连云港海岸线提取研究.doc

基于改进的UNet连云港海岸线提取研究
作者:杨坤

摘 要: 精确快速地提取海岸线对于海岸带的开发规划、实时监测等具有重要意义。使用遥感图像进行海陆分割是提取用途。包括围海养殖、港口航运、渔业捕捞、滨海旅游、石油和天然气勘探开发等。这使得海岸带成为容易受到破坏的地区之一。此外,民众进入海滩、保护濒危栖息地的权利等新兴的或不断增长的利益,使得各种冲突更加复杂。因此,能够及时地对海岸线进行提取和动态监测对于海岸建设、沿海开发、环境保护等意义重大,分析和研究海陆的语义分割非常有必要[1]。
由于遥感技术观测范围广、成像分辨率高、获取信息速度快周期短等特点因此被广泛应用于农业发展、灾害监測、海洋监测等各个领域[2]。通过遥感技术成像的遥感影像,分辨率高、范围广、光谱信息丰富,能够快速获取海岸地貌类型及其相关的地面信息,非常适合大范围的海岸研究。传统上,通常对遥感图像归一化后使用分割方法以实现海陆分割任务。阈值分割方法首先使用遥感影像的不同波段进行归一化来提取水体,然后通过选取阈值将低于阈值的像素归为负类(陆地),将高于阈值的像素归为正类(水体),以此来实现海陆语义分割。但是传统的阈值分割方法有来着明显的缺陷,首先它仅仅基于单个像素的光谱信息,而遥感图像中存在诸如海中阴影与陆地的波长相似等其他同谱异物现象,因此很难正确区分,同时对于不同传感器、不同地区甚至不同时间的图像往往需要选取不同的阈值,对于包含大范围区域遥感图像往往难以兼顾,因此阈值分割方法存在着阈值选取困难的问题。此外,传统方法只能应用到小范围内,需要消耗大量的人力物力。 最近几年,随着大数据的兴起以及计算机性能的提升,推动了深度学习的发展。基于卷积神经网络的深度学习模型在计算机视觉中主要有三方面应用,第一个方面是利用传统卷积神经网络(CNN)的图像分类任务[4], 其次是R-CNN的目标检测任务[5]以及基于FCN的语义分割任务[6]。深度学习的语义分割方法近年来发展迅速,例如:Ronneberger O等人继承FCN网络的思想提出了一种对称语义分割网络U-Net,在生物医学图像的图像分割上取得了良好的效果[7]。SegNet 应用了VGG16框架,去掉全连接层,搭建对称模型,以此来实现端到端像素级别的语义分割[8]。Liang-Chieh Chen等提出的DeepLabv3+架构,主要以DeepLabv3做Encoder架构,Decoder采用一个简单却有效的模块。并探索了改进的Xception和深度可分離卷积在模型中的应用,进一步提升了模型在语义分割任务上的性能。语义分割技术的日趋成熟也推动了海岸线提取(海陆分割)的快速高效发展。
但是,遥感影像中往往存在着同谱异物现象,例如靠近海岸的水塘以及陆上养殖区等地物的光谱信息与海洋相似,并且浅滩的光谱信息与陆地比较接近。同时,由于遥感图像的成像条件成像时间不同,不同的遥感图像中相同地物往往有着不同的光谱信息,因此对模型的泛化性能提出了极高的要求。针对上述问题,我们提出了一种基于改进UNet的语义分割网络模型用于海陆语义分割任务。该网络引入残差块来代替UNet中的卷积层,目的是在内部并行优化,用来捕捉详细的边界信息,这样一来,我们的网络拓展了深度,能够提取到更高维度的特征而不会引起梯度爆炸等问题。除此之外,我们在解码器的最后一层加入了残差ASPP结构,将残差思想和空间金字塔池化结合到一起,其中空间金字塔池化能够有效地增大感受野,更好地捕捉上下文语义信息,以解决同谱异物现象引起的误分类问题。在一组来自高分一号的遥感影像数据集上的实验证明,我们提出的网络能够有效地处理同谱异物现象引起的误分类问题。与经典的语义分割模型相比,我们提出的网络获得了更好的精度和F1测度分数。
1 相关工作
在本部分我们将回顾传统的FCN网络与UNet网络,同时对残差思想,ASPP模块进行详细介绍。
FCN和UNet
传统的卷积神经网络(CNN)用于图像分类任务,例如经典的手写数字识别。CNN网络的主要特点是输出与预测类别具有相同维度的向量,以此来表示每个类别的概率。与经典的卷积神经网络相比,FCN中用卷积层代替了最后的全连接层,可以让卷积网络在一张更大的图片上滑动,得到每个区域的输出,同时可以适应任意尺寸的输入;结合不同深度层结果的skip结构,可以确保鲁棒性和精确性;FCN使用上采样(反卷积来实现)操作来恢复到原图的分辨率,做到逐像素预测以达到端到端输出的目的。正是因为FCN拥有上述特点,因此可以很好地用于图像像素分割任务中。
在UNet中作者采用了优雅的对称结构,整个网络分为编码器部分(下采样)和解