频率-空间双域协同的高分辨率遥感影像水体提取方法

本发明涉及遥感提取，具体涉及一种频率-空间双域协同的高分辨率遥感影像水体提取方法。

背景技术：

1、水体是地球自然资源与陆地生态系统的核心组成部分，精准、高效地获取水体空间分布与形态信息，是开展水文水资源管理、洪涝灾害应急监测、水生态环境保护等工作的重要前提。遥感技术凭借覆盖范围广、重访周期短、监测成本低的技术优势，已成为大尺度水体信息提取的主流技术手段。近年来，随着高分系列、商业高分辨率卫星的快速发展，遥感影像的空间分辨率已达到亚米级，为精细化水体提取提供了丰富的纹理与细节信息；但与此同时，高分辨率影像中背景地物更复杂、水体尺度差异悬殊、边缘细节更丰富，也对水体提取算法的精度与鲁棒性提出了更高要求。

2、随着深度学习技术的快速发展，基于卷积神经网络、transformer等架构的语义分割方法被广泛应用于遥感影像水体提取任务，现有技术方案大致可分为以下三类：

3、第一类是基于卷积神经网络cnn的水体提取方法。该类方法以cnn为核心骨干网络，通过卷积操作提取局部纹理与语义特征，结合编码-解码架构实现像素级水体分割。例如，有研究基于densenet构建水体识别模型，通过密集连接、转置卷积上采样与多尺度特征融合提升水体识别精度；有改进u-net方案通过加深网络深度与引入多重跳跃连接，实现湖泊与水库水体的精准提取；还有方案在deeplabv3+基础上引入多通道融合、增强空洞空间金字塔池化模块，优化多光谱影像的水体提取效果。部分研究进一步将注意力机制、可变形卷积等融入fpn、hardnet等骨干网络，以增强水体特征表达、优化边界完整性。然而，cnn固有的局部连接特性导致其感受野范围有限，对长距离空间依赖关系的建模能力不足，难以捕捉大范围水体的全局上下文信息，在复杂背景场景下的水体区分能力存在瓶颈。

4、第二类是基于transformer的水体提取方法。针对cnn全局建模能力不足的问题，研究者将自注意力机制引入水体提取领域，通过建模全图像素间的空间依赖关系捕获全局上下文信息。例如，mst-unet结合resnet的局部特征提取能力与swin transformer的移动窗口自注意力机制，实现局部细节与全局语义的融合；有研究以u-net为基础架构，引入多尺度transformer与水体可分性引导融合策略，协同优化水体边界精度与区域完整性；qtu-net、fdnet等方案分别通过多尺度相似性注意力、跨层特征解耦transformer等设计，进一步提升复杂场景下的水体分割精度。但transformer的自注意力计算复杂度与特征序列长度呈平方关系，在处理高分辨率遥感影像时计算开销大、显存占用高，且其对水体边缘高频细节的保留能力仍有欠缺，细小水体与岸线细节易出现模糊、断裂。

5、第三类是基于状态空间模型mamba的水体提取方法。作为近年新兴的序列建模架构，mamba凭借线性计算复杂度在长序列处理中具备显著效率优势，逐渐被应用于遥感水体提取任务。例如，cm-unet++在unet++架构中融入csmamba模块，融合多层级局部与全局信息，优化复杂水体边界的提取效果；hymambanet结合mamba的全局上下文建模能力与cnn的局部特征提取优势，搭配多尺度增强模块提升水体提取性能；还有方案通过方向自适应状态空间编码与连通性感知掩膜优化，强化细长水体的结构完整性与边界连续性。但该类方法仍主要围绕空间域特征进行优化，未充分挖掘频率域信息的辅助价值。

6、综上，现有深度学习水体提取方法虽已取得一定进展，但仍存在以下技术缺陷：其一，现有方法普遍仅在空间域开展特征建模与优化，缺乏对频率域信息的有效利用，无法从频谱能量分布、结构频率特性等维度区分真实水体与易混淆地物。当场景中存在建筑阴影、深色道路、暗色农田等与水体光谱特征高度相似的背景地物时，模型易产生大量误检，背景噪声抑制能力不足。 其二，传统下采样方式（如池化、步长卷积）在扩大感受野、压缩特征尺寸的过程中，会造成水体边缘、细小河流、散碎水塘等高频细节信息的丢失，导致小尺度水体漏检、水体边界模糊粘连，难以适配高分辨率遥感影像的精细化提取需求。 其三，少数涉及频域处理的方案多对频谱进行整体变换与增强，未将振幅表征的能量分布信息与相位表征的结构信息进行解耦并实施差异化增强，无法同时实现弱响应小水体的显著性提升与水体形态结构的完整性保持，对多尺度水体的自适应表征能力有限。

7、因此，亟需研发一种能够协同利用频率域与空间域信息，同时兼顾高频细节保留、多尺度水体表征与复杂背景抑制的高分辨率遥感影像水体提取技术，以突破现有技术的精度瓶颈。

技术实现思路

1、本发明所要解决的技术问题是提供一种频率-空间双域协同的高分辨率遥感影像水体提取方法，解决现有水体提取方法背景干扰抑制能力弱、高频细节易丢失、多尺度水体表征能力不足的技术问题，实现复杂场景下高分辨率遥感影像水体的高精度、精细化提取。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、频率-空间双域协同的高分辨率遥感影像水体提取方法，包括以下步骤:

4、s1、构建频率-空间双域协同的初始水体提取网络：网络采用编码 - 解码架构；编码端执行多层级下采样特征提取，下采样过程中通过小波变换实现高频特征增强，中间层级通过傅里叶变换实现振幅-相位分离增强；解码端执行多层级上采样与特征融合，融合过程中引入频率-空间协同注意力约束；

5、s2、训练水体提取网络：采用标注好的遥感影像水体数据集对构建的初始水体提取网络进行迭代训练，通过联合损失函数监督网络参数优化，得到训练完成的水体提取网络；

6、s3、执行水体提取：将待处理的高分辨率遥感影像输入步骤 s2 得到的训练完成的水体提取网络，输出像素级水体提取结果。

7、步骤s1中，上述的编码端的各编码层级采用门控卷积块进行特征提取；

8、门控卷积块通过深度卷积扩大感受野，对部分通道进行空间特征建模，并通过门控机制自适应筛选有效特征，抑制冗余信息。

9、步骤s1中，上述的下采样过程的小波域高频特征增强通过方向感知高频增强下采样模块dahfe实现；

10、方向感知高频增强下采样模块dahfe通过haar离散小波变换将输入特征分解为低频分量与高频分量，对高频分量进行方向选择性增强后，与低频分量融合并经残差卷积输出下采样特征。

11、上述的高频分量的方向选择性增强具体为：

12、将高频特征划分为水平、垂直、对角三组方向特征，分别采用对应方向的条形卷积进行边缘增强；通过方向注意力生成自适应权重，对三组方向增强特征进行加权融合。

13、小波域高频特征增强具体过程为：

14、s111、对输入特征执行haar离散小波变换，完成二倍下采样的同时，将特征分解为1个低频分量与3个高频分量；低频分量保留水体主体轮廓与整体分布，高频分量承载水体边界、细小河流、岸线纹理细节；

15、s112、将3个高频分量沿通道维度拼接，输入方向选择增强子模块进行自适应增强：将高频特征按通道划分为三组，分别通过水平条形卷积、垂直条形卷积、45°与135°组合条形卷积提取对应方向的边缘特征；通过方向注意力生成三通道自适应权重，对三个方向的增强特征进行加权融合，得到增强后的高频特征；

16、s113、将增强后的高频特征与原始低频分量沿通道维度拼接得到融合特征，同时，将原始输入特征经过步幅为2的残差卷积，将两者相加得到二倍下采样后的输出特征。

17、上述的傅里叶变换实现振幅-相位分离增强通过振幅-相位分离增强模块apsem实现；

18、振幅-相位分离增强模块apsem对输入特征进行二维傅里叶变换，解耦得到振幅谱与相位谱，分别对振幅谱进行能量增强、对相位谱进行结构增强后，经逆傅里叶变换返回空间域。

19、上述的振幅谱采用通道注意力机制增强：

20、通过全局平均池化与全局最大池化提取通道统计特征，经全连接层生成注意力权重，逐通道加权振幅谱；

21、相位谱采用深度可分离卷积结合门控交互进行结构增强，通过残差连接保留原始相位信息。

22、步骤s1中，振幅-相位分离增强部署于编码端第三层级，在1/16特征尺度下执行，具体过程为：

23、s121、对输入特征执行二维快速傅里叶变换，将空间域特征转换为复数频域特征，解耦得到振幅谱与相位谱；其中振幅谱表征频率能量分布，相位谱表征空间结构信息；

24、s122、振幅分支采用通道注意力机制增强：对振幅谱分别执行全局平均池化与全局最大池化，提取两种通道级统计特征，经共享全连接层与sigmoid激活生成通道注意力权重，将权重与原始振幅谱逐通道相乘，增强水体相关频率能量响应，抑制冗余频率成分；

25、s123、相位分支采用深度可分离卷积结合门控交互增强：对相位谱通过两组深度可分离卷积提取局部结构特征，再通过两个1×1卷积构建门控交互层增强非线性表达；通过残差连接保留原始相位结构，输出增强后的相位谱；

26、s124、将增强后的振幅谱与相位谱重组为复数频域特征，执行二维逆傅里叶变换，转换回空间域输出增强特征。

27、上述的频率-空间协同注意力约束通过频率-空间协同注意力模块fscam实现；

28、频率-空间协同注意力模块fscam分别生成频率引导权重与空间注意力权重，将二者逐元素相乘得到协同注意力图，对输入融合特征进行加权增强。

29、上述的频率引导权重通过小波分解生成：

30、将输入特征分解为低频分量与高频分量，由低频分量提取全局通道语义权重，由高频分量提取细节空间权重，二者联合生成频率引导权重。

31、上述的空间注意力权重通过多感受野深度卷积生成：采用不同尺寸的深度卷积提取多尺度空间上下文特征，经卷积映射生成空间注意力权重。

32、步骤s1中，频率-空间协同注意力部署于解码端每级特征融合之后，具体过程为：

33、s131、频率域分支计算：对输入融合特征执行二维离散小波变换，分解得到低频分量与高频分量；对低频分量执行全局平均池化与全连接映射，生成低频通道权重；对高频分量执行最大池化与平均池化，经卷积映射生成高频空间权重；将低频通道权重与高频空间权重逐元素相乘，得到频率引导权重；

34、s132、空间域分支计算：对输入融合特征采用两组不同感受野的深度卷积，提取多尺度空间上下文特征，经1×1卷积交互与sigmoid激活，生成空间注意力权重；

35、s133、双域耦合：将频率引导权重与空间注意力权重逐元素相乘，生成协同注意力图；将协同注意力图与输入融合特征逐元素相乘，输出背景抑制后的增强特征。

36、上述的水体提取网络采用联合损失函数训练，联合损失由bce损失、dice损失、focal损失与边界损失按权重0.5:1.5:1:0.5加权组合构成；其中bce损失提供像素级分类监督，dice损失缓解样本不均衡并增强水体区域约束，focal损失聚焦困难样本学习，边界损失优化复杂边缘刻画精度。

37、进一步地，步骤s2中，训练过程采用离线数据增强策略，包括随机旋转、色彩抖动、椒盐噪声添加、平移变换与尺度变换；优化器采用adam优化器，学习率采用指数衰减策略，衰减底数为0.98。

38、本发明所提及的一种频率-空间双域协同的高分辨率遥感影像水体提取方法，具有如下显著有益效果：

39、1、构建频率-空间双域协同的提取框架，突破单一空间域建模的局限性。通过频率域特征与空间域特征的耦合约束生成协同注意力，同时从频谱能量分布与空间形态结构两个维度筛选水体特征，有效抑制建筑阴影、深色道路、暗色农田等易混淆背景造成的误检，显著提升复杂场景下水体提取的精确率。

40、2、提出方向感知高频增强下采样方法，替代传统池化与步长卷积。通过haar小波变换在下采样同时显式分离高低频分量，结合方向选择机制针对性增强水体边缘对应的多方向高频特征，在降低特征尺寸的同时完整保留水体边界、细小河流、散碎水塘等细节信息，有效减少小尺度水体漏检与边界粘连问题。

41、3、提出振幅-相位分离增强方法，实现频域差异化优化。通过傅里叶变换解耦振幅能量信息与相位结构信息，分别通过通道注意力提升弱响应小水体的能量显著性，通过卷积门控强化水体几何结构的完整性，同时兼顾大面积水体与细碎水体的表征需求，提升多尺度水体的提取召回率与形态连通性。

42、4、整体方案兼顾精度与效率。以门控卷积块为基础特征提取单元，配合三个创新模块的优势互补，在多项精度指标上全面超越现有主流方法，同时控制计算开销与显存占用，推理速度优于同精度级别的对比算法，具备工程落地应用价值。