基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法与流程

基于deeplabv3 网络模型的海岛礁遥感影像地质分类方法
技术领域
1.本发明属于遥感监测技术领域，尤其是一种基于deeplabv3 网络模型的海岛礁遥感影像地质分类方法。


背景技术：

2.珊瑚礁是热带海洋中浅水造礁石珊瑚虫体和其他附礁生物的遗骸经过胶结作用形成的，它们是海洋中一种极其特殊的生态系统，被称为“海洋中的热带雨林”和“蓝色沙漠中的绿洲”，因此，珊瑚礁不仅是海洋中的一种重要资源，而且也是一种重要的陆地资源。
3.珊瑚礁是我国开发利用、保护和控制海域的重要支点。对珊瑚礁进行精细的调查分析具有重要意义，不仅是对珊瑚礁资源开发利用和管理保护的支持，也是珊瑚礁工程建设、航行安全保护和维护国家海洋权利和领土完整的重大需求。然而，受自然环境条件等因素的限制，如珊瑚礁往往狭小、地理结构单一以及生态环境脆弱，因此，珊瑚礁大多不易或不适合大规模、高频的野外调查。
4.遥感技术作为一种新兴的、非接触式的调查手段，具有大面积的同步覆盖、对同一区域进行重复检测、精度高、信息量丰富等优点。尤其高分辨率遥感还具有较高的空间分辨率和定位精度，已被证实是开展珊瑚岛礁调查与监测的一种有效技术手段。多平台、多传感器、多种空间和光谱分辨率的遥感数据可应用于珊瑚岛礁，高分辨率遥感技术已成为大范围进行珊瑚岛礁分类的重要手段。
5.传统的高分辨率遥感影像分类技术往往需要人工的参与，例如基于阈值分割法、区域分割法、机器学习算法svm和边缘检测分割法等，这些方法需要人工选取合适的特征参数，针对边界清晰的简单场景有很好的分割效果，但在复杂场景下准确性和分割效果较差。其次由于遥感图像光谱分辨率较低，传统的遥感影像分类方法存在分割精度低和分割边界模糊等问题。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供一种设计合理、精度高且分类准确的基于deeplabv3 网络模型的海岛礁遥感影像地质分类方法。
7.本发明解决现有的技术问题是采取以下技术方案实现的：
8.一种基于deeplabv3 网络模型的海岛礁遥感影像地质分类方法，包括以下步骤：
9.步骤1、获取珊瑚岛礁的原始遥感影像，并对原始遥感影像进行数据预处理；
10.步骤2、建立珊瑚岛礁的地质分类体系，从预处理后的遥感影像中进行特征提取与分类，得到珊瑚岛礁的地质分类数据集；
11.步骤3、使用珊瑚岛礁的地质分类数据集对deeplabv3 卷积神经网络和resnet残差网络模型进行训练，得到训练后的识别与分类模型；
12.步骤4、使用训练后的识别与分类模型进行预测，得到海岛礁遥感地质分类结果图。
13.进一步，所述珊瑚岛礁的原始遥感影像采用quick bird高分辨率遥感影像。
14.进一步，所述步骤1对原始遥感影像进行数据预处理包括几何校正、图像融合和图像增强，使得岛、礁、沙、滩的信息都得到增强。
15.进一步，所述步骤2建立珊瑚岛礁的地质分类体系将岩石类型分为如下七种类型：砂屑灰岩、细砂、中砂、粗砂、珊瑚砾屑灰岩、珊瑚砾块灰岩和珊瑚骨架灰岩。
16.进一步，所述步骤2从预处理后的遥感影像中进行特征提取与分类的方法为：使用不同颜色将不同地质类型进行区分标注，将进行标注了的图像按照32*32大小像素对目标岛礁影像进行图斑分割，得到标注图像，采用随机选取方式选取训练数据集，对标签数据的相同位置以同等大小范围进行裁剪，并利用规则格网选取测试数据集。
17.进一步，所述步骤3的具体实现方法为：采用迁移学习的方法，在deeplabv3 网络模型的基础上，采用resnet50为主干模型用于提取特征，对原网络的解码部分进行微调；在训练过程中采用early stopping和学习率下降训练技巧进行训练，训练时使用珊瑚岛礁的地质分类数据集的训练数据集。
18.本发明的优点和积极效果是：
19.本发明采用deeplabv3 卷积神经网络与resnet50模型相结合的分类算法，用于海洋珊瑚岛礁的高分辨率遥感影像分类，具有较高的分类精度并且能够较好地区分不同地物之间的细节，总体分类精度和kappa系数分别为97.57％和0.9643，与传统的支持向量机(svm)和面向对象分类方法相比，能够较好地提取其本质特征，其分类效果较好，完全能够满足精度要求。
附图说明
20.图1是本发明的处理流程图
21.图2是deeplabv3 卷积神经网络的原理图；
22.图3是resnet残差网络模型原理图；
23.图4是本发明实施例的分类结果图；
24.图5是本发明实施例的三种典型图像及其分类结果图。
具体实施方式
25.以下结合附图对本发明实施例做进一步详述。
26.本发明的设计思想是将deeplabv3 卷积神经网络和resnet残差网络模型应用于海洋珊瑚岛礁的高分辨率遥感影像分类中，完成了对研究区内砂砾岩、珊瑚砾屑灰岩、珊瑚砾块灰岩、珊瑚骨架灰岩等多要素的分类。下面对deeplabv3 卷积神经网络和resnet残差网络模型的原理进行说明：
27.deeplabv3 卷积神经网络是一种典型的语义分割网络架构，如图2所示，其在deeplabv3的基础上增加了一个简单而有效的解码器模块来细化分割结果。deeplabv3 的编码器部分通过骨干网络xception模型中不同通道的深度可分离卷积层提取图像特征信息，利用空间金字塔池化模块中不同速率的并行空洞卷积获取高层语义信息，并通过1x1卷积进行通道压缩；解码器部分将骨干网络中提取出的低级特征与经过4倍双线性插值上采样的高级特征进行融合，再利用3x3卷积恢复空间信息和4倍双线性插值上采样精细目标边
界，得到分割结果。
28.resnet残差网络模型在卷积层之间增加跳连接，允许信息跨多个隐层传播，有效缓解了深度神经网络中梯度消失和网络退化的问题，使网络深度达到几十甚至上百层，其原理如图3所示。resnet残差网络模型广泛应用于语义分割、目标识别等领域，在遥感图像分类效果方面也十分突出。其能够快速加快神经网络的训练，模型在遥感图像分类中的精度也得到了很大的提高。常用的resnet网络模型有resnet18、resnet50、resnet101等，本发明综合考虑模型的参数个数和训练效果，选取resnet50作为特征提取网络。
29.一种基于deeplabv3 网络模型的海岛礁遥感影像地质分类方法，如图1所示，包括以下步骤：
30.步骤1、获取珊瑚岛礁的原始遥感影像，并对原始遥感影像进行数据预处理。
31.由于quick bird卫星影像空间分辨率很高(0.61m)，适用于提取较小的珊瑚礁信息，因此，本步骤选择高分辨率遥感影像quick bird作为主要数据源。
32.在本步骤中，为了扩充和平衡数据集，需要对珊瑚岛礁的原始遥感影像进行切分和数据增强等预处理工作。具体包括几何校正、图像融合和图像增强，从而使得岛、礁、沙、滩的信息都得到最大程度增强，以此来最大程度地保持影像上的岛礁信息，并尽可能地消除云雾的干扰。
33.步骤2、建立珊瑚岛礁的地质分类体系，从预处理后的遥感影像中进行特征提取与分类，得到珊瑚岛礁的地质分类数据集。
34.在本步骤中，按照灰沙岛常见的岩石类型，建立珊瑚岛礁的地质分类体系，该地质分类体系将岩石类型分为如下七种类型：砂屑灰岩、细砂、中砂、粗砂、珊瑚砾屑灰岩、珊瑚砾块灰岩和珊瑚骨架灰岩。其中，砂屑灰岩往往生长着茂盛的植被，包括林地，草地等。珊瑚岛礁的地质分类较为简单，解译标志特征较为显著，使用不同颜色将不同地质类型进行区分标注，为了适应deeplabv3 架构中神经网络对输入影像大小的需要，将进行标注了的图像按照32*32大小像素对目标岛礁影像进行图斑分割，得到标注图像(17000张tif格式)，采用随机选取方式选取训练数据集，对标签数据的相同位置以同等大小范围进行裁剪，并利用规则格网对测试数据集进行选取。
35.步骤3、使用珊瑚岛礁的地质分类数据集对deeplabv3 卷积神经网络和resnet残差网络模型进行训练，得到训练后的识别与分类模型。
36.在本步骤中，基于python3.7及tensorflow2.4.1工具，将实验的部分超参数设置为：初始学习率为0.0001，batch size设置为16，训练迭代为200次，若继续训练将导致验证集准确率下降，判断为网络过拟合。
37.为了更好地提高网络分割的精确度，采用迁移学习的方法，在deeplabv3 网络模型的基础上，采用resnet50为主干模型用于提取特征，对原网络的解码部分进行微调。在训练过程中采用early stopping和学习率下降等训练技巧进行训练，训练时从17000张样本集中随机选取15000张作为训练数据集用于训练网络，其余的样本作为测试数据集用于测试网络。
38.在本步骤中，选择使用resnet50残差网络模型进行基础特征提取，然后使用空洞卷积提取不同感受的特征图，最后用1x1的卷积混合特征信息。对解码(encoder)混合出来的小分辨率抽象特征进行上采样，通过concate的方式混合，再经过3x3的卷积和上采样之
后恢复出输入图分辨率的预测结果，从而得到岛礁的分类结果图。
39.步骤4、将测试数据集输入到训练后的识别与分类模型中进行预测，得到海岛礁遥感地质分类结果图。
40.为了说明本发明的效果，评价遥感影像分类精度，采用本发明(deeplabv3 架构和resnet50模型)及svm、面向对象对研究区影像进行分类。所述的研究区域面积为0.3km2，热带季风气候，岛上植被茂盛，该岛为典型的珊瑚礁灰沙岛，海底无礁脊-槽沟分布，礁萍之间的分类较为简单，海水洁净，透明度高，最大水深约为20m。
41.svm、面向对象及本发明(deeplabv3 架构和resnet50模型)分类方法采用相同的样本集，其分类结果如图4及表i所示。
42.表i分类精度评估表
43.通过图4及表i可以看出，利用基于deeplabv3 架构和resnet50模型的海岛地质遥感影像分类结果，总体精度可以达到97.57％，kappa系数达到0.9643，明显高于两种传统分类算法。
44.图5给出了采用上述分类方法进行图像分类的可视化结果。svm可以将低维线性困难问题转化为高维向量的线性可分性问题，利用惩罚因子处理单个离群点的类型归属问题，从而达到地物自动分类的目的。利用svm对遥感影像进行分类，发现存在漏分类和误分类，尤其是砂屑灰岩与细砂、细砂与中粗砂、中粗砂与珊瑚砾屑灰岩之间。面向对象采用传统的k-means算法。从面向对象的分类结果可以看出，珊瑚砾屑灰岩和砂屑灰岩植被的分类结果较好，但珊瑚沉积物和砂坝之间存在明显的错分。虽然整体能表现出地物类别的轮廓，但地物信息的完整性明显不如其他两种算法。本发明采用的deeplabv3 架构和resnet50模型作为一种深度学习网络模型，具有强大的函数表达能力，能够学习每种地物目标的光谱特征和纹理特征，在复杂地物类型分类上有较好的效果，其中，细砂、珊瑚砾屑灰岩、珊瑚骨架灰岩的分类精度明显优于svm和面向对象。
45.需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。