一种细粒度湿地遥感影像语义分割方法

摘要: 本发明属于遥感图像处理与计算机视觉,具体涉及一种基于场景感知与专家门控的细粒度湿地遥感影像语义分割方法。背景技术:1、湿地被誉为“地球之肾”,在调节气候、涵养水...
一种细粒度湿地遥感影像语义分割方法

本发明属于遥感图像处理与计算机视觉,具体涉及一种基于场景感知与专家门控的细粒度湿地遥感影像语义分割方法。

背景技术:

1、湿地被誉为“地球之肾”,在调节气候、涵养水源、降解污染及维护生物多样性方面发挥着不可替代的作用。随着卫星遥感技术的飞速发展,利用高分辨率遥感影像进行湿地资源的调查与监测已成为主流手段。特别是近年来,以卷积神经网络(convolutionalneural networks, cnn)和transformer为代表的深度学习技术,在图像语义分割领域取得了显著进展,被广泛应用于地物分类任务中。

2、然而,现有的通用语义分割模型(如fcn、deeplab系列、unet、swin-upernet等)在应用于黄河下游等复杂河口三角洲湿地场景时,仍面临着严峻的技术挑战,难以满足精细化(fine-grained)制图的需求。具体体现在以下三个方面:

3、第一,现有技术在处理线性地物时容易出现拓扑断裂。 传统的卷积神经网络依赖于局部卷积核提取特征,虽然具有平移不变性的优势,但也导致模型缺乏对图像全局几何结构的感知能力。在湿地场景中,存在大量狭窄且绵延的线性地物,如天然河道、潮沟及人工灌溉渠。现有模型由于缺乏显式的空间位置约束,往往难以捕捉这些地物的长距离几何依赖,导致预测结果中河流或沟渠呈现为非连续的、断裂的斑块,严重破坏了水文连通性的拓扑结构。

4、第二,现有技术在人工-自然交错带容易产生光谱混淆与假阳性噪声。 黄河下游是典型的自然湿地与人工开发区(农田、村落、养殖塘)高度混杂的区域(coupled humanand natural systems)。在这些区域中,部分人工地物与自然湿地具有极高的光谱相似性。例如,覆盖塑料地膜的旱地农田、受雨水浸润的不透水面,其光谱特征与水体或浅滩极为相似。现有模型通常仅依赖局部的纹理或光谱特征进行判别,缺乏对宏观“场景上下文”(例如区分当前是内陆农田场景还是滨海湿地场景)的感知能力,从而导致在干燥的农田背景中错误地预测出大量湿地像素,形成严重的“椒盐噪声”。

5、第三,现有技术难以解决类内多态性(intra-class polymorphism)带来的纹理混淆问题。 湿地生态系统具有高度的异质性,同一类地物往往呈现出多种视觉形态。例如,“盐沼植被”既可能表现为密集的植被斑块,也可能表现为稀疏的植被与泥沙混合的纹理;而其与“光滩/潮滩”在光谱上极易混淆。现有模型通常在整个图像上共享静态的卷积核或注意力机制,无法根据局部区域的具体纹理特征动态调整特征提取策略。这种“一刀切”的处理方式导致模型难以在复杂的植被-泥沙混合区域实现特征解耦,造成细粒度类别(如不同类型的沼泽与滩涂)之间的边界模糊和分类错误。

6、综上所述,面对高异质性、破碎化的复杂湿地环境,亟需研发一种能够同时解决拓扑断裂、背景光谱干扰以及细粒度纹理混淆问题的语义分割方法,以提高湿地遥感监测的精度与生态学解释性。

技术实现思路

1、本发明的目的在于提供一种基于场景感知与专家门控的细粒度湿地遥感影像语义分割方法及系统,旨在解决现有技术在复杂湿地场景下存在的线性地物拓扑断裂、人工-自然交错带背景噪声干扰大以及细粒度地物纹理混淆严重的问题,从而实现高精度、拓扑完整且生态语义合理的湿地精细化制图。

2、为实现上述目的,本发明的技术方案是:

3、一种细粒度湿地遥感影像语义分割方法,包括:

4、获取遥感影像,以作为yrbnet模型的输入;

5、所述yrbnet模型对遥感影像进行滑动窗口预测,将结果拼接还原,输出细粒度湿地分布图;

6、所述yrbnet模型包括:

7、输入层,用于接收遥感影像;

8、骨干编码器,用于提取遥感影像的多尺度特征图;

9、空间-通道场景注意力模块,用于接收骨干编码器所输出的多尺度特征图,并通过同时建模空间与通道维度的全局上下文,输出由通道增强特征与空间增强特征所融合得到的空间-通道增强特征;

10、专家门控模块,用于接收所述空间-通道场景注意力模块输出的空间-通道增强特征,并通过前馈神经网络和softmax生成四个专家头的门控权重,并结合位置编码与频域变换对专家特征进行动态融合并输出;

11、场景先验分支,用于对遥感影像及由其计算的多光谱指数特征进行处理,以生成场景先验向量,所述场景先验向量用于引导空间-通道场景注意力模块和专家门控模块的特征增强;

12、解码器与分类器,用于融合专家门控模块输出的特征以及骨干编码器提供的跳跃连接特征,逐级恢复特征图的空间分辨率,并通过卷积获得像素级分类概率图,以作为细粒度分布图输出。

13、可选的,所述场景先验分支包括:

14、特征对齐与融合单元,用于对遥感影像及由其计算的多光谱指数特征进行空间配准、尺度统一和通道融合,获得对齐特征;

15、特征编码单元,用于依次通过卷积、批归一化、gelu激活和se通道注意力对所述对齐特征进行编码,并通过卷积获得三个场景状态对应的场景得分图;

16、场景先验生成单元,用于对所述场景得分图依次执行softmax归一化和全局平均池化,获得三维场景先验向量,并将所述场景先验向量广播至对应特征尺度后输入空间-通道场景注意力模块和专家门控模块。

17、可选的,所述空间-通道场景注意力模块包含两个并行的注意力分支,分别为空间注意力分支和通道注意力分支。

18、可选的,所述通道注意力分支对输入特征进行全局平均池化,将池化结果与场景先验进行融合,并依次通过多层感知机和sigmoid激活函数生成通道权重mc;

19、所述空间注意力分支对输入特征沿通道维分别进行最大池化和平均池化,将池化结果与场景先验进行融合,并依次通过7×7卷积和sigmoid激活函数生成空间权重ms;

20、将输入特征分别与通道权重mc和空间权重ms逐元素相乘,得到通道增强特征fc和空间增强特征fs,并将通道增强特征fc与空间增强特征fs逐元素相加获得输出空间-通道增强特征。

21、可选的,所述专家门控模块包括:

22、专家头单元,包括四个并行的专家头t1、t2、t3和t4,用于从输入特征中提取不同表征;

23、门控网络,用于将所述四个专家头的特征输入前馈神经网络,并经softmax归一化生成四个门控权重,将所述场景先验与所述门控权重结合,并利用结合后的门控信息对对应专家头特征进行调控,得到加权专家特征h1、h2、h3和h4;

24、特征融合单元,用于由所述加权专家特征生成查询特征xq、键特征xk和值特征xv,对查询特征分别进行rope+位置编码和离散余弦变换,对键特征进行rope+位置编码,并将处理后的查询特征、键特征和值特征逐级乘法融合,获得专家门控模块的输出特征。

25、可选的,所述yrbnet模型通过如下方式训练得到:

26、训练样本准备,所述训练样本包括训练集和验证集;

27、模型参数确定:确定网络学习率、衰减策略、优化迭代次数、模型优化器、联合损失函数的权重系数;

28、模型参数确定并设置完成后,采用训练集来进行训练;

29、利用所述联合损失函数计算预测结果与真实标签之间的差异,通过反向传播算法更新yrbnet模型的网络参数;在验证集精度不再提升时停止训练,保存最优模型参数,得到训练稳定的yrbnet模型。

30、可选的,所述联合损失函数包括交叉熵损失和dice系数损失;所述交叉熵损失用于衡量像素类别的分类准确度;所述dice系数损失用于解决湿地数据中类别不平衡及目标难以分割的问题。

31、可选的,所述联合损失函数为:

32、;

33、lce为交叉熵损失,ldice为 dice系数损失,λ为权重系数。

34、可选的,所述骨干编码器采用resnet-50。

35、可选的,所述训练样本通过随机翻转、随机旋转、高斯模糊及光照扰动的方式来扩充数量,以模拟不同环境下的湿地成像特征。

36、本发明与现有技术相比,其有益效果在于:

37、本发明的yrbnet模型通过引入场景感知与专家门控机制,提高复杂湿地环境下的分割能力。具体而言,场景先验分支(spb)对遥感影像及由其计算的多光谱指数特征进行对齐与融合,生成能够表征宏观环境的场景先验,并将所述场景先验用于引导后续特征增强,有助于维持河流、沟渠等线性地物的连续性;空间-通道场景注意力模块(scsa)将场景先验分别注入通道注意力路径和空间注意力路径,抑制人工-自然交错带中的光谱相似干扰;专家门控模块(ehg)根据四个专家头的特征生成门控权重,并结合位置编码与频域变换进行动态特征融合,以增强对复杂植被与滩涂纹理的区分能力。

38、综上所述,本发明方法不依赖特定传感器参数,具有优异的泛化能力,生成的分割结果兼具高像素精度与生态合理性,为“自然-人工耦合系统”的生态保护与修复提供了可靠的技术支撑。