摘要
当前我国正处在遥感技术快速发展和对地观测应用高速增长的时期，但是针对遥感图像进行语义分割的研究进展相对较为缓慢，过去运用光学上的各种阈值法已经无法对暴增的数据量进行分类，而且简单的深度学习模型存在严重的错分漏分，以及边缘分割模糊等问题，已经无法满足需要准确分割结果的应用需求。水体的遥感光谱特征容易受大气、水质、水环境、背景土地覆被等众多因素的影响，进行大区域以及细小河流水体遥感监测面临特征多样的难题。深度神经网络因为具有强大的复杂非线性函数拟合的能力，并且图像的语义分割作为计算机视觉的热门研究内容，遥感图像的丰富数据量为其的研究提供了海量的数据来源，其可以对目标的所有像素进行分类的特性而受到极大关注。作者基于现有的语义分割网络在遥感图像上的研究基础，针对深度学习语义分割在遥感图像分类时存在的精度不准、边缘分割较差、细小河流不连贯并丧失河流形态学等问题创造性的提出两种架构，论文的主要工作如下: 首先，作者以遥感地物的水体作为研究对象，采集广东省高分二号遥感影像制作数据集，数据集经过几何精校正，图像配准，图像的镶嵌与裁剪，用Labelme做人工标注，制作的数据经过图像的镜像翻转和旋转变换之后，进行了类别不平衡的修正，运用到经典的语义分割网络UNet，SegNet，PSPNet,Deeplabv3+，进行分类结果对比，选取了分类效果最优的网络Deeplabv3+，提出两种Deeplabv3+与注意力机制结合的方法。方法一:将原始图片送入空洞卷积后得到的特征图，先通过通道注意力机制进行通道信息加强，之后再与编码器的ASPP结构串联，采用最大池化，并按照原网络的解码器预测分割图片;方法二:将原始图片经过空洞卷积获取的特征图，一支送入到先是空间注意力后是通道注意力的双注意力机制模块，一支送入到ASPP结构，然后将两者得到的特征图进行特征融合，采用平均池化，并仍按照原网络的解码器进行图片的预测。最后，从算法时间复杂度和不同卷积步长进行侧面论证方法的有效性。 通过实验证实，本文采取的注意力机制与ASPP结构并联的方法分类效果最好，使得细小河流的形态学得以保存，大幅度减少了细小河流分类时存在的中断现象。另外从评价指标来看，该方法的MIOU达到了97.81％，MPA达到了98.85％。提升了块状湖泊水体提取中对山体阴影、城镇等易混淆地物的区分能力，为此后的遥感图像分类研究提供了一个有实用价值的思路。此外本研究提出的改进Deeplabv3+的高分遥感图像的分类方法有利于充分利用遥感观测数据，准确地监测湖泊、河流、水库等陆地水体的动态变化，而且能够促进对众多与陆地水体紧密相关的生态、环境问题的深入理解和解决。
NETL