基于U-Net 模型的土地利用快速分類提取方法研究

● 黃麗虹，何 晶

（廣西自然資源調(diào)查監(jiān)測院，廣西 南寧 530200）

隨著遙感對地觀測技術(shù)的快速發(fā)展和無人機(jī)的普及，亞米級、厘米級的高分辨率遙感影像不斷被獲取，這為地表信息變化的快速發(fā)現(xiàn)提供了精確的數(shù)據(jù)來源。隨之而來的是高分辨率遙感影像以每日TB 級的數(shù)據(jù)量持續(xù)增加，已經(jīng)遠(yuǎn)超傳統(tǒng)人工處理的能力。但高分辨率遙感影像分類中存在特征選擇困難和空間信息缺乏等問題，傳統(tǒng)依靠光譜信息的遙感解譯方法很難滿足當(dāng)前的分類需求，使得面向高分辨率遙感影像的快速解譯方法的研發(fā)日益緊迫。

近年來，以深度學(xué)習(xí)為代表的土地利用快速分類提取成為研究者的關(guān)注方向，在高分辨率影像分類的應(yīng)用中取得了一定的成果[1]。但是，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)具有存儲開銷大、計算效率低等不足，通常只能提取一些局部的特征，分類性能受到一定限制[2]。

U-Net 模型是在FCN 基礎(chǔ)上進(jìn)行的延伸，相較于CNN、FCN、SegNet 等網(wǎng)絡(luò)層數(shù)更深，有利于獲得更多、更深層次的影像特征，加上其具有反復(fù)卷積以及融合低層次與高層次特征圖的跳躍連接結(jié)構(gòu)，可以更好地保持影像特征在經(jīng)過多次卷積和池化后的原有特征[3]。隨著遙感技術(shù)和地球觀測技術(shù)的不斷發(fā)展，航空和衛(wèi)星圖像數(shù)據(jù)急劇增加，影像分辨率不斷提升，超高分辨率遙感影像占比越來越大，數(shù)據(jù)處理的數(shù)量和難度也逐漸增大[4]。高分辨率遙感影像在提高質(zhì)量的同時，其類內(nèi)差異大、光譜信息相對欠缺的特點也對高效、準(zhǔn)確地進(jìn)行遙感影像分類提出新的挑戰(zhàn)[5]。目前U-Net 模型在遙感影像分類、醫(yī)學(xué)等方面具有突出的表現(xiàn)，研究小組使用GF-2 號衛(wèi)星遙感影像，基于U-Net 模型對廣西南寧市隆安縣那桐鎮(zhèn)進(jìn)行地表覆蓋自動提取與分類實驗。研究區(qū)地處桂西南巖溶山地，兩面高山環(huán)繞，中部沿右江河谷較低，呈北西至南東方向弧峰殘丘帶狀平原，同時兼具廣西典型的丘陵地和喀斯特地貌。

1 提取實驗與分析

研究小組基于U-Net 模型對高分辨率遙感影像分類方法進(jìn)行試驗，具體作業(yè)流程如圖1 所示。

圖1 土地利用快速分類檢測作業(yè)流程圖

1.1 影像預(yù)處理

研究小組采用1 m 分辨率高分二號衛(wèi)星（GF-2）遙感影像進(jìn)行實驗。GF-2 是我國自主研制的首顆空間分辨率優(yōu)于1 m 的民用光學(xué)遙感衛(wèi)星，搭載有2 臺高分辨率1 m 全色、4 m 多光譜相機(jī)，具有亞米級空間分辨率、高定位精度和快速姿態(tài)機(jī)動能力等特點。使用GF-2 衛(wèi)星影像，經(jīng)過融合、裁剪等操作后，得到一景待分類影像。

1.2 構(gòu)建樣本庫

深度學(xué)習(xí)遙感影像解譯的基礎(chǔ)是訓(xùn)練樣本庫，深度學(xué)習(xí)的含義實質(zhì)上就是讓深度神經(jīng)網(wǎng)絡(luò)對大量樣本的深層特征進(jìn)行學(xué)習(xí)后，使其掌握泛化能力強(qiáng)的語義特征，從而具備影像語義分割能力。因此，構(gòu)建包含大量、高精度的樣本數(shù)據(jù)的樣本庫是取得理想分類結(jié)果的基礎(chǔ)。

（1）建立土地利用分類矢量及柵格圖層。研究小組根據(jù)土地調(diào)查的常用分類，將土地利用類型分為水系、林地、居民地、耕地等4 類，以這個分類為基礎(chǔ)，對處理好的GF-2 影像進(jìn)行矢量數(shù)據(jù)采集，共采集了覆蓋面積為4 km×4 km 的矢量數(shù)據(jù)（見圖2）。

圖2 影像及土地利用分類矢量圖層圖

（2）制作標(biāo)簽。利用ArcGIS 的轉(zhuǎn)換工具將土地利用分類矢量圖層轉(zhuǎn)換成柵格，按照水系、林地、居民地、耕地等不同類型給柵格屬性賦予不同的數(shù)值（見圖3）。

圖3 標(biāo)簽數(shù)據(jù)圖

（3）滑動窗口裁剪影像。采用滑動窗口選取按照從左到右、從上到下的順序以固定間隔對影像及對應(yīng)的標(biāo)簽進(jìn)行裁剪，裁剪出尺寸為256×256像素的影像塊和標(biāo)簽柵格文件，作為訓(xùn)練樣本輸入U-Net 模型中。

（4）數(shù)據(jù)增強(qiáng)。深度學(xué)習(xí)算法中參與的樣本數(shù)據(jù)越多，算法越有效。數(shù)據(jù)增強(qiáng)是一種增加樣本庫數(shù)量的方式，可通過旋轉(zhuǎn)變換、仿射變換、色彩變換、尺度變換等方法對分割切片影像樣本和標(biāo)簽樣本進(jìn)行樣本擴(kuò)充與數(shù)據(jù)增強(qiáng)。研究小組基于OpenCV 庫二次開發(fā)，實現(xiàn)樣本圖片水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和扭曲翻轉(zhuǎn)，經(jīng)過數(shù)據(jù)增強(qiáng)后，樣本數(shù)量達(dá)到1 204 個。

1.3 網(wǎng)絡(luò)模型訓(xùn)練過程

訓(xùn)練模型部署在Windows10 操作系統(tǒng)下，顯卡為NVIDIA GeForce RTX 2060。模型相關(guān)參數(shù)設(shè)置如下：批大?。˙atch_Size）=4，初始學(xué)習(xí)率（Learning_Rate ）=1e-4，訓(xùn)練模型的迭代總輪數(shù)（Epochs）=300，分類數(shù)目（ClassNum）=5（背景值作為一個類型）。

2 實驗結(jié)果分析

2.1 基于U-Net 模型的土地利用快速分類

研究小組根據(jù)訓(xùn)練得到的模型對另一影像進(jìn)行分類測試（見圖4），測試結(jié)果顯示，基于U-Net網(wǎng)絡(luò)訓(xùn)練得出的模型可以較好地從影像上區(qū)分出水體、耕地、林地和居民地。

圖4 土地利用分類結(jié)果圖

研究小組采用地面真實感興趣區(qū)進(jìn)行混淆矩陣分析，輸入數(shù)據(jù)為分類結(jié)果、驗證樣本，其中，水系驗證樣本10 個、林地驗證樣本11 個、居民地驗證樣本9 個、耕地驗證樣本20 個。經(jīng)過驗證后，土地利用數(shù)據(jù)分類精度達(dá)到85.70%。

2.2 基于ENVI 的監(jiān)督分類結(jié)果

遙感影像分類是利用計算機(jī)對遙感影像中各類地物光譜信息（灰度值）和空間信息進(jìn)行分析，選擇特征，將圖像中每個像元按照某種規(guī)則或算法劃分為不同的類別，然后獲得遙感影像中與實際地物的對應(yīng)信息，從而實現(xiàn)遙感影像的分類。

目前，在傳統(tǒng)的高分辨率遙感影像分類方法中，最常用的是面向?qū)ο蠓诸惙ê蜋C(jī)器學(xué)習(xí)算法。面向?qū)ο蠓诸惙椒ǔＲ姷挠谢贓NVI 軟件進(jìn)行監(jiān)督分類，但是此方法需要人工參與分割參數(shù)選擇和對象特征選取，過程耗時、耗力；采用機(jī)器學(xué)習(xí)方法不需要人工介入，但是機(jī)器學(xué)習(xí)中的淺層結(jié)構(gòu)模型難以得到更好的分類結(jié)果。深度學(xué)習(xí)（如U-Net 模型）是近幾年圖像識別領(lǐng)域的一門新興技術(shù)，它能夠進(jìn)行深層次自主學(xué)習(xí)并進(jìn)行準(zhǔn)確的分類。

鑒于可比性，此次研究使用ENVI 進(jìn)行同一個區(qū)域測試數(shù)據(jù)，新建耕地、居民地和林地3 個圖層作為感興趣區(qū)并進(jìn)行分類。從實驗結(jié)果看，ENVI 結(jié)果精度分析后，土地利用數(shù)據(jù)分類精度達(dá)到83.63%，而基于U-Net 的深度學(xué)習(xí)的土地利用數(shù)據(jù)分類精度達(dá)到85.70%。由此可知，相較于使用ENVI 分類方法，深度學(xué)習(xí)的土地利用數(shù)據(jù)分類準(zhǔn)確率更高。

3 技術(shù)探討

基于U-Net 模型的土地利用快速分類提取方法具有以下幾個優(yōu)勢：一是作業(yè)流程中應(yīng)用協(xié)調(diào)，保障數(shù)據(jù)操作合理；二是采用合理樣本庫，數(shù)據(jù)使用快捷方便；三是操作簡單易懂，容易理解；四是數(shù)據(jù)之間無縫轉(zhuǎn)換，損失較小；五是無需授權(quán)，即可對平臺進(jìn)行操作；六是與保密制度相結(jié)合，保證數(shù)據(jù)安全，提高管理效率。

技術(shù)難點：一是分類結(jié)果仍存在細(xì)小的錯分區(qū)域，且地物的邊界經(jīng)過U-Net 模型上下采樣后較平滑，需要通過圖像后處理的方式，如全連接CRFs 等，對圖斑分割的邊界進(jìn)行優(yōu)化，進(jìn)一步提高分類精度；二是訓(xùn)練模型采用了波段數(shù)有限的高分辨率遙感影像，但是U-Net 模型能夠?qū)W習(xí)到的光譜信息特征有限，因此有必要考慮添加多源數(shù)據(jù)；三是需要采集大量的樣本數(shù)據(jù)，且精度達(dá)到一定的標(biāo)準(zhǔn)，便于進(jìn)行分類。

4 結(jié) 語

高分辨率遙感影像包含高質(zhì)量地表覆蓋信息，如何高效準(zhǔn)確地實現(xiàn)高分辨率遙感影像的地表覆蓋分類是急需解決的問題。研究小組提出了利用U-Net 模型對高分辨率遙感影像進(jìn)行快速分類的初步設(shè)想，經(jīng)過實驗驗證，U-Net 模型能夠較為準(zhǔn)確地提取出耕地、水體、居民地和林地等重點地物，可以實現(xiàn)較準(zhǔn)確的土地利用分類識別，可大大提高影像判讀和數(shù)據(jù)采集的作業(yè)效率。這一方法對解決廣西地區(qū)由于地物復(fù)雜、圖斑破碎等因素導(dǎo)致的自然資源要素自動提取困難有很好的借鑒意義。