基于改進UNet++的遙感影像海岸線提取方法

摘 要：遙感圖像的海陸分割對海岸線提取和動態監測具有重要意義。本文將深度卷積神經網絡應用于高分辨率遙感圖像的陸海分割，并在經典編解碼器結構的基礎上進行了創新。為了提高網絡區分海岸線的能力，本文在UNet++網絡中引入雙重注意力機制，以提高海岸線特征的學習能力，抑制非海岸線特征學習，并利用研究區遙感圖像數據對海岸線進行分割。試驗結果表明，與經典的UNet、DeepLab v3+和UNet++網絡相比，本文改進UNet++網絡的分割結果更準確，各種海岸線邊界模糊度較低。面對日益豐富的高分辨率遙感圖像數據源，基于改進UNet++的海岸線提取可以更好地保留邊界信息，并具有更好的語義分割效果，可以更準確地挖掘高分辨率遙感圖像的空間分布特征、紋理特征和光譜特征，從而提高分類的準確性。

關鍵詞：UNet++；雙重注意力；遙感影像；海岸線提取

中圖分類號：P 237 " " " 文獻標志碼：A

由于海岸線的形態復雜，并易受影像質量、光照條件等因素的影響，因此在遙感影像中，海岸線提取是一個具有挑戰性的任務[1]。傳統UNet網絡在處理復雜邊界和細節過程中存在信息丟失或模糊的問題，導致提取的海岸線不夠精確[2]。此外，遙感影像通常具有高分辨率和大范圍，因此需要更深、更復雜的網絡結構來處理這種規模較大的數據。海岸線提取在遙感影像處理中是一個復雜而具有挑戰性的問題，其中，海岸線周圍的地物特征多種多樣，包括海浪、沙灘、巖石和建筑物等，它們的外觀和紋理各不相同，增加了海岸線提取的難度。遙感影像的質量和分辨率對海岸線提取具有重要影響。分辨率較低的影像可能導致海岸線模糊或者不清晰，無法捕捉海岸線的細節。光照條件不同會使影像中海岸線的亮度和對比度發生變化，陰影會使海岸線的邊界變得模糊或不連續，對自動海岸線提取算法提出了更高要求。海岸線是一個動態的地理特征，易受潮汐、海浪和風等自然因素的影響。因此，海岸線提取算法需要具備一定的魯棒性，能夠處理不同時間段影像中海岸線的變化。

針對這些問題，本文改進的UNet++[3]等深度學習模型能夠利用端到端的學習來提取影像特征，從而更準確地提取海岸線。并通過合理設計網絡結構、優化損失函數以及使用大規模數據集進行訓練，有效應對上述挑戰。同時，對于特定的問題和數據集，改進的UNet++還可以結合其他技術，例如數據增強、多尺度處理等來進一步提升海岸線提取性能。改進的UNet++提出了一種有效的解決方案，即引入雙重注意力來增強信息傳遞和特征融合能力，從而提高語義分割的精度和魯棒性。在遙感影像海岸線提取中，改進的UNet++可以更好地捕獲海岸線的細節和邊界信息，從而提高提取的準確性。

1 道路提取網絡結構設計

本文的改進UNet++的網絡結構包括編碼器部分和解碼器部分。編碼器部分利用卷積層和池化層逐步縮小特征圖尺寸，提取圖像中的高級語義信息；解碼器部分則利用上采樣和跳躍連接將編碼器部分提取的特征圖進行逐層恢復，最終生成與輸入圖像尺寸相同的語義分割結果。在改進的UNet++中，每層編碼器和解碼器間均有連接，能夠融合底層和高層的特征圖，使網絡可以利用不同層級的信息進行學習和推斷，以提高特征的重用和表達能力。

改進的UNet++在UNet的基礎上引入了多層級連接和特征融合機制，這些改進具有重要意義。多層級連接是指改進UNet++引入了密集的跳躍連接，將每層編碼器和解碼器都與對應的解碼器和編碼器層連接起來，形成了一個密集的連接網絡。這種連接方式使網絡可以充分利用不同層級的特征信息，提高網絡的感知范圍和特征表達能力。與單一層級連接的網絡結構相比，多層級連接可以更好地捕捉不同層次的語義信息，從而提高模型的性能和精度。特征融合機制是指改進UNet++利用多層級連接，將編碼器和解碼器部分的特征圖進行逐層融合，使網絡可以綜合利用不同層級的特征信息，從而提高了特征的重用和表達能力。這種特征融合機制可以有效減少信息丟失和梯度消失問題，提高網絡的訓練穩定性和收斂速度，同時也增強了網絡對復雜場景和細微結構的識別能力。網絡深度和參數量的平衡是指改進UNet++在引入多層級連接的同時，有效控制了網絡的深度和參數量，使網絡結構相對簡潔而高效。在實際應用中，這種平衡性使改進UNet++既具有較強的表達能力和泛化能力，又具有較低的計算成本和內存消耗，更適用于大規模數據和實時場景處理。

引入多層級的連接和特征融合機制后，改進UNet++在語義分割任務中性能表現良好，更適合處理復雜場景和具有細微結構的目標。改進UNet++的網絡描述相對簡潔明了，較好地平衡了網絡深度和參數量，提高了訓練和推斷效率。在海岸線提取等遙感影像任務中，改進UNet++能夠學習不同尺度和層級的特征，以提高海岸線的提取精度和魯棒性，還能合理設計網絡結構和損失函數，更好地適應各種復雜場景下的遙感影像數據，提高海岸線提取的準確性和效率。改進的U-Net++網絡如圖1所示。

改進的UNet++網絡還引用了雙重注意力機制，能夠針對海岸線存在的問題進行有效提取。CBAM模塊（Convolutional Block Attention Module，CBAM）是一種用于增強神經網絡性能的注意力機制，它將通道注意力和空間注意力相結合，能夠學習圖像中通道和空間信息的相關性，并自適應地調整每個通道和空間位置的重要性。通道注意力模塊用于對每個通道的特征圖進行加權，以增強有用特征，并抑制無用特征。空間注意力模塊用于對每個空間位置的特征圖進行加權，以增強圖像中重要的區域，并抑制不重要的區域。通過這種聯合的注意力機制，CBAM能夠更準確地捕捉圖像中的重要特征，從而提升神經網絡在各種視覺任務中的性能和魯棒性。雙重注意力機制如圖2所示。

CBAM模塊能夠接收卷積神經網絡的輸入特征圖，這些特征圖包括圖像的抽象特征。空間注意力用于計算特征圖在不同空間位置上的重要性，即計算特征圖的平均池化（Average Pooling）和最大池化（Max Pooling），獲得每個空間位置的重要性分布。通道注意力用于計算特征圖中不同通道間的相關性和各通道的重要性，即通過全局平均池化（Global Average Pooling）和全局最大池化（Global Max Pooling）來實現。根據空間注意力和通道注意力計算出的空間和通道注意力分布來調整輸入特征圖的權重，從而生成經注意力機制調整后的特征圖。最后，經過CBAM模塊調整后的特征圖被傳遞到后續的CNN層或者其他任務模塊中，用于完成具體的計算機視覺任務，例如圖像分類、目標檢測等。

綜上所述，本文的改進UNet++引入了多層級連接、特征融合機制和雙重注意力機制，平衡了網絡的深度和參數量，使網絡具有更強的特征表達能力和泛化能力，從而顯著提升了語義分割任務中的性能。在海岸線提取等遙感影像任務中，改進UNet++能夠更好地利用不同層級的特征信息，提高海岸線的提取精度和魯棒性，從而有效解決了傳統方法中存在的問題，具有更廣闊的應用前景。

2 試驗結果和分析

2.1 數據集構建

將本文改進的UNet++網絡在海岸線數據集中進行對比試驗，影像裁剪為（512×512）ppi，選取416張照片為試驗對象，將其按照7∶2∶1的比例劃分為訓練集、測試集和驗證集。數據集中的部分影像和對應標簽如圖3所示。

2.2 試驗結果和分析

為了驗證改進UNet++在處理海岸線遙感影像方面的有效性和優越性，本文針對影像中海岸線的特點，選擇具有代表性的測試影像進行試驗。使用UNet、SegNet、UNet++以及本文算法對測試影像進行海岸線提取，并對試驗結果進行比較和分析。影像部分試驗結果如圖4所示。

由圖4可知，UNet和SegNet網絡對海岸線的提取結果較差，錯誤提取了較多的其他地類，在邊緣細節處理上也不夠準確。而UNet++網絡的海岸線提取結果比上述2種算法有所提高，但是提取結果中仍存在空洞現象。本文算法在提取準確度和邊緣細節處理方面均比較準確，在雙重注意力的作用下，多余海岸線的識別能力有所提升，在邊緣細節和結構的完整度方面具有明顯優勢。可見本文算法的海岸線類型多樣性辨別能力較好，在海岸線提取方面具有有效性和優越性。

UNet、SegNet、UNet++和本文算法的定量評價結果見表1。從表1可以看出，本文算法在各個指標上均為最優。在MIoU指標上，本文算法比UNet提高了20.28%，比SegNet提高了20.19%。在Recall指標上，比UNet提高了23.21%，比UNet++提高了11.73%。在OA指標上，只有本文算法在90%以上，其他算法均在85%以下。上述結果均表明本文算法在海岸線提取上具有高效性。

3 結論

針對海岸線提取存在的問題，本文將UNet++網絡進行了改進，改進的UNet++在海岸線提取任務中具有更高的性能和精度，在處理復雜邊界和細節方面表現更出色。通過引入密集跳躍連接和多尺度特征融合機制，本文算法能夠更好地捕捉海岸線形狀和細微的邊緣特征，從而提高海岸線提取的準確性和魯棒性。

在試驗中，本文算法在海岸線提取任務中取得了令人滿意的效果。與對比算法相比，本文算法在保持邊界清晰的同時，能夠更好地識別和保留海岸線的細微特征，例如沙灘、礁石等，在海岸線提取任務中具有更高的適用性和可靠性，不僅適用于簡單的海岸線圖像提取，也適用于復雜的海岸地形提取。此外，本文算法還在提取速度上具有顯著優勢。雖然引入了更多的參數和復雜的連接機制，但是本文算法采用有效的網絡設計和訓練策略，能夠在保證提取質量的同時，保持較高的計算效率。因此本文算法是海岸線提取領域的一種理想選擇，為海岸線研究和監測提供了強大的工具和技術支持。

綜上所述，本文算法在UNet++網絡的基礎上進行了改進，在海岸線提取任務中具有顯著優勢，即具有精準的提取能力、高效的計算性能以及對復雜邊界和細節的處理能力，為海岸線研究和監測提供了重要的技術支持。

參考文獻

[1]朱琳，黃玉玲，楊剛，等.基于GEE的杭州灣海岸線遙感提取與時空演變分析[J].自然資源遙感，2023（2）：50-60.

[2]王蕊，丁咚，李廣雪，等.基于改進U-Net的海岸線提取方法[J].海洋科學，2022（5）：54-64.

[3]馬永軍，張藝，王廣來，等.改進UNet++的遙感影像森林變化檢測方法[J].森林與環境學報，2024（3）：317-327.