本發(fā)明涉及遙感影像處理，特別涉及一種基于深度學(xué)習(xí)語義分割的高原型巖溶地貌提取方法。

背景技術(shù)：

1、巖溶地貌是水對可溶性巖石進行的以化學(xué)溶蝕作用為主的綜合地質(zhì)作用以及由此產(chǎn)生的各種現(xiàn)象。巖溶地貌在全球范圍內(nèi)普遍存在，基于巖溶形成的地質(zhì)、水文和生物條件，受巖溶形成的機理、形態(tài)、動力學(xué)特性和工程施工影響，以及巖溶地貌的特殊性，該區(qū)域頻繁發(fā)生地面塌陷、危巖崩塌等地質(zhì)災(zāi)害，對人類活動和地質(zhì)研究提出了重大挑戰(zhàn)。如何探測巖溶現(xiàn)象發(fā)生區(qū)域，為開展巖溶的形成、發(fā)育機理研究和監(jiān)測、預(yù)報，以及工程建設(shè)設(shè)計、施工提供了基礎(chǔ)數(shù)據(jù)，對減少災(zāi)害的發(fā)生，降低因災(zāi)害造成的損失具有重要的現(xiàn)實意義和科學(xué)價值。

2、最基礎(chǔ)直接的巖溶地貌調(diào)查方法是對研究區(qū)進行實地考察，通過直接觀察和測量收集巖溶特征的第一手資料，評估其規(guī)模、分布和形態(tài)特征。隨著技術(shù)的進步，傳統(tǒng)方法經(jīng)常與現(xiàn)代遙感技術(shù)、gis(地理信息系統(tǒng))以及機器學(xué)習(xí)和深度學(xué)習(xí)方法結(jié)合使用，以提高巖溶地貌調(diào)查的效率和精度。研究表明，采用機器學(xué)習(xí)方法能夠顯著提高在遙感影像上繪制巖溶地貌圖的效率和自動化程度。zhu等(2020年)運用六種機器學(xué)習(xí)方法(logistic回歸、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)、隨機森林、rusboost和支持向量機)在同一地區(qū)運用激光雷達數(shù)據(jù)識別巖溶特征(洼地、天坑、落水洞等)，研究結(jié)果表明六種方法測試平均準(zhǔn)確度為0.85。深度學(xué)習(xí)作為機器學(xué)習(xí)的一個重要分支，通過使用人工神經(jīng)網(wǎng)絡(luò)(ann)方法，特別是深度神經(jīng)網(wǎng)絡(luò)(dnns)，在處理和分析大量標(biāo)記樣本數(shù)據(jù)方面展現(xiàn)出顯著能力。隨著計算能力的不斷增強和數(shù)據(jù)集的日益豐富，深度學(xué)習(xí)技術(shù)在遙感影像處理領(lǐng)域的應(yīng)用取得了突破性進展，特別是在巖溶地貌提取這一復(fù)雜任務(wù)中，深度學(xué)習(xí)方法已經(jīng)成為一種極具潛力的工具。han(2021年)提出了一種基于deeplab?v3+網(wǎng)絡(luò)的方法，將landsat遙感圖像和數(shù)字高程模型(dem)數(shù)據(jù)進行結(jié)合，使用四通道數(shù)據(jù)作為訓(xùn)練樣本來識別提取巖溶地貌，識別提取的結(jié)果平均交叉并集(miou)最高可以達到95.5％。muhammad(2022)使用圖像分割模型u-net來定位落水洞，該模型使用dem梯度圖像高斯歸一化實現(xiàn)了最佳性能，聯(lián)合上的陷穴交點(iou)為45.38％。

3、當(dāng)前針對高山高原型巖溶探測的研究方法較少，在深度學(xué)習(xí)中可用的標(biāo)記數(shù)據(jù)非常有限，故本方法旨在對高山高原型巖溶地貌提取進行創(chuàng)新性研究。

技術(shù)實現(xiàn)思路

1、本發(fā)明意在提供一種基于深度學(xué)習(xí)語義分割的高原型巖溶地貌提取方法，解決了現(xiàn)有技術(shù)中對于的高山高原型巖溶地貌探測較少的問題。

2、為了達到上述目的，本發(fā)明的技術(shù)方案如下：一種基于深度學(xué)習(xí)語義分割的高原型巖溶地貌提取方法，包括如下步驟：

3、s1、獲得高分二號衛(wèi)星、資源三號衛(wèi)星及高分七號衛(wèi)星遙感影像數(shù)據(jù)，并對所獲得的高分二號、資源三號及高分七號遙感影像數(shù)據(jù)進行預(yù)處理；

4、s2、對經(jīng)過步驟s1的資源三號衛(wèi)星和高分七號遙感影像數(shù)據(jù)進行處理，得到衍生dem模型，

5、s3、在步驟s1預(yù)處理后的高分二號衛(wèi)星遙感影像數(shù)據(jù)的基礎(chǔ)上，結(jié)合步驟s2后的衍生dem模型進行數(shù)據(jù)融合，對高山高原型巖溶現(xiàn)象進行目視解譯并獲取解譯標(biāo)志，

6、s4、對經(jīng)過步驟s3解譯標(biāo)志的高原型巖溶現(xiàn)象進行精細化標(biāo)注，并裁剪為512×512的柵格圖像形成語義分割數(shù)據(jù)集；

7、s5、將步驟s4中經(jīng)過精細化標(biāo)注的圖像數(shù)據(jù)集按照6:2:2劃分為訓(xùn)練集、測試集、驗證集，對segnext網(wǎng)絡(luò)模型進行訓(xùn)練，使用遷移學(xué)習(xí)算法通過訓(xùn)練集對segnext模型進行訓(xùn)練，達到設(shè)定的精度后，獲取高山高原型巖溶地貌提取模型。

8、進一步的，步驟s1的預(yù)處理方式包括輻射定標(biāo)、幾何校正、大氣校正、影像拼接和鑲嵌、數(shù)據(jù)裁剪、影像增強。

9、進一步的，步驟s2中高山高原型巖峰林峰叢地目視解譯標(biāo)志：

10、影像紋理：峰林峰叢在遙感影像上與周圍地物呈現(xiàn)極大不同，紋理較周圍地物更為復(fù)雜，色調(diào)偏暗，呈蜂窩狀連片出現(xiàn)；

11、影像形態(tài)：峰林峰叢通常為多個橢圓或近橢圓形地物呈蜂窩狀連片出現(xiàn)。

12、進一步的，對步驟s4的巖溶樣本圖像數(shù)據(jù)集進行預(yù)處理，其具體方法如下：

13、s4.1、剔除巖溶樣本圖像數(shù)據(jù)集內(nèi)的無效樣本圖像數(shù)據(jù)；

14、s4.2、對剔除無效樣本圖像數(shù)據(jù)后剩余的巖溶樣本圖像數(shù)據(jù)集進行數(shù)據(jù)增強，為了提高模型的泛化能力，對訓(xùn)練數(shù)據(jù)應(yīng)用各種數(shù)據(jù)增強技術(shù)；

15、s4.3、在語義分割中，每張輸入圖片對應(yīng)一個標(biāo)簽圖，標(biāo)簽圖中的每個像素表示該像素屬于的類別，這些標(biāo)簽圖也需要相應(yīng)的預(yù)處理，以匹配網(wǎng)絡(luò)輸出的尺寸。

16、進一步的，步驟s5的segnext網(wǎng)絡(luò)模型的訓(xùn)練過程如下：

17、s5.1、批量歸一化，確保輸入圖片的像素值處于相同的范圍內(nèi)，依靠兩次連續(xù)的線性變換，轉(zhuǎn)化后的數(shù)值滿足一定的特性；

18、s5.2、編碼器-解碼器架構(gòu)：采用編碼器-解碼器架構(gòu)；編碼器逐步降低空間分辨率，提取高級語義特征；解碼器逐步恢復(fù)空間分辨率和細節(jié)信息，生成與原始圖片相同尺寸的分割圖；

19、s5.3、使用金字塔結(jié)構(gòu)作為編碼器，應(yīng)用了一種新型的多尺度卷積注意力模塊；

20、s5.4、每個分支中使用兩個深度帶狀卷積來近似大核深度卷積；

21、s5.5、通過堆疊一系列構(gòu)建塊形成所提出的卷積編碼器；

22、s5.6、解碼器中聚合最后三個階段的多級特征，并使用輕量級的hamburger模塊進一步建模全局上下文；

23、s5.7、網(wǎng)絡(luò)常常包括從編碼器到解碼器的跳躍連接；

24、s5.8、將輸入序列輸入至編碼器中進行編碼計算，編碼器的每個編碼層具有相同的結(jié)構(gòu)，包含一個多頭自注意力機制、一個前饋網(wǎng)絡(luò)以及層歸一化操作；

25、s5.9、前向傳播：輸入經(jīng)過預(yù)處理的圖片通過網(wǎng)絡(luò)輸出每個像素的類別預(yù)測；

26、s5.10、損失計算：計算網(wǎng)絡(luò)輸出與真實標(biāo)簽之間的損失，采用交叉熵損失函數(shù)，公式如下：

27、

28、s5.11、反向傳播：根據(jù)損失函數(shù)計算梯度，并使用優(yōu)化算法adamw更新網(wǎng)絡(luò)的權(quán)重，以最小化損失；

29、s5.12、迭代訓(xùn)練：重復(fù)前向傳播、損失計算和反向傳播過程，直至segnext網(wǎng)絡(luò)模型在驗證集上的性能不再提高。

30、進一步的，步驟s5.3的多尺度卷積注意力模塊包含三個部分：深度卷積聚合局部信息、多分支深度帶狀卷積捕獲多尺度上下文、以及1×1卷積建模不同通道間的關(guān)系，1×1卷積的輸出直接用作注意力權(quán)重，對多尺度卷積注意力的輸入進行重新加權(quán)；

31、

32、與現(xiàn)有技術(shù)相比，本方案的有益效果：

33、1、受地域特性、交通狀況、經(jīng)濟條件和工作手段的限制，我國青藏高原及其周緣地區(qū)的巖溶研究發(fā)展緩慢，缺乏大比例尺、高精度的巖溶分布調(diào)查數(shù)據(jù)，嚴(yán)重制約了該地區(qū)重大工程建設(shè)的開展和實施。本方案針對川藏鐵路建設(shè)的重大需求，面向川西地區(qū)開展基于遙感影像的高山高原巖溶探測方法研究，以完成該地區(qū)大比例尺、高精度巖溶空間分布地圖的繪制，并形成完整的技術(shù)方法流程。

34、傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)模型在目標(biāo)檢測和識別問題上能夠達到較高準(zhǔn)確率，但往往需要大量的高質(zhì)量標(biāo)記數(shù)據(jù)用于模型的訓(xùn)練。因此，本方案結(jié)合淺層機器學(xué)習(xí)算法和深度學(xué)習(xí)算法共同開展研究。通過收集研究區(qū)地質(zhì)環(huán)境、地貌、衛(wèi)星遙感與巖溶現(xiàn)象等數(shù)據(jù)，構(gòu)建高原巖溶高分辨率遙感影像樣本庫；優(yōu)選機器學(xué)習(xí)模型，實驗分析現(xiàn)有目標(biāo)檢測深度學(xué)習(xí)網(wǎng)絡(luò)模型；針對現(xiàn)有算法模型存在的不足，提出改進方案或全新算法模型，提高識別準(zhǔn)確率。

35、2、本方案采用光學(xué)遙感影像數(shù)據(jù)對高山高原型巖溶洼地進行目標(biāo)識別。通過遙感影像對巖溶洼地進行探測相較于野外實地勘探成本較低，高山高原型巖溶洼地在遙感影像上的紋理特征具有明顯的空間變化，并且高山高原型巖溶洼地在形態(tài)上通常呈現(xiàn)出圓形或橢圓形的形態(tài)，周圍山地的形態(tài)則更加復(fù)雜多變。深度學(xué)習(xí)方面，采用segnext網(wǎng)絡(luò)模型進行目標(biāo)檢測，segnext網(wǎng)絡(luò)模型具有強大的并行計算特性，提升速度，減少訓(xùn)練時間，提高了實時性。