５４－５８．［６］段明义，卢印举，苏玉．一种利用花粉算法优化的遥感图像分割方法［Ｊ］．遥感信息，２０２１，３６（１）：７－１２．［７］闵蕾，高昆，李维，等．光学遥感图像分割技术综述［Ｊ］．航天返回与遥感，２０２０，４１（６）：１－１３．８５１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。
基于深度学习的遥感图像分割
摘要遥感图像分割是利用遥感技术获取的高分辨率图像进行像素级别的分类，将图像中的不同物体或不同地物提取出来的过程。
这个过程对于遥感应用具有重要意义，因为它能够提取出地物和地表特征，如河流、道路、建筑、植被、水体等，并且这些特征是地面实际存在的。
图像分割可以为地面覆盖分类、土地利用覆盖变化分析、城市规划、农业资源监测、环境保护等领域提供实用信息。
本论文首先阐述了遥感图像分割和深度学习技术的原理，并用全卷积网络中的FCN-32s和FCN-8s网络构建了遥感图像分割模型，并用ISPRS Vaihingen 数据集训练和测试，经过测试FCN-32s模型的三个评价指标mean F1、mIOU和OA分别为80.45%、70.81%和82.32%，FCN-8s模型的三个评价指标mean F1、mIOU和OA 分别为79.24%、70.35%和83.02%。
紧接着本论文用U-Net网络构建了遥感图像分割的模型，经过测试U-Net模型的三个评价指标mean F1、mIOU和OA分别为82.10%、72.35%和84.56%。
关键词遥感图像分割；U-Net；全卷积网络Remote Sensing Image Segmentation Based on U-NetAbstractRemote sensing image segmentation is the process of extracting different objects or different features from an image by pixel-level classification using high-resolution images acquired by remote sensing technology. This process is important for remote sensing applications because it can extract features and surface features such as rivers, roads, buildings, vegetation, water bodies, etc. and these features are physically present on the ground. Image segmentation can provide practical information for ground cover classification, land use cover change analysis, urban planning, agricultural resource monitoring, environmental protection and other fields.In this thesis, firstly, the principles of remote sensing image segmentation and deep learning techniques are explained, and remote sensing image segmentation models are constructed with FCN-32s and FCN-8s networks in full convolutional networks, and trained and tested with ISPRS Vaihingen dataset. After testing, the three evaluation indexes of FCN-8s model mean F1, mIOU and OA are 79.24%, 70.35% and 83.02%, respectively. The three evaluation indexes mean F1, mIOU and OA of the U-Net model were 82.10%, 72.35% and 84.56%, respectively.Keywords：Remote Sensing Image Segmentation; U-Net; Full Convolutional Network目录1 绪论 (1)1.1 选题背景及研究意义 (1)1.2 国内外现状现状 (1)1.2.1 基于聚类的方法 (1)1.2.2 基于分割的方法 (2)1.2.3 基于深度学习的方法 (2)2 遥感图像分割和深度学习基础 (3)2.1 基于深度学习的遥感图像分析 (3)2.2 遥感图像分割常用的数据集 (4)2.2.1 SIRI-WHU 数据集 (4)2.2.2 WHU-RS19 数据集图 (4)2.2.3 GID 数据集 (5)2.2.4 ISPRS Vaihingen 数据集 (5)2.3 数据预处理 (6)2.4 卷积神经网络基础 (7)2.4.1 卷积层 (8)2.4.2 激活函数 (8)2.4.3 池化层 (10)3 基于全卷积网络的遥感图像分割 (11)3.1 全卷积网络概述 (11)3.2 全卷积网络结构 (11)3.3 损失函数 (13)3.4 FCN网络结构 (13)3.5 全卷积网络模型构建和训练 (15)4 基于U-Net网络的遥感图像分割 (16)4.1 U-Net网络概述 (16)4.2 U-Net网络结构 (16)4.3 U-Net训练和结构分析 (17)5 总结 (18)1绪论1.1 选题背景及研究意义遥感图像分割是利用遥感技术获取的高分辨率图像进行像素级别的分类，将图像中的不同物体或不同地物提取出来的过程。
基于深度学习的高分辨率遥感图像海陆分割方法
基于深度学习的高分辨率遥感图像海陆分割方法1. 引言1.1 背景介绍基于深度学习的海陆分割方法近年来备受关注，其通过构建深层神经网络模型，实现对海陆图像中复杂特征的自动学习和提取，取得了较好的分割效果。
深度学习技术的发展为海陆分割提供了新的思路和解决方案，使得分割精度和效率得到了显著的提升。
本文旨在探讨基于深度学习的高分辨率遥感图像海陆分割方法，借助深度学习技术的优势，提高海陆分割的精度和鲁棒性，促进遥感图像在海洋科学、资源管理等领域的应用。
通过实验验证和结果分析，进一步探讨该方法的优势和不足，为海陆分割技术的发展提供参考和借鉴。
1.2 研究意义遥感图像海陆分割是遥感领域的一个重要问题，对于海岸线监测、海洋资源管理、环境保护等具有重要意义。
传统的海陆分割方法通常依赖于手工设计的特征和规则，难以适应图像的复杂多变性，而基于深度学习的方法可以自动学习图像的特征表示，具有更好的适应性和泛化能力。
基于深度学习的高分辨率遥感图像海陆分割方法在提高分割准确度、增加分割效率方面具有重要意义。
深度学习技术在图像处理领域取得了巨大成功，其强大的特征学习能力和表征能力使得在海陆分割问题上取得了很好的效果。
通过深度学习算法，可以有效地提取遥感图像中的海陆信息，从而实现对海陆的精确分割。
这不仅可以为海岸线监测、海洋环境保护等领域提供可靠的数据支持，还可以为相关决策提供科学依据。
研究基于深度学习的高分辨率遥感图像海陆分割方法具有重要意义，可以推动遥感图像分割技术的发展，提高分割准确度和效率，为海洋资源管理、环境保护等领域提供更好的数据支持。
1.3 研究现状目前，遥感图像海陆分割是遥感图像处理领域的重要研究方向之一。
在过去的几十年里，研究人员已经提出了许多不同的海陆分割方法，包括基于传统机器学习算法的方法和基于深度学习的方法。
传统的机器学习方法通常需要手工设计特征和规则来进行图像分割，这会限制算法的性能和泛化能力。
而近年来，深度学习技术的迅速发展为海陆分割问题提供了新的解决方案。
基于深度学习的遥感图像分类与分割算法研究
基于深度学习的遥感图像分类与分割算法研究深度学习技术在遥感图像分类与分割领域中具有广泛的应用前景。
遥感图像是通过遥感技术获取的大范围、高分辨率的地球表面图像，包含丰富的地物信息。
遥感图像的分类与分割对于地质勘探、环境监测、农业发展等领域具有重要作用。
本文将研究基于深度学习的遥感图像分类与分割算法，以提高遥感图像处理的精度和效率。
一、引言遥感图像是通过卫星、飞机等高空平台获取的图像，具有地理信息的广覆盖性和高分辨率特点。
传统的遥感图像分类与分割方法主要依赖于手工设计的特征提取算法，对于不同类型的遥感图像需要进行特征工程的设计。
然而，特征工程具有主观性和局限性，不能很好地适应各种不同的遥感图像场景。
深度学习技术具有自动学习和特征表示的能力，可以更好地适应复杂的遥感图像特征。
因此，基于深度学习的遥感图像分类与分割方法受到越来越多的关注。
二、深度学习在遥感图像分类与分割中的应用1. 卷积神经网络（CNN）在遥感图像分类中的应用卷积神经网络是深度学习中最常用的网络结构之一，具有良好的特征提取和分类能力。
在遥感图像分类中，CNN可以通过多层卷积和池化操作提取图像中的空间信息和语义信息，并通过全连接层进行分类预测。
通过训练大量的标注数据，CNN可以学习到遥感图像的特征表示，从而实现高精度的分类。
2. 循环神经网络（RNN）在遥感图像分割中的应用循环神经网络是一种能够处理序列数据的神经网络模型，对于遥感图像的像素级别分割具有优秀的性能。
通过引入长短期记忆（LSTM）单元，RNN可以学习到遥感图像中像素之间的空间相关性，从而实现精确的像素级别分割。
RNN在处理遥感图像时，可以考虑到像素的上下文信息，提高了分割算法的精度。
三、基于深度学习的遥感图像分类与分割算法研究1. 深度卷积神经网络（DCNN）算法深度卷积神经网络是一种具有多层卷积层和池化层的网络结构，可以通过多层的卷积和池化操作提取遥感图像中的特征。
DCNN算法通过端到端的训练方式，可以自动学习遥感图像的特征表示，并通过全连接层实现图像的分类。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于深度学习的高分辨率遥感图像海陆分割方法作者：崔昊来源：《软件导刊》2020年第03期摘要：将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作，对海岸线提取和海洋近岸目标检测具有重要意义，但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。
为了提升高分辨率遥感影像海陆分割精度，改善传统阈值方法的不足，基于深度神经网络模型利用编码器—解码器架构，并在编码层中引入残差块，以更好地对特征图进行高级语义信息提取，通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图，最后通过Sigmoid层对图像进行像素级海陆分割。
在高分辨率遥感图像数据集上的实验结果表明，该网络模型取得良好了分割效果，准确率和Kappa系数分别达到了94.3%和93.7%。
与传统方法相比，海陆分割精确度得到了有效提升。
关键词：深度学习;高分辨率遥感图像;海陆分割;深度神经网络;编码—解码架构DOI：10. 11907/rjdk. 192771中图分类号：TP301 ; 文献标识码：A ;;;;;;;;;;;;;;; 文章编号：1672-7800（2020）003-0095-04Land and Sea Segmentation Method of High-Resolution Remote Sensing Image Based on Deep LearningCUI Hao（School of Computer Science & Engineering，Shandong University of Science & Technology，Qingdao 266590，China）Abstract： Pixel-level sea-land segmentation of high-resolution remote-sensing images is a basic work in remote sensing applications. It is of great significance for coastline extraction and marine near-shore target detection. However， However， the traditional threshold method is often difficult to obtain the expected results due to the wide coverage of high-resolution remote sensing images and the complex texture of the ground features. In order to improve the accuracy of sea land segmentation of high-resolution remote sensing image and improve the shortcomings of traditional threshold methods， based on the depth neural network model， the encoder decoder architecture is used， and residual blocks are introduced into the coding layer to better extract the high-level semantic information of the feature map. Through the decoding layer， the feature map generated by the coding layer is restored to the feature map with the same size as the input. Finally through the Sigmoid layer， the sea land segmentation of images is made at the pixel level. The experimental results on the high-resolution remote sensing image dataset show that the network model achieves good segmentation results， and the accuracy rate and Kappa coefficient reach 94.3% and 93.7%，respectively. Compared with the existing traditional methods， this method improves the accuracy of land and sea segmentation.Key Words： deep learning;high-resolution remote sensing image;sea and land segmentation;deep neural network; encoding-decoding architecture0 引言近年来，随着我国遥感卫星技术的快速发展，高分辨率遥感图像在海洋开发应用与权益保护监督等方面获得广泛应用。
高分辨率遥感图像具有覆盖范围广、地物纹理信息丰富、成像光谱波段多、重访时间短等多种特征。
高分辨率遥感图像解译也是数字图像分析的重要组成部分，已廣泛应用于土地测绘、环境监测、城市建设等领域。
其中，语义分割在遥感图像解译中扮演重要角色，是低高层遥感图像处理及分析的重要衔接[1]。
对高分辨率遥感图像进行海陆分割的目的是将遥感近岸图像准确地分割成海洋和陆地区域。
提升高分辨率遥感图像海陆分割精确度，有利于对近海区域目标进行检测，并且获取的海岸线等信息对海岸演化分析[2] 、潮间带性质和分布信息提取[3]等具有重要意义。
传统高分辨率遥感图像海陆分割方法主要分为基于阈值分割、边界检测[4]、区域提取[5]、小波变换[6]、聚类分析等。
阈值分割是一种简单、有效的图像分割方法，具有易于理解、实现简便、效果显著的特点[7]。
阈值选择对于分割结果具有决定性作用，实际应用中使用较多的阈值分割方法是NDWI方法[8]，该方法利用图像的绿光波段和近红外光波段值计算出图像的NDWI值，然后利用NDWI直方图选择合适的海陆分割阈值，最后对图像二值化，达到海陆分割目的。
Liu等[9]提出了一种基于活动轮廓的分割方法，该方法首先利用Ostu分割结果初始化，然后基于光学遥感图像海陆区域灰度分布特性构造能量函数，最后最小化能量函数实现海陆分割;蔡姝等[10]对遥感图像首先利用 Canny 算子提取图像梯度信息，再结合形态学操作运算进行图像海陆分割;Liu等[11]提出了一种结合边缘检测和高斯曲线拟合确定局部区域阈值的LATM法。
随着遥感技术的发展，遥感图像分辨率不断提高，高分辨率遥感图像不仅覆盖范围越来越大，而且陆地海洋区域的纹理特征更加清晰，陆地地物类型与海洋环境更加复杂，在这种场景下，如果使用传统单一特征进行海陆分割，分割效果往往不理想，造成海陆边界不清晰或分类错误，势必对高分辨率遥感图像解析工作带来挑战。
针对传统海陆分割方法的不足，近几年卷积神经网络在图像分类、语义分割等计算机视觉识别领域得到了快速发展。
CNNs在遥感影像中也得到了广泛应用，如土地利用分类和卫星图像场景分类。
CNNs网络模型主要包括卷积层、池化层、全连接层，通过采用梯度下降法最小化损失函数，进而对网络中的权重参数逐层反向调节，通过频繁的迭代训练学习特征图高级语义特征，提高网络精度。
胡等[12]利用CNNs卷积神经网络对遥感图像进行分类;Long等[13]提出了用于解决图像像素级语义分割任务的全卷积神经网络（Full Convolutional Neural Network，FCN）。
FCN将传统CNN中的全连接层转化成一个个卷积层，可以接受任意尺寸的输入图像，采用反卷积层对最后卷积层的特征图进行上采样操作，使其恢复到与输入图像相同尺寸，从而对上采样得到的特征图进行像素分类。
但FCN对上采样的结果仍然比较模糊和平滑，对图像中的细节不敏感，对各像素进行分类，没有充分考虑像素与像素之间的关系，缺乏空间一致性。
此外，还有其它语义分割网络结构如U-Net[14]、SegNet[15]、PSPNet[16]等。
本文提出的神经网络模型利用编码器-解码器架构，并在编码层中引入残差块用以解决随着网络深度增加而面临的梯度消失问题，以更好地对特征图进行高级语义信息提取，并优化海陆分割结构，进而提高高分辨率遥感图像海陆分割精度。
1 方法与模型1.1 编码器—解码器架构编码器—解码器架构是一种对应性架构，其过程主要分为编码和解码两个步骤。
在编码阶段，卷积神经网络主要包括卷积层和池化层，通过对输入图像的卷积和池化操作，获得不同分辨率大小的特征图，神经网络学习特征图的高级语义信息。
在解码器阶段，卷积神经网络包括卷积操作和上采样操作，通过上采样方式恢复特征图分辨率，使网络模型输出与输入图像分辨率相同的特征图，进而利用Softmax层实现每个像素的类别标注，也即像素级海陆分割。
1.2 残差块构建随着神经网络层数不断增加，计算资源消耗、模型容易过拟合、梯度消失或梯度爆炸等問题也随之而来，网络产生了退化（Degradation）现象，即增加网络深度，训练集损失反而会增加。
当发生网络退化现象时，浅层网络能够达到比深层网络更好的训练效果，这时通过构建残差块，将低层的特征传到高层特征图，并将两者信息融合，尽可能得保证信息的完整性。
残差块结构如图1所示。
如图1所示，[x]表示输入，[F（x）]表示残差块在第二层卷积层激活函数之前的输出，则最后残差块的输出为[σ（F（x）+x）]，其中[σ]表示ReLU激活函数。
假设第二层卷积层在激活函数之前的输出为[H（x）]，则有[H（x）=F（x）+x];如果在第二层最优输出就是输入[x]，那么对于残差块结构只需将[F（x）=H（x）-x]优化为0即可。
该结构比原优化[F（x）=x]的难度低很多。
1.3 本文网络模型结构为了更好地对高分辨率遥感图像实现像素级的海陆分割，本文提出了一种基于编码器—解码器架构并结合残差块结构的神经网络模型。
图2展示了本文模型具体结构。
采用编码器-解码器结构，编码器使用4组卷积核大小为3×3、步长为1的卷积操作提取高分辨率遥感图像的高级语义特征，并在每组卷积操作中间加入池化核为2×2的池化操作，以减少模型参数量，提升模型运行速度。