本發(fā)明屬于濕地生態(tài)遙感領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法。

背景技術(shù)：

1、濕地與森林、海洋并稱為地球三大生態(tài)系統(tǒng)，被譽為“地球之腎”。濕地作為世界上生產(chǎn)力最高的生態(tài)系統(tǒng)之一，具有涵養(yǎng)水源、調(diào)節(jié)氣候、維護(hù)生物多樣性、“固碳”等多種生態(tài)功能，同時也是甲烷(ch4)的最大天然來源。近年來，受到人為活動和自然活動的影響，我國濱海濕地面臨破碎化嚴(yán)重、鹽沼流失等問題，這些問題不僅威脅到濕地自身的生態(tài)平衡和生物多樣性，也影響到了濕地所提供的生態(tài)服務(wù)功能。對濕地信息進(jìn)行準(zhǔn)確的提取，不僅可以更準(zhǔn)確地評估濕地的當(dāng)前狀態(tài)，監(jiān)測生態(tài)系統(tǒng)健康和功能變化，還能為濕地管理、保護(hù)和恢復(fù)工作提供科學(xué)依據(jù)和決策支持。

2、傳統(tǒng)的濕地信息提取方法如實地調(diào)查和目視解譯、非監(jiān)督分類、監(jiān)督分類等在應(yīng)用中存在一些限制，如效率低下、精度受人為主觀影響較大等。近年來，隨著深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(cnn)、人工神經(jīng)網(wǎng)絡(luò)(ann)、全卷積神經(jīng)網(wǎng)絡(luò)(fcn)已被廣泛應(yīng)用于濕地信息提取的研究之中。參考以往研究成果，通過cnn對草本濕地信息進(jìn)行提取，并與svm方法進(jìn)行了對比，結(jié)果表明cnn的分類精度相較于svm提高了5％左右。deeplab?v3+通過添加解碼器結(jié)構(gòu)，實現(xiàn)了淺層特征和深層特征的融合對分割結(jié)果進(jìn)行了細(xì)化，在pascal?voc2012、gid、ccf等數(shù)據(jù)集中都取得了較好的分割效果。另外有研究表明在xception-65的殘差分支和解碼器中深、淺層特征融合后分別添加cbam注意力機(jī)制，能夠抑制了deeplab?v3+網(wǎng)絡(luò)存在的邊界區(qū)域過于平滑以及分割結(jié)果存在不合理孤島等問題。但deeplab?v3+仍存在訓(xùn)練速度慢、無法滿足精細(xì)地物分割等問題。

3、為了實現(xiàn)濱海濕地信息的精細(xì)提取，迫切的需要一種基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有濕地信息提取方法中存在的“椒鹽現(xiàn)象”、分類精細(xì)程度及分類效率低的問題，提出了一種基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法，所述濱海濕地信息提取模型以deeplabv3+模型為基礎(chǔ)，針對空洞金字塔池化模塊中3個膨脹卷積支路進(jìn)行逐層特征傳遞進(jìn)行特征融合，同時引入了高效通道注意力機(jī)制，在不增加模型復(fù)雜度的條件下提升模型準(zhǔn)確度和魯棒性。

2、本發(fā)明通過以下技術(shù)方案實現(xiàn)：一種基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法，包括以下步驟：

3、步驟a，濕地分類體系構(gòu)建：參考中國土地利用現(xiàn)狀遙感監(jiān)測數(shù)據(jù)庫土地利用分類系統(tǒng)和《濕地分類(gb/t?24708-2009)》，結(jié)合實際情況將數(shù)據(jù)共劃分11類：運河/溝渠、河流、翅堿蓬濕地、蘆葦濕地、混合濕地、灘涂、水產(chǎn)養(yǎng)殖池、池塘/水庫、水田、旱田以及建(構(gòu))筑物，其中，混合濕地指對于蘆葦、堿蓬、灘涂、運河溝渠等地物交錯程度高、受到影像分辨率的影響難以進(jìn)行區(qū)分的濕地類型。

4、步驟b，遙感影像預(yù)處理及深度學(xué)習(xí)樣本數(shù)據(jù)集構(gòu)建：獲取濱海濕地區(qū)域的哨兵2號l1c級原始影像，通過sen2cor軟件(版本號：2.11)處理得到l2a級影像，結(jié)合遙感影像和實地調(diào)查結(jié)果，對遙感影像進(jìn)行像元級標(biāo)注。對l2a級影像和像元級標(biāo)注結(jié)果進(jìn)行裁剪。

5、步驟c，構(gòu)建基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取模型m&e-deeplab，并通過步驟b所得遙感影像和標(biāo)注結(jié)果(樣本數(shù)據(jù)集)對模型進(jìn)行訓(xùn)練。

6、所述濱海濕地信息精細(xì)提取模型為“編碼器-解碼器”結(jié)構(gòu)，以deeplab?v3+模型為基礎(chǔ)模型。編碼器結(jié)構(gòu)中以mobilenet?v2為主干特征提取網(wǎng)絡(luò)，空洞池化金字塔模塊中的3條膨脹卷積支路進(jìn)行了并聯(lián)處理，并在全部支路特征圖進(jìn)行堆疊后添加高效通道注意力機(jī)制(eca注意力機(jī)制)，得到深層特征傳入解碼器結(jié)構(gòu)。解碼器結(jié)構(gòu)中對主干特征提取網(wǎng)絡(luò)得到的淺層特征和深層特征進(jìn)行堆疊。編碼器結(jié)構(gòu)具體包括2個內(nèi)容：

7、(1)將原始影像輸入mobilenet?v2主干特征提取模塊進(jìn)行淺層特征提取。具體步驟如下：

8、首先，利用逐點卷積實現(xiàn)對輸入特征層的升維操作。其次，使用深度可分離卷積(depth?wise?convolution,dw)對升維處理后的特征層進(jìn)行特征提取。最后，對提取到的特征再次進(jìn)行逐點卷積操作以實現(xiàn)特征降維。mobilenet?v2使用限制最大輸出值為6的relu6激活函數(shù)代替relu，避免了relu激活函數(shù)因不限制輸出值造成的數(shù)值爆炸問題，能夠更好地提高神經(jīng)網(wǎng)絡(luò)的計算能力和訓(xùn)練效果，relu6激活函數(shù)表達(dá)式如下：

9、relu6(x)＝min(max(0,x),6)?(1)

10、但經(jīng)過dw處理的卷積核維度較小，使用relu6激活函數(shù)會使神經(jīng)元輸出為0，易出現(xiàn)梯度消失現(xiàn)象，mobilenet?v2使用線性瓶頸結(jié)構(gòu)解決了梯度消失問題。

11、(2)將淺層特征輸入空洞池化金字塔模塊對深層特征進(jìn)行提取。具體步驟如下：

12、為了保證參數(shù)數(shù)量不變、擴(kuò)大卷積核感受野(receptive?field,rf)、充分利用全局信息同時維持特征圖大小不變，aspp模塊(atrous?spatial?pyramid?pooling，空洞池化金字塔)中使用三個并聯(lián)卷積核大小為3的膨脹卷積支路，膨脹率分別為6、12、18。使用膨脹卷積后三個支路的實際感受野分別為13、25、37。實際感受野計算公式如下：

13、rf＝k+(k-1)×(d-1)?(2)

14、式中：rf代表實際感受野，k代表卷積核大小，d代表膨脹率。

15、為了提高全局信息的使用效率、實現(xiàn)信息共享、增加三個膨脹卷積支路的特征關(guān)聯(lián)性，本發(fā)明將aspp模塊中3個并聯(lián)膨脹卷積支路的特征圖進(jìn)行逐層特征傳遞。具體內(nèi)容如下：

16、(a)支路1：主干特征提取模塊處理得到的淺層特征輸入1×1卷積進(jìn)行通道數(shù)壓縮得到特征圖1；

17、(b)支路2：主干特征提取模塊處理得到的淺層特征輸入膨脹率為6的3×3卷積進(jìn)行處理得到特征圖2；

18、(c)支路3：特征圖2輸入膨脹率為12的3×3卷積進(jìn)行處理得到特征圖3；

19、(d)支路4：特征圖3輸入膨脹率為18的3×3卷積進(jìn)行處理得到特征圖4；

20、(e)支路5：主干特征提取模塊處理得到的淺層特征進(jìn)行全局平均池化操作得到特征圖5；

21、(f)將5個支路獲取的特征圖1至5進(jìn)行融合。

22、(g)將特征融合結(jié)果輸入eca注意力機(jī)制模塊，eca注意力機(jī)制模塊具體包括以下3個步驟：

23、對輸入特征圖進(jìn)行全局平均池化，將特征圖從[h,w,c]矩陣變?yōu)閇1,1,c]的向量。

24、由自適應(yīng)函數(shù)計算卷積核大小，并應(yīng)用于一維卷積，得到特征圖的逐通道權(quán)重。計算公式如下：

25、

26、式中，c代表輸入特征圖通道數(shù)，b＝1，γ＝2。

27、(h)隨后輸入卷積核大小為1的卷積層處理得到深層特征。

28、解碼器結(jié)構(gòu)具體包括以下步驟：

29、(1)主干特征提取模塊處理得到的淺層特征輸入1×1卷積進(jìn)行通道數(shù)壓縮；

30、(2)將編碼器結(jié)構(gòu)得到的深層特征進(jìn)行上采樣，并與上一步驟(1)中經(jīng)過通道數(shù)壓縮的特征圖進(jìn)行特征融合；

31、(3)特征融合結(jié)果輸入卷積核大小為3的卷積，對通道數(shù)進(jìn)一步進(jìn)行調(diào)整；

32、(4)對(3)中結(jié)果進(jìn)行上采樣，得到最終濱海濕地信息精細(xì)提取結(jié)果。

33、所述模型中，損失函數(shù)為交叉熵?fù)p失函數(shù)(cross?entropy?loss,cel)，優(yōu)化器為adam(adaptive?gradient?algorithm)，最大學(xué)習(xí)率為0.007，梯度下降函數(shù)為cos，下采樣倍數(shù)為8，訓(xùn)練輪次epoch為40。

34、步驟d，基于訓(xùn)練完成的濱海濕地信息精細(xì)提取模型，實現(xiàn)對濱海濕地信息的精細(xì)提取。

35、所述濱海濕地信息精細(xì)提取模型通過總體精度、kappa、用戶精度、生產(chǎn)者精度這四種客觀指標(biāo)對模型效果進(jìn)行定量評估。

36、本發(fā)明還公開了一種基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取系統(tǒng)，包括：

37、預(yù)處理模塊，用于：對反映濱海濕地區(qū)域的遙感影像進(jìn)行預(yù)處理，并基于濕地分類體系對預(yù)處理結(jié)果進(jìn)行標(biāo)注處理，得到樣本數(shù)據(jù)集；

38、訓(xùn)練模塊，用于：基于深度學(xué)習(xí)構(gòu)建濱海濕地信息精細(xì)提取模型，并通過樣本數(shù)據(jù)集對該模型進(jìn)行訓(xùn)練；

39、精細(xì)提取模塊，用于：基于訓(xùn)練完成的濱海濕地信息精細(xì)提取模型，對輸入的遙感影像實現(xiàn)對濱海濕地信息的精細(xì)提?。?/p>

40、其中，所述的濱海濕地信息精細(xì)提取模型包括：

41、編碼器結(jié)構(gòu)，用于：將遙感影像輸入mobilenet?v2主干特征提取模塊進(jìn)行淺層特征提??；將淺層特征輸入空洞池化金字塔模塊，對深層特征進(jìn)行提?。?/p>

42、解碼器結(jié)構(gòu)，用于：將淺層特征輸入1×1卷積進(jìn)行通道數(shù)壓縮；將深層特征進(jìn)行上采樣，并與通道數(shù)壓縮得到的特征圖進(jìn)行特征融合；特征融合結(jié)果輸入卷積核大小為3的卷積，對通道數(shù)進(jìn)一步調(diào)整，并對調(diào)整結(jié)果進(jìn)行上采樣，輸出濱海濕地信息精細(xì)提取結(jié)果。

43、本發(fā)明還公開了一種計算機(jī)設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)上述的基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法。

44、本發(fā)明還公開了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)上述的基于深度學(xué)習(xí)的濱海濕地信息精細(xì)提取方法。

45、相較于已有的濱海濕地信息精細(xì)提取技術(shù)，本發(fā)明所提模型具有以下優(yōu)勢：

46、(1)主干特征提取網(wǎng)絡(luò)將xception替換為mobilenet?v2，避免了因濕地內(nèi)各地類內(nèi)部差別較小，造成深層網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)勢無法表達(dá)的問題。此外，在降低網(wǎng)絡(luò)參數(shù)量實現(xiàn)模型輕量化的同時提高模型精度；

47、(2)aspp模塊中3個并聯(lián)的膨脹卷積進(jìn)行逐層特征傳遞處理，能夠提高全局信息的使用效率，實現(xiàn)信息共享，提高3個膨脹卷積支路的特征關(guān)聯(lián)性。eca模塊的加入在不增加模型復(fù)雜度的基礎(chǔ)上提高模型精度。