一种基于融合多光谱特征的遥感影像湖泊分割方法与流程

本发明涉及遥感影像解译和语义分割，具体涉及一种基于融合多光谱特征的遥感影像湖泊分割方法。

背景技术：

1、高原地区分布着全球海拔最高且数量众多的高原湖泊群，湖泊水体变化直接关系到区域生态保护、水资源管理和气候变化评估。高分辨率遥感影像为大范围湖泊监测提供了重要数据来源，但高原地形起伏大、地表覆盖复杂，湖泊在遥感影像中常与裸岩、积雪、山体阴影以及干涸河床呈现相近的光谱响应，导致传统水体指数或单波段阈值方法容易出现误提取和漏提取。

2、现有基于卷积神经网络的湖泊分割方法能够通过编码器-解码器结构恢复空间细节，但对多光谱波段间的互补信息利用不足，且跳跃连接中直接传递的浅层特征容易夹带地形阴影和噪声响应，从而引起湖岸边界模糊、狭长水体断裂和小型湖泊漏检。transformer结构虽然具有长距离依赖建模能力，但对局部边界和细碎水体的高频细节敏感性不足。

3、因此，需要一种能够同时利用多光谱判别信息、全局上下文信息和多尺度边界细节的信息融合方法，以提高复杂高原环境下湖泊水体分割的准确性、鲁棒性和边界连续性。

技术实现思路

1、本发明目的：在于提供一种基于融合多光谱特征的遥感影像湖泊分割方法，该方法适用于高原地区等复杂地形环境下的湖泊水体识别、湖岸边界提取和水资源动态监测。

2、为实现以上功能，本发明设计一种基于融合多光谱特征的遥感影像湖泊分割方法，针对包含湖泊的目标区域，执行如下步骤s1-步骤s8，完成遥感影像湖泊分割：

3、步骤s1：获取目标区域的多波段遥感影像以及对应分割区域的湖泊水体标注信息，对多波段遥感影像进行配准、裁剪、归一化和通道融合，得到六通道多光谱遥感影像；

4、步骤s2：构建以u-net为主体结构的湖泊分割网络，包括多光谱特征前置模块msfm、swin transformer编码器、增强型空洞金字塔池化模块e-aspp、多尺度特征过滤模块mffm以及多尺度融合解码器；湖泊分割网络以六通道多光谱遥感影像为输入，以湖泊水体概率图为输出；

5、步骤s3：将六通道多光谱遥感影像输入多光谱特征前置模块msfm，通过三维卷积提取局部光谱邻域与空间纹理信息，并通过光谱注意力对水体敏感波段响应进行自适应重加权，输出适配编码器的多光谱特征图；

6、步骤s4：将多光谱特征图输入swin transformer编码器进行分层窗口自注意力建模，得到不同尺度的编码特征，并在swin transformer编码器末端通过增强型空洞金字塔池化模块e-aspp聚合获得深层语义特征；

7、步骤s5：在swin transformer编码器与多尺度融合解码器之间的跳跃连接中引入多尺度特征过滤模块mffm，利用光谱特征自适应分支、空间边界感知分支和高层语义引导分支生成过滤权重，对swin transformer编码器输出的不同尺度的编码特征进行选择性增强与抑制；

8、步骤s6：通过多尺度融合解码器对深层语义特征进行逐级上采样，并融合经多尺度特征过滤模块mffm过滤后的编码特征，输出湖泊水体概率图；

9、步骤s7：构建组合损失函数，针对湖泊分割网络进行训练，获得训练好的湖泊分割网络；

10、步骤s8：基于训练好的湖泊分割网络，针对目标区域，获得湖泊水体概率图，并生成湖泊分割掩膜，得到湖泊水体区域、湖岸边界以及小型湖泊分割结果，完成遥感影像湖泊分割。

11、作为本发明的一种优选技术方案：步骤s1中的多波段遥感影像为landsat 8 oli_tirs影像，选取b2、b3、b4、b5、b6和b7波段按通道维度进行融合。

12、作为本发明的一种优选技术方案：步骤s2的湖泊分割网络中，多光谱特征前置模块msfm输入六通道多光谱遥感影像，输出多光谱特征图，swin transformer编码器输入多光谱特征图，输出多级编码特征，swin transformer编码器包含四个层级，每个层级分别输出相应尺度的编码特征；swin transformer编码器每一层级依次具有块嵌入层和swintransformer模块，每一层级输出的编码特征分别通过多尺度特征过滤模块mffm与多尺度融合解码器中相同尺度的层级跳跃连接，swin transformer编码器的末端层级输出的编码特征输入至增强型空洞金字塔池化模块e-aspp，增强型空洞金字塔池化模块e-asp输出多尺度上下文特征，输入至多尺度融合解码器。

13、作为本发明的一种优选技术方案：步骤s3的具体步骤如下：

14、步骤s3.1：多光谱特征前置模块msfm将输入的六通道多光谱遥感影像重塑为具有光谱深度维度的张量，其中，表示批大小，、分别表示六通道多光谱遥感影像的高度、宽度；

15、步骤s3.2：通过3×3×3三维卷积获得光谱-空间联合特征，计算公式如下：

16、；

17、其中，表示relu激活函数，表示三维卷积，为中间通道数，、、分别为经过三维卷积后的光谱深度、六通道多光谱遥感影像的高度、宽度；

18、步骤s3.3：对进行全局平均池化获得通道描述向量，通过多层感知机和sigmoid函数生成光谱注意力权重，并将与逐通道相乘后，经1×1二维卷积投影为自适应重加权特征；计算公式如下：

19、；

20、；

21、；

22、其中，表示全局平均池化，表示多层感知机，表示sigmoid函数，表示逐通道乘法，表示将光谱注意力权重扩展至与相同的空间和深度维度；

23、步骤s3.4：对自适应重加权特征进行线性投影与降维，最终输出适配编码器的多光谱特征图：

24、；

25、其中，表示二维卷积，表示矩阵维度重构。

26、作为本发明的一种优选技术方案：步骤s4的具体步骤如下：

27、步骤s4.1：将多光谱特征图输入swin transformer编码器，得到不同尺度的编码特征；

28、步骤s4.2：在swin transformer编码器末端引入增强型空洞金字塔池化模块e-aspp，包括并行的1×1卷积分支、空洞卷积分支、条带池化分支和全局平均池化分支；1×1卷积分支保留图像原始像素特征；空洞卷积分支采用三个扩张率分别为的3×3空洞卷积，引入密集连接，将的输出叠加到的输入，将的输出叠加到的输入；条带池化分支包含水平路径和垂直路径，水平路径通过输入特征进行（h，1）的平均池化得到水平路径特征，再通过一维卷积扩展回h×w，垂直路径对输入特征进行（1，w）的平均池化，得到垂直路径特征，再通过一维卷积扩展回h×w，两路径进行融合得到融合特征；全局平均池化分支捕获图像级语义信息；最后，各分支输出经通道拼接和1×1卷积融合得到深层语义特征。

29、作为本发明的一种优选技术方案：步骤s5中，各多尺度特征过滤模块mffm分别输入相应尺度的编码特征，各多尺度特征过滤模块mffm包含光谱特征自适应分支、空间边界感知分支、高层语义引导分支；其中：

30、光谱特征自适应分支通过全局平均池化提取编码特征的通道描述，并采用一维卷积建模相邻通道依赖关系，再经sigmoid函数生成光谱注意力权重，计算公式如下：

31、；

32、其中，为编码特征，为卷积核大小，为sigmoid激活函数；表示全局平均池化；表示一维卷积；

33、空间边界感知分支采用多个不同卷积核大小的并行卷积提取多尺度空间特征，经1×1卷积融合生成空间权重图；计算公式如下：

34、；

35、其中，表示通道维度拼接，、和分别、、的卷积操作；

36、高层语义引导分支将解码器深层语义特征上采样至与编码特征相同的空间尺度，并通过1×1卷积和sigmoid函数生成语义权重；最后，将光谱注意力权重、空间权重图和语义权重进行逐元素乘法交互后作用于跳跃连接特征；计算公式如下：

37、；

38、其中，为逐元素相乘。

39、作为本发明的一种优选技术方案：步骤s6中，多尺度融合解码器将深层语义特征逐级上采样，分别在每一级上采样过程中，与经过多尺度特征过滤模块mffm过滤后的对应尺度的编码特征进行融合，最终输出湖泊水体概率图。

40、作为本发明的一种优选技术方案：步骤s7中，组合损失函数的计算公式如下：

41、；

42、；

43、；

44、；

45、其中，表示边界加权的改进聚焦损失、表示光谱-空间一致性约束损失，表示dice损失，其中，为参与损失计算的像素总数，为像素索引，为标签图生成的边界权重系数，为目标类别，为对应类别的权重因子，为第个像素属于目标类别的预测概率，为聚焦参数；为用于度量两个特征向量之间差异的距离函数，为对经真实标签掩膜后的特征进行聚合并映射为光谱特征向量的函数，为经多尺度特征过滤模块筛选后的特征图，为训练集中预设的水体标准特征向量，为元素相乘，代表真实标签，对应预测区域与真实区域的交集，对应真实湖泊面积与预测湖泊面积的并集近似，为平滑因子；分别为边界加权的改进聚焦损失、dice损失、光谱-空间一致性约束损失的权重系数。

46、作为本发明的一种优选技术方案：步骤s8中，对湖泊水体概率图进行阈值化或按像素类别概率取最大值，得到二值水体掩膜，并根据二值水体掩膜输出湖泊区域面积、湖岸线轮廓或矢量化水体边界。

47、有益效果：相对于现有技术，本发明的优点包括：

48、1、在网络输入端引入多光谱特征前置模块msfm，通过三维卷积和光谱注意力在令牌化之前显式建模多波段之间的互补关系，能够增强近红外、短波红外等水体敏感波段的有效响应，降低裸岩、积雪和阴影造成的光谱混淆。

49、2、在编码器末端引入增强型空洞金字塔池化模块e-aspp，通过多扩张率空洞卷积、条带池化和全局上下文分支同时建模局部多尺度特征、方向性长程依赖和图像级语义，使网络对大面积湖泊、零散小型湖泊和狭长水体均具有更强的尺度适应能力。

50、3、在跳跃连接中引入多尺度特征过滤模块mffm，避免浅层特征无筛选地传入解码器，通过光谱特征自适应、空间边界感知和高层语义引导协同作用，提高湖岸边界连续性和小型湖泊识别稳定性。

51、4、采用组合损失函数，从像素类别、光谱一致性和全局区域重合度三个层面共同约束网络训练，使模型不仅关注分类正确性，还关注边界结构和具有物理意义的光谱过滤机制，从而提升复杂高原场景下湖泊分割精度。