基于改進(jìn)UNet++的高分辨率遙感影像道路提取方法

摘 要：為了解決高分辨率遙感影像中道路提取的質(zhì)量和效率問題，本文提出了一種融合CBAM的改進(jìn)UNet++的道路提取方法。在原始UNet++網(wǎng)絡(luò)中引用CBAM，對損失函數(shù)進(jìn)行改進(jìn)，并使用一種新的聯(lián)合損失函數(shù)。試驗結(jié)果表明，與U-Net、SegNet和UNet++網(wǎng)絡(luò)相比，本文方法在IoU、Recall、OA和Kappa方面均是最優(yōu)秀的。其中，OA和Kappa分別為94.92%和0.9202。綜上所述，本文方法能夠有效進(jìn)行高分辨率遙感影像道路提取，具有一定的泛化能力，能夠為道路的防護(hù)和規(guī)劃提供支持。

關(guān)鍵詞：道路提??；遙感影像；U-Net++；CBAM：損失函數(shù)

中圖分類號：P 23" " " 文獻(xiàn)標(biāo)志碼：A

高分辨率遙感影像被廣泛應(yīng)用于生活發(fā)展的各個方面，例如災(zāi)害監(jiān)測、導(dǎo)航定位、道路矢量化和城市規(guī)劃等[1]。其中，道路是重要的地理信息，在生活發(fā)展中具有著不可替代的作用。

基于高分辨率遙感影像的道路提取方法有多種，其中四種方法最為普遍，分別為基于道路形狀、基于道路紋理、基于圖像灰度閾值和利用深度學(xué)習(xí)進(jìn)行提取。目前，UNet++神經(jīng)網(wǎng)絡(luò)被提出，后被廣大學(xué)者所應(yīng)用[2-3]。BOUSIAS等利用UNet++網(wǎng)絡(luò)對高分辨率遙感影像進(jìn)行變化檢測任務(wù)，訓(xùn)練和評價了UNet和UNet++神經(jīng)網(wǎng)絡(luò)。雖然UNet++網(wǎng)絡(luò)在高分辨率遙感影像的變化檢測任務(wù)中具有較好的性能，但是面對高分辨率遙感影像復(fù)雜的特征信息時，仍然存在邊緣細(xì)節(jié)提取不完全、提取結(jié)果不連續(xù)等問題。

針對提取不完整和提取不連續(xù)等問題，本文在UNet++的基礎(chǔ)上進(jìn)行改進(jìn)，提出一種能夠有效提取高分辨率遙感影像道路的方法，即利用多層次融合結(jié)構(gòu)提取深層和淺層特征并結(jié)合CBAM模塊，增強(qiáng)對道路特征信息的辨識能力，并改進(jìn)損失函數(shù)，以提高遙感影像的道路提取精度。

1 道路提取網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

1.1 改進(jìn)的UNet++

本文方法以UNet++網(wǎng)絡(luò)為基礎(chǔ)，進(jìn)行了3個方面的改進(jìn)。1） 通過多層卷積提取道路特征，深層和淺層特征融合后再利用上采樣進(jìn)行恢復(fù)，得到多層級別的道路語義信息。2） 在UNet++中融合CBAM模塊，利用CBAM提高對道路特征信息的辨別能力，減少對非道路特征的學(xué)習(xí)能力。3） 融合2種新型損失函數(shù)，得到更有效的損失函數(shù)。該函數(shù)具有更好的穩(wěn)定性，與交叉熵相比更能解決類不平衡問題。由于本文算法是在UNet++的結(jié)構(gòu)上進(jìn)行改進(jìn)，因此與原結(jié)構(gòu)相似，包括編碼器-解碼器組成。影像在編碼中得到道路特征信息，在解碼器中恢復(fù)邊界特征，以此進(jìn)行道路特征提取，如圖1所示。

在編碼器中，卷積提取道路特征并通過激活函數(shù)進(jìn)行非線性表達(dá)，再通過池化作用逐層減少特征圖尺寸和參數(shù)。在本文結(jié)構(gòu)中，多層次卷積特征通過每一層次的卷積操作增加通道，進(jìn)而對道路信息進(jìn)行逐層特征提取。在解碼器中，通過上采樣將特征圖恢復(fù)為輸入大小，并通過卷積操作和激活函數(shù)逐漸恢復(fù)道路的邊界細(xì)節(jié)信息。在解碼器中，嵌套的多個解碼器可使不同特征圖共同作用，以便適應(yīng)不同的特征信息提取，提高網(wǎng)絡(luò)模型的適用性。然后在不同深度的特征圖后使用CBAM模塊，進(jìn)一步篩選識別道路特征，以此提高對道路特征信息的識別能力，減少參數(shù)并防止出現(xiàn)過擬合現(xiàn)象。CBAM模塊學(xué)習(xí)不同層次的特征并得到權(quán)重值，權(quán)重值與上采樣得到的特征信息圖融合為最終的權(quán)重分割圖WSM（Weighted Segmentation Map，WSM），可進(jìn)一步提高道路提取的分割精度。在最終層，對每一個像素進(jìn)行分類，在softmax激活函數(shù)的作用下完成類別預(yù)測。此外，在改進(jìn)的聯(lián)合損失函數(shù)的作用下，難以分割的特征得到了有效關(guān)注，提高了分割精度。

1.2 多層級特征融合結(jié)構(gòu)

多層次特征融合結(jié)構(gòu)是利用多層次特征卷積提取道路的深層和淺層信息并進(jìn)行道路分割的結(jié)構(gòu)。具體結(jié)構(gòu)如圖2所示。與UNet直接進(jìn)行4次下采樣不同，該結(jié)構(gòu)通過1次下采樣D1、2次下采樣D2、3次下采樣D3和4次下采樣D4來提取不同層深度特征的語義信息。

1.3 CBAM模塊

在高分辨率遙感影像道路分割任務(wù)中，道路目標(biāo)具有形狀多樣、大小不一等特點，這就導(dǎo)致使用單一的上采樣操縱無法準(zhǔn)確識別道路的邊界特征，進(jìn)而影響道路提取的整體精度。為了能夠準(zhǔn)確解決邊緣細(xì)節(jié)提取不準(zhǔn)確的問題，本文在每個多層次特征融合結(jié)構(gòu)后均添加了CBAM結(jié)構(gòu)。進(jìn)行上采樣提取時，不同的提取結(jié)果通常具有多樣性，單一的上采樣無法準(zhǔn)確識別每層特征圖的道路邊界，因此需要在每層后均增加CBAM結(jié)構(gòu)。在多層特征結(jié)構(gòu)后添加CBAM能夠?qū)⒓訖?quán)信息作用到各個特征圖中，進(jìn)而提升分割精度，如圖3所示。

1.4 聯(lián)合損失函數(shù)

目前的遙感影像分割任務(wù)中損失函數(shù)較多，其中常見的損失函數(shù)包括交叉熵?fù)p失函數(shù)和骰子系數(shù)損失函數(shù)。在交叉熵?fù)p失函數(shù)中，通常正樣本與負(fù)樣本的數(shù)量比例會使模型預(yù)測結(jié)果有偏差，進(jìn)而導(dǎo)致分割精度下降。DICE損失函數(shù)的本質(zhì)是DICE系數(shù)的相反數(shù)。DICE系數(shù)是一種集合相似度度量函數(shù)，通常用于計算2個樣本的相似度（值范圍為[0，1]），如公式（1）所示。

（1）

式中：Yb、分別為第b張圖片的向量化后的真實標(biāo)簽和對應(yīng)的預(yù)測概率；N為批量大小。

該混合損失函數(shù)可使網(wǎng)絡(luò)訓(xùn)練過程較穩(wěn)定，并能提高模型預(yù)測的分割精度。

2 試驗結(jié)果和分析

2.1 數(shù)據(jù)集構(gòu)建

將改進(jìn)的UNet++網(wǎng)絡(luò)在Massachusetts道路數(shù)據(jù)集進(jìn)行對比試驗。Massachusetts道路數(shù)據(jù)集空間分辨率為1m，切片大小為（512×512）dpi，最終選取640張照片作為試驗對象。將其按照7∶2∶1的比例劃分為訓(xùn)練集、測試集和驗證集。2個數(shù)據(jù)集上的部分影像和對應(yīng)的標(biāo)簽如圖4所示。

2.2 試驗結(jié)果于分析

為驗證上述方法的有效性和優(yōu)越性，本文在Massachusetts道路數(shù)據(jù)集上以SegNet、UNet、UNet++和本文提出的改進(jìn)UNet++道路提取方法進(jìn)行試驗，并比較試驗結(jié)果。部分試驗提取結(jié)果如圖5所示。

從圖5可以看出，在4組試驗中，當(dāng)?shù)缆方Y(jié)構(gòu)較簡單時，4種方法均具有不錯的提取效果。但是當(dāng)?shù)缆非闆r較復(fù)雜時，SegNet和UNet的提取效果較差，提取結(jié)果存在嚴(yán)重的道路不連續(xù)現(xiàn)象，完整度較差。圖5（p）和圖5（u）中還存在提取不準(zhǔn)確的現(xiàn)象。SegNet的提取結(jié)果比UNet提取結(jié)果更好一些，但是提取結(jié)果的連續(xù)性仍然較差。UNet++的提取結(jié)果比UNet和SegNet更好，不連續(xù)現(xiàn)象明顯改進(jìn)，提取結(jié)果更優(yōu)。但是UNet++的提取結(jié)果在邊緣細(xì)節(jié)處理和道路連續(xù)性方面仍然不盡如人意，提取結(jié)果存在道路不連通、邊緣細(xì)節(jié)丟失等情況。本文方法的提取結(jié)果在提取不連續(xù)現(xiàn)象方面得到了明顯的改進(jìn)，提取結(jié)果邊緣細(xì)節(jié)更詳細(xì)。這得益于本文引用的CBAM模塊，對道路的特征信息篩選進(jìn)行了改進(jìn)，能夠準(zhǔn)確識別道路特征。并且本文應(yīng)用了新的聯(lián)合損失函數(shù)，使網(wǎng)絡(luò)訓(xùn)練更穩(wěn)定，提取結(jié)果邊緣細(xì)節(jié)更詳細(xì)，整體提取結(jié)果更完整。以上均說明本文方法的更具有效性和優(yōu)越性，適用于高分辨率遙感影像道路的提取任務(wù)。

Massachusetts 道路數(shù)據(jù)集對比方法在道路提取中的定量評價結(jié)果見表1。從中可以看出，UNet網(wǎng)絡(luò)和SegNet網(wǎng)絡(luò)的MIoU分別為61.67%和70.82%，均低于UNet++網(wǎng)絡(luò)。而本文方法的MIoU比UNet++高7.01%。從Recall來看，UNet為75.76%，SegNet為64.57%，UNet++為80.23%，

本文方法高于其他3種方法，比UNet高13.31%。從OA來看，本文方法為94.92%，其他方法均低于90%。從Kappa系數(shù)來看，UNet網(wǎng)絡(luò)為0.7045，SegNet網(wǎng)絡(luò)為0.7594，UNet++網(wǎng)絡(luò)為0.8176，本文方法為0.9202，遠(yuǎn)高于其他3種方法。以上定量指標(biāo)均說明本文方法在引用CBAM模塊和改進(jìn)的損失函數(shù)后，道路特征識別有所提升，能夠有效地進(jìn)行高分辨率遙感影像道路提取，驗證了本文算法的可行性。

3 結(jié)論

本文提出了一種適用于高分辨率遙感影像道路提取的改進(jìn)UNet++網(wǎng)絡(luò)，在UNet++網(wǎng)絡(luò)的基礎(chǔ)上融合CBAM模塊，使提出網(wǎng)絡(luò)更高效且更有針對性。利用新的融合損失函數(shù)，本文方法對道路特征信息的識別能力得到進(jìn)一步增強(qiáng)，提高了提取精度。道路提取結(jié)果的定量分析表明，本文算法在各項評價指標(biāo)上均優(yōu)于其他3種方法，說明本文算法更具高效性、準(zhǔn)確性以及針對性。

參考文獻(xiàn)

[1]王偉.基于深度學(xué)習(xí)的高分辨率遙感圖像分割方法[J].智能計算機(jī)與應(yīng)用，2023（10）：156-158.

[2]趙久玉，蔡建超.基于Unet++網(wǎng)絡(luò)的數(shù)字巖心圖像分割泛化能力[J].中國石油大學(xué)學(xué)報（自然科學(xué)版），2024（2）：118-125.

[3]王書韜，史明昌，陳春陽，等.UNet++結(jié)合BP神經(jīng)網(wǎng)絡(luò)提取地表覆蓋類型[J].武漢大學(xué)學(xué)報（工學(xué)版），2024（1）：121-128.