一种基于深度学习的遥感冰川分割方法

本发明属于遥感图像处理，特别涉及一种基于深度学习的遥感冰川分割方法。

背景技术：

1、冰川是由降雪以及其他固态降水的积累演变而来的流动冰体，是大自然的产物。冰川的变化与区域气候密切相关，能够作为检测气候变化的敏感指示器，同时也是淡水资源的重要来源之一，对于生态平衡和生物资源的可持续利用具有重要意义。因此，通过对遥感图像进行冰川分割实现冰川边界的准确提取，为冰川面积的监测、长期气候变化和环境演变研究提供可靠的数据依据。

2、冰川边界的提取方法主要包括实地考察、人工目视解译和计算机自动提取三类。最初，山地冰川只能通过从业人员进行实地考察的方式进行冰川检测，存在较大的难度和风险，导致研究效率较低。随着卫星遥感技术逐渐进步，遥感图像得到更快的发展，研究人员开始采用人工目视解译对冰川区域进行监测。相比实地考察，能够更高效地获取数据，降低了风险，但仍存在耗时耗力、误差率高的问题。在早期的计算机自动提取方法主要是利用人工设计的特征来提取冰川边界。随着计算机资源的丰富，深度学习算法在自然图像中取得了快速的发展。但在遥感图像中应用相对较少，尤其是在遥感图像的冰川分割方面，并未对冰川边界做过多关注，导致冰川边界处的分割效果不佳。

技术实现思路

1、本发明的目的在于克服现有技术中存在的缺陷，提供一种基于深度学习的遥感冰川分割方法。

2、本发明提供了一种基于深度学习的遥感冰川分割方法，包括以下步骤：

3、s1，采集遥感数据，对遥感数据进行人工标注得到标签样本，并对遥感数据和标签样本进行预处理以构建数据集；

4、s2，生成全局正标签样本、全局负标签样本、边界区域正标签样本、边界区域负标签样本；

5、s3，通过cnn结构提取影像的局部特征，通过swin transformer结构提取影像的全局特征，并进行多特征融合，构建基于深度学习的遥感冰川分割网络；

6、s4，使用以全局正标签样本、全局负标签样本和l1损失函数为基础构建的对比损失函数进行对比学习，以此来指导遥感冰川分割网络进行第一阶段的训练；

7、s5，使用以边界区域正标签样本、边界区域负标签样本和l1损失函数为基础构建的对比损失函数进行对比学习，以此来指导遥感冰川分割网络进行第二阶段的训练；

8、s6，基于dice损失函数为指导遥感冰川分割网络构建第三阶段的训练；

9、s7，将测试集输入步骤s6训练后的遥感冰川分割网络，输出冰川区域的分割结果。

10、进一步的方案为，在所述s1中，对遥感数据进行预处理以构建数据集包括以下步骤：

11、s1.1，对遥感图像、标签样本定义裁剪大小、波段数、原点坐标。其中，标签样本中0代表非冰川区域，1代表冰川区域；

12、s1.2，将遥感图像的仿射变换参数、投影信息属性、原点坐标信息写入裁剪后的遥感图像，将标签样本的仿射变换参数、投影信息属性、原点坐标信息写入裁剪后的标签样本；

13、s1.3，将处理之后的遥感图像划分为训练集和测试集，将处理之后的标签样本划分为训练集和测试集。

14、进一步的方案为，在所述s2中，全局正标签样本、全局负标签样本、边界区域正标签样本、边界区域负标签样本生成方法包括以下步骤：

15、s2.1，将标签样本作为全局正标签样本，对标签样本随机进行不同大小核的膨胀或腐蚀操作，将膨胀样本或腐蚀样本作为全局负标签样本；

16、s2.2，将膨胀样本与腐蚀样本做差值处理得到边界区域，将全局正标签样本非边界区域的像素值置为0得到边界区域正标签样本，将全局正标签样本非边界区域的像素值置为0得到边界区域负标签样本。

17、进一步的方案为，所述全局负标签样本、边界区域正标签样本、边界区域负标签样本的生成公式为：

18、

19、其中，bi中i的取值为1或2，b1表示对标签样本进行膨胀操作，b2表示对标签样本进行腐蚀操作，area表示边界区域的像素值均为1，非边界区域的像素值均为0，wh(area＝0)表示area中值为0的位置，j(wh(area＝0)＝0)表示将全局正标签样本j的非边界区域的像素值置为0，表示边界区域正标签样本，i(wh(area＝0)＝0)表示将全局负标签样本i的非边界区域的像素值置为0，表示边界区域正标签样本。

20、进一步的方案为，所述s3中遥感冰川分割网络是基于编码器-解码器结构的分割网络模型，构建方法包括以下步骤：

21、s3.1，通过编码器模块对遥感图像进行全局特征信息提取，进而生成全局特征注意力图；所述编码器模块设置为四层，并且每层设置为两个swin transformer结构，同时在每层编码器模块后设置有对应的下采样层；

22、s3.2，通过边界特征信息补充模块提取并补充遥感图像的边界特征信息，所述的边界特征信息补充模块由两个cnn结构和一个下采样层组成，第一个cnn结构用于提取边界信息，第二个cnn结构用于将边界特征信息补充到上采样的特征信息中；

23、s3.3，采用跳跃连接形式将编码器提取的特征信息传递给解码器，以补充不同尺度的特征信息；

24、s3.4，解码器模块将传入的全局特征信息、上采样的特征信息、边界特征信息进行融合，所述的解码器模块设置为四层，并且每层设置为两个cnn结构，同时在每层解码器模块前设置有对应的上采样层，用于对跳跃连接的特征信息、上采样的特征信息和边界特征信息进行融合；

25、所述构建方法的流程化公式为：

26、

27、其中，pe表示对输入图像进行切块操作，down表示对特征信息进行下采样操作，up表示对特征信息进行上采样操作，t表示编码器模块，c表示解码器模块，concat表示对全局特征信息、局部特征信息和边界特征信息进行融合，conv表示卷积操作，x表示输入图像，xb表示编码器输出，同时即跳跃连接的特征信息，xt表示边界特征信息，xj表示解码器模块的输出，表示多特征信息融合后的特征。

28、进一步的方案为，所述步骤s4和步骤s5还包括，对于训练中输入的图像进行随机掩码操作，具体为：

29、1)，对输入的图像进行pe切块操作；

30、2)，将切块后的图像通过cnn结构进行多维特征提取；

31、3)，将提取的多维特征转换为一维向量并转置，得到序列化的特征；

32、4)，为了增加图像难度、提高模型鲁棒性、避免过拟合，对序列化的特征进行一定比例的随机掩码，将对应位置的像素值置为0。

33、进一步的方案为，s4和s5中所述的对比损失函数为：

34、

35、其中，表示在分割结果与标签样本之间的l1范数损失，d(·)表示j或i和之间的l1距离，即l1范数损失，β为权重，j、i和在第一阶段的对比学习中分别表示全局正标签样本、全局负标签样本和分割结果，在第二阶段的对比学习中使用的对比损失函数与第一阶段类似，仅将全局正负样本更替为边界区域正负样本；

36、所述对比学习方法能够使模型对冰川边界的信息更好地学习。其中，在第一阶段需要使用全局正标签样本j和全局负标签样本i同时指导模型训练，用于使分割结果接近全局正标签样本j并且远离全局负标签样本i。第二阶段的对比学习方法与第一阶段类似，仅将全局正负标签样本更替为边界区域正负标签样本。

37、进一步的方案为，s4和s5中所述的对比学习方法为：

38、1)，通过全局正标签样本、全局负标签样本构建第一阶段对比损失函数，通过边界区域正标签样本、边界区域负标签样本构建第二阶段对比损失函数；

39、2)，在第一阶段，计算全局正标签样本与分割结果的正样本损失以及全局负标签样本与分割结果的负样本损失；在第二阶段，计算边界区域正标签样本与分割结果的正样本损失以及边界区域负标签样本与分割结果的负样本损失；

40、3)，通过对比损失函数计算误差并进行反向传播，逐渐使分割结果缩小与正标签样本的距离并扩大与负标签样本的距离。

41、进一步的方案为，在s6中所述dice损失函数为：

42、

43、其中，yi和分别表示像素i的标签值与预测值，n为像素点总个数，即单张图像的像素个数乘以输入图像个数。

44、与现有技术相比，本发明的有益效果在于：本发明针对遥感冰川影像分割问题，首先对原始数据进行预处理并构建数据集；其次使用标签样本来生成基于冰川边界区域的全局正负标签样本和边界区域正负标签样本；然后使用cnn结构和swin transformer结构来构建基于深度学习的遥感冰川分割网络，通过利用cnn结构擅于捕获局部特征信息和swintransformer结构擅于捕获全局特征信息的特点，实现对遥感冰川数据的全局特征信息、局部特征信息和边界特征信息的提取与融合；接着使用全局正负标签样本为基础构建的对比损失函数指导网络进行第一阶段的训练；随后使用边界区域正负标签样本为基础构建的对比损失函数指导网络进行第二阶段的训练；最后通过dice损失函数为指导网络进行第三阶段训练，使模型对非边界区域分割结果的进一步提升。