基于Faster R-CNN和MorphACWE模型的SAR图像高原湖泊提取

doi:10.6046/gtzyyg.2020067

基于Faster R-CNN和MorphACWE模型的SAR图像高原湖泊提取

董天成^,¹, 杨肖¹, 李卉², 张志^,¹, 齐睿³

1.中国地质大学(武汉)地球物理与空间信息学院,武汉 430074

2.中国地质大学(武汉)地球科学学院,武汉 430074

3.32023部队,大连 116023

The extraction of plateau lakes from SAR images based on Faster R-CNN and MorphACWE model

DONG Tiancheng^,¹, YANG Xiao¹, LI Hui², ZHANG Zhi^,¹, QI Rui³

1. Institute of Geophysics & Geomatics, China University of Geosciences, Wuhan 430074, China

2. School of Earth Science,China University of Geosciences, Wuhan 430074, China

3. 32023 Troops, Dalian 116032, China

通讯作者: 张志(1964-),男,博士,教授,研究方向为生态地质和遥感地质。Email:171560655@qq.com。

责任编辑: 李瑜

收稿日期: 2020-03-6 修回日期: 2020-05-15 网络出版日期: 2021-03-15

基金资助:

中国地质调查局项目“全国矿山环境恢复治理状况遥感地质调查与监测”.  DD20190705
国家自然科学基金项目“环境示踪剂辅助的高寒山区融雪径流过程模拟研究”.  41401076
青海省青藏高原北部地质过程与矿产资源重点实验室开放课题共同资助.  2019-KZ-01

Received: 2020-03-6 Revised: 2020-05-15 Online: 2021-03-15

作者简介 About authors

董天成(1996-),男,硕士研究生,研究方向为深度学习地物目标检测。Email: 741204260@qq.com。

摘要

青藏高原湖泊是高原生态环境中最重要的自然要素之一,实现青藏高原湖泊调查与监测是现阶段迫在眉睫的任务。由于水体在SAR图像上呈现出独特的镜面反射特征,使得利用SAR图像进行湖泊的提取与分析成为当下研究热点。为进一步排除干扰地物影响、提高分类准确度,采用欧空局Sentinel-1A干涉宽幅模式的斜距单视复数产品(SLC)为主要数据源,Sentinel-2A多光谱影像Level-1C产品作为参考数据源,提出一种结合改进Faster R-CNN和MorphACWE轮廓模型的SAR图像湖泊提取算法(Faster Region-based Convolution Neural Network-MorphACWE,FR-MorphACWE)。该算法结合深度学习目标检测算法的高维特征分析和MorphACWE模型的边界提取,从综合干扰多湖泊提取角度进行分类实验评价,充分利用高原湖泊的形态学和雷达反射特征,实现西藏自治区那曲市南部至日喀则市北部高原湖泊高精度提取。实验结果表明,该算法在综合干扰多湖泊情境下准确率可达99.71%,精准率和召回率均高于98%,可作为SAR图像高原湖泊提取的新算法加以推广和应用。

关键词： 目标检测 ; Faster R-CNN ; CV轮廓模型 ; 合成孔径雷达 ; 高原湖泊提取

Abstract

Lakes in the Tibetan Plateau constitute one of the most important natural factors in the plateau ecological environment. So, it is an urgent task to investigate and monitor lakes in the Tibetan Plateau. Because of the unique backscatter characteristics of water body in the image, the extraction and analysis of the lake based on SAR image has become a research hotspot. In order to further eliminate the interference of surface features and improve the classification accuracy, this paper proposes a high-precision lake extraction FR-MorphACWE (Faster Region-based Convolution Neural Network-MorphACWE) model of SAR image. The Interferometric Wide Swath (IW SLC) of the European Space Agency's sentinel-1A interference wide-band mode is used as the main data source, and the sentinel-2a multispectral image level-1c product is used as the reference data source. This model combines the morphological analysis advantages of Faster R-CNN target detection algorithm and the contour extraction advantages of MorphACWE model. The classification experiments were carried out from extraction of comprehensive interference multi-lake. The target detection algorithm was applied to eliminate non - lake surface disturbance. On such a basis, the active contour model was used to extract the lake boundary, and the morphological characteristics and radar reflection characteristics of plateau lakes were fully utilized to achieve high-precision extraction of plateau lakes from the south of Naqu City to the north of Xigaze City in Tibet. The experimental results show that the accuracy of the algorithm can reach 99.71% and the accuracy and recall rate are higher than 98% in the situation of multi-lake interference.

Keywords： Target detection ; Faster R-CNN ; CV model ; SAR ; plateau lake extraction

PDF (5321KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

董天成, 杨肖, 李卉, 张志, 齐睿. 基于Faster R-CNN和MorphACWE模型的SAR图像高原湖泊提取. 国土资源遥感[J], 2021, 33(1): 129-137 doi:10.6046/gtzyyg.2020067

DONG Tiancheng, YANG Xiao, LI Hui, ZHANG Zhi, QI Rui. The extraction of plateau lakes from SAR images based on Faster R-CNN and MorphACWE model. REMOTE SENSING FOR LAND & RESOURCES[J], 2021, 33(1): 129-137 doi:10.6046/gtzyyg.2020067

0 引言

青藏高原分布有地球上海拔最高、数量最多、面积最大,以盐湖和咸水湖集中为特色的高原内陆湖群,是我国湖泊分布密集的地区之一,其湖泊总面积约占全国湖泊总面积的一半^[1]。2019年7月亚洲水塔国际研讨会上,中国科学家提出的以青藏高原冰川和湖泊为核心的第三极水塔计划^[2]受到广泛关注,青藏高原冰川及湖泊变化情况已成为国际水资源研究与实践探索的热点之一。实现冰川和湖泊的准确监测是青藏高原水资源科学化管理的必要前提^[3]。由于青藏高原区域自然环境恶劣,实地调查测绘等工作受制约情况明显,利用遥感影像进行高原湖泊边界及面积监测成为目前最高效的手段之一。合成孔径雷达(Synthetic Aperture Radar,SAR)主要反映地物的后向散射信息^[4],使得以镜面反射为主的湖泊呈现出完全不同于冰川和陆地等其他地物的特征。由于不受天气、昼夜和季节的影响,SAR图像已成为现阶段湖泊勘测的重要数据源。

基于阈值分割的SAR图像湖泊信息提取方法是国内外较早一批发展完善的高效提取方法,2010年,安成锦等^[5]利用典型Otsu算法阈值分割处理RadarSat-1影像,证明了多阈值SAR图像水域分割的使用价值,最终分割结果精度达93.47%; 2013年,李智慧等^[6]利用混合阈值法处理Envisat ASAR影像实现了阳澄湖轮廓提取,精度达99.41%,证明了其精度高于传统单纯一维或二维算法。值得注意的是,阈值分割方法简单、运算速度快,能进行快速水体提取,但在区分与水体散射特征相似的地物时误分情况较为明显且缺乏空间特征考量。

为进一步提高湖泊提取精度,部分学者开始将SAR图像中的水体纹理和形态特征引入用于辨识水体。Hahmann T等^[7]利用Snake主动轮廓模型实现了TerraSAR-X数据中的湖泊分割,精度相较于阈值分割法提升明显; 王庆等^[8]将纹理特征与第一主成分阈值相结合,实现基于SAR数据的鄱阳湖水体变化监测; Jin H等^[9]和邓滢等^[10]均提出结合纹理特征与极化特征进行极化SAR图像水体识别,精度达98.89%,同一实验区相较于基于像素的分类算法提高约6%; 冷英等^[11]利用模糊C均值聚类法(Fuzzy C-Means,FCM)提取哨兵1A数据中的水体区域,实现速度提升明显,精度可达97.60%; Sghaier M O等^[12]提出局部纹理描述子与形态学相结合提取湖泊轮廓曲线的算法,利用RADARSAT-2图像实现了加拿大多个地区湖泊提取,精度达到98.50%; Li N等^[13]提出了噪声过滤器与改进的几何轮廓模型组合算法,基于高分三号和Sentinel-1A数据实现了丹江口水库的水线提取与动态监测。值得注意的是,上述多种方法还缺乏高级语义特征的加入,且实验区差异性较大,各算法推广性存在较大障碍。

由于对深层高维特征的挖掘能力和高应用泛化能力,深度学习算法逐步成为时下基于SAR图像湖泊提取的热点算法。Zhang Y等^[14]利用神经网络算法实现了基于高分三号影像的中国山西省岱海湖泊边界提取,精度相较于传统算法提升明显; Shang F等^[15]利用四元数神经网络实现了PolSAR图像的复杂地表下湖区提取; Yang F Y等^[16]利用Mask R-CNN实例分割算法^[17]对包括SAR数据在内的多种数据集进行训练,生成检测模型在提取规则形状的水体时准确度达90%,提取不规则水体准确度达76%,但在结论中发现Mask R-CNN在提取多水体样本时检测效果不佳。

上述各类算法均为低维或高维特征单一分析水体提取,已实现较高准确度的SAR图像湖泊提取,但当进行大范围多湖泊提取时,部分算法会受相似特征地物干扰,影响最终提取准确度。实现高维特征与低维特征的结合会使分类精度继续有提升的可能。基于此,本文提出结合Faster R-CNN和MorphACWE的湖泊提取算法,使用欧洲航天局哥白尼计划(GMES)中的Sentinel-1A卫星的C波段合成孔径雷达数据作为卷积神经网络的训练样本和测试样本数据源,通过Faster R-CNN的目标检测算法分析高维特征,实现大范围区域内的湖泊中心点确定,再通过MorphACWE轮廓模型结合低维湖泊纹理特征完成湖泊边界划分,综合实现大范围区湖泊端对端语义分割,在综合干扰下多湖泊提取结果精度达99.71%。

1 研究区概况及数据源

1.1 研究区概况

研究区位于中国西藏自治区那曲市南部至日喀则市北部,如图1所示,范围为30°40'~ 33°01'N、86°37'~ 92°19'E。覆盖面积约为17万km²,平均海拔约4 600 m,拥有面积50 km²以上的湖泊38个,1 km²以上湖泊70多个。湖泊多为咸水湖,分布较为密集,同时又由于藏西地区植被稀少,较小时间跨度下湖泊变化情况不明显,环境干扰因素较少。重点检测区共包含1 km²以上湖泊6个,其中面积最大的为面积244.7 km²的达则措。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区概况示意图

Fig.1 Research area overview

1.2 数据源

实验数据选择欧空局Sentinel-1A干涉宽幅模式(TOPS Mode)的斜距单视复数产品(SLC),空间分辨率为5 m×20 m。共选择研究区范围内VV和VH极化影像13幅,成像时间为2019年7月1日至2019年8月18日,数据列表如表1所示。上述数据均进行辐射定标、地形校正、地理编码和噪声去除等预处理。研究区内影像为目标检测模块训练样本集数据来源,重点检测区内影像为输出模型检测数据。

表1 研究使用数据

Tab.1 Data in the study area

数据类型	成像时间	极化方式	空间分辨率/m	单张图幅大小/km²
Sentinel-1A	2019-07-01	VV	5×20	250×180
	2019-07-08	VV
	2019-07-13	VV
	2019-07-25	VV/VH
	2019-07-27	VV/VH
	2019-07-31	VV
	2019-08-01	VV
	2019-08-06	VV
	2019-08-07	VV/VH
	2019-08-16	VV
Sentinel-2A	2019-07-22	—	10	110×110
	2019-08-11
	2019-09-05
	2019-09-22

新窗口打开| 下载CSV

参考数据为欧空局Sentinel-2A的多光谱影像经正射校正和亚像元级几何精校正后的大气表观反射率产品(Level-1C)数据,该影像共13个波段,空间分辨率为10 m。由于云雾影响,仅选取4幅影像,成像时间为2019年7月22日和2019年9月22日。完成辐射定标和大气校正等预处理后,对其进行人机交互解译,分类解译成果是后期进行多方法分类结果精度评价的重要参考数据。

2 研究方法

2.1 改进型Faster R-CNN目标检测算法

2.1.1 基于VGG16的Faster R-CNN

在R-CNN和Fast R-CNN目标检测算法基础上,Ren S Q等提出了Faster R-CNN算法^[18]。该算法由两个重要部分组成,分别是基于全卷积的区域生成网络 (region proposal networks,RPN)和基于区域的目标识别网络Fast R-CNN。两个网络结构共享卷积层参数,使得Faster R-CNN算法的检测速度和精度都获得大幅提高。

Faster R-CNN的工作流程分4步,如图2所示,第一步将图像输入VGG16卷积神经网络,提取出图像的各项特征,输出特征图像; 第二步将特征图像输入RPN网络中,通过Anchors(候选框种类k=9)输出大量候选区域框; 第三步将第一步的特征图像和第二步RPN输出的候选区域框共同输入Fast R-CNN框架; 第四步结合Softmax层的候选框中各类别概率分析和全连接层的候选区域精确校正,最终输出目标检测结果。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 Faster R-CNN结构图

Fig.2 Structure of Faster R-CNN

2.1.2 改进型特征提取器

VGG16网络的池化层位于卷积层后,主要目的为降低图像维度,改善过拟合情况。原版特征提取器VGG16中所使用的多个最大池化层可以较好地保留图像区域特征和纹理信息。但值得注意的是由于本文所需处理的影像数据为SAR数据,该数据中极易出现大量噪声信息,虽然对原始数据已进行LEE滤波等去噪处理,但离完全去除噪声仍有部分距离,所以此时利用最大池化层进行池化操作可能会导致部分高噪声区域的信息误判,由于前向传播的连续性,这一信息误判会一直影响到最终结果的输出; 此外池化层在增大感受野的同时会导致部分信息缺失,这对基于像元任务的结果预测有一定的影响^[19]。基于上述问题,本文将原版特征提取器VGG16中的4个最大池化层更换为步长为2的卷积层,卷积核大小为3×3,如图3所示。更换后的特征提取器可以更好地保留图像的背景信息,也可以在一定程度上实现去噪功能,3×3的卷积核可以在保持原始数据的纹理信息基础上减少特征损失。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 改进型VGG16结构图

Fig.3 Structure of Improved VGG16

2.2 MorphACWE轮廓模型

无边界主动轮廓模型(Active Contours without Edges,ACWE)是一种全局最优的轮廓提取模型,于2001年由Chan和Vese提出^[20],故又称CV模型。CV模型假设图像可以分为均匀同质区域,利用目标和背景的灰度值与各自对应的平均灰度值差的平方来构建驱动函数。

假设一幅图像为 $I (x)$ ,则其无边界主动轮廓能量泛函可表示为:

(1)

F (c_{1}, c_{2}, C) = μ \cdot L (C) + ν \cdot A (inside (C)) + λ_{1} \int_{inside}^{(C)} (I (x) - c_{1}) d x + λ_{2} \int_{outside}^{(C)} (I (x) - c_{2}) d x

式中: C为轮廓曲线内区域; $c_{1}$ 和 $c_{2}$ 分别为轮廓线内外部区域的灰度均值; $μ$ 为约束边界长度的参数; ν为约束闭合轮廓面积的常数; λ₁和λ₂为控制轮廓线内外能量权重的参数; inside(C)为目标区域,outside(C)为背景区域; 长度约束L和面积约束A用于控制轮廓线的光滑度和规则度。

公式右侧第一和第二项均为轮廓曲线内力,在迭代过程中可以控制过分割和误分割产生的多余轮廓; 第三项和第四项为外力,用来引导曲线收敛到目标边界处。

当F(C)取最小值时,轮廓线即为实际区域边界。引入水平集可简化极小化能量函数,演化曲线用水平集函数 $u$ 表示,同时加入一维Dirac测度函数及Heaviside函数,可得:

(2)

\frac{\partial u}{\partial t} = |▽ u| [μdiv (\frac{▽ u}{|▽ u|}) - ν - λ_{1} {(I - c_{1})}^{2} + λ_{2} {(I - c_{2})}^{2}]

值得注意的是原始CV模型需要使用数值积分方法来求解偏微分方程和水平集,计算成本相对较高,且存在一定稳定性问题。基于此,2014年Marquez-Neila P等^[21]提出一种基于曲率形态算子的无边界主动轮廓模型(MorphACWE) ,通过在二元水平集上定义一组具有等价无穷小行为的形态算子来实现偏微分方程的数值解。

假设第n次迭代后轮廓曲线变为 $u^{n}$ ,则第n+1次函数变为:

(3)

u^{n + \frac{1}{3}} (x) = \{\begin{array}{l} (D_{d} u^{n}) (x) (ν > 0) \\ (E_{d} u^{n}) (x) (ν < 0) \\ u^{n} (x) (ν = 0) \end{array}

u^{n + \frac{2}{3}} (x) = \{\begin{array}{l} 1, |▽ u^{n + \frac{1}{3}}| (λ_{1} {(I - c_{1})}^{2} - λ_{2} {(I - c_{2})}^{2}) (x) < 0 \\ 0, |▽ u^{n + \frac{1}{3}}| (λ_{1} {(I - c_{1})}^{2} - λ_{2} {(I - c_{2})}^{2}) (x) < 0 \\ u^{n + \frac{1}{3}} |▽ u^{n + \frac{1}{3}}| (λ_{1} {(I - c_{1})}^{2} - λ_{2} {(I - c_{2})}^{2}) (x) = 0 \\ u^{n + 1} (x) = ((S I_{d} ° I S_{d})^{μ} u^{n + \frac{2}{3}}) (x) \end{array}

式中: $D_{d}$ 为扩张运算; $E_{d}$ 为收缩运算; $S I_{d} ° I S_{d}$ 为平滑操作中的曲率形态算子。

MorphACWE模型相较于原版CV模型运算速度更快,计算成本更低,稳定性更强,相较于Snake模型和GAC模型则具有更好的抗噪性能^[22],并且通过获取全局最优值可以更好地处理有模糊边缘甚至离散状边界的目标,故成为现阶段最为高效的轮廓提取算法之一。但CV系列模型的缺陷在于在对区域分割时分割结果过于依赖初始值^[23],MorphACWE模型的初始值确定对分割精度和速度影响较大。

2.3 FR-MorphACWE算法构建

现有算法通过低维或高维特征单一分析水体提取,已实现较高准确度的SAR图像湖泊提取,但当处理大范围多湖泊提取时,部分算法会受相似特征地物干扰,影响最终提取准确度; 此外尝试将高维深层特征与低维特征结合可以使分类精度进一步提升。

基于上述问题,本文提出的FR-MorphACWE(Faster Region-based Convolution Neural Network-MorphACWE)算法以改进的Faster R-CNN目标检测算法和MorphACWE轮廓模型为基础进行构建。首先利用改进型Faster R-CNN对训练集数据进行训练,利用训练结果模型对检测数据进行分类检测,删去原有算法中的识别输出层,对接MorphACWE模型,直接将识别区域的中心点坐标位置作为轮廓曲线膨胀初始点,再通过轮廓曲线的内外力引导膨胀,最终迭代出最佳轮廓线,精准划分湖泊边界,实现湖泊与非湖泊的语义分割,架构如图4所示。上述模型设计既可以保留原有Faster R-CNN目标识别的准确度,同时由于直接输出识别区域中心点,避免了候选框与初始回归位置的偏差; 此外利用MorphACWE模型提取轮廓可以较好地保证目标的内部同质性和空间一致性。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 FR-MorphACWE算法架构图

Fig.4 Structure of FR-MorphACWE

3 实验与分析

3.1 实验步骤

为验证本文方法有效性,具体实验步骤(图5)共分以下3步。第一,对研究区内Sentinel-1A影像进行预处理,裁剪为小块后建立L-SAR数据集进行检测模型训练; 第二,利用引言中所提到SAR图像湖泊提取发展各阶段典型算法: OTSU阈值分割算法、模糊C均值分类、Mask R-CNN算法和本文提出FR-MorphACWE算法从综合干扰下的多湖泊提取角度进行分类实验; 第三通过计算准确率、精准率、召回率、F1分数和Kappa系数实现湖泊提取效果定量评价。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 实验流程

Fig.5 Experimental procedures

3.2 模型训练与超参数设置

3.2.1 L-SAR数据集

样本集是深度学习模型的血液。本文以PASCAL VOC数据集为蓝本构建高原湖泊SAR数据集(L-SAR数据集),数据源为13景完成预处理后的Sentinel-1A影像,选取大小湖泊共73个,利用图像裁剪和数据增强处理共生成样本数据共1 200景,训练湖泊累计1 872个,单景样本数据尺寸在147像元×285像元到357像元×500像元范围内且保持每景中存在1~5个湖泊。为使最终输出模型拥有更好鲁棒性,L-SAR数据集包含不同极化方式、尺寸和区域位置等成像条件的样本数据。将数据集中的960景作为Faster R-CNN的训练数据集(占比70%),240景作为测试数据集(占比20%),120景作为验证数据集(占比10%)。

3.2.2 模型超参数及训练

本文模型基于Tensorflow框架,进行CUDA8.0加速后在GPU(NVIDIA GTX 1050ti 4 GB显存)中实现检测模型训练,具体参数如表2,训练时长为12 h25 min。模型损失率折线图如图6,损失率最终收敛至0.047 3~0.051 4。

表2 FR-MorphACWE超参数设置表

Tab.2 FR-MorphACWE super parameter settings

参数	基础学习速率	动量	子训练集	IOU 阈值	检测模型训练次数	Morph ACWE 模型迭代次数
取值	0.001	0.9	256	0.7	40 000	700

新窗口打开| 下载CSV

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 损失率折线图

Fig.6 Loss rate line chart

3.3 综合干扰多湖泊提取

多湖泊提取的主要问题在于多干扰因素的综合影响,主要干扰因素包括高原冰川和湖心岛,高原冰川多呈雪白色且整体表面光滑^[24],在接收到微波传感器发射的信号时后向散射极低; 湖心岛是湖泊中露出水面的陆地,其上土壤水分含量相对高,后向散射系数也与水体近似^[25]。此外研究区内湖泊数量、大小差异性较大,形态复杂度和水质变异度较高。受影像分辨率限制,研究范围内仅选取6个1 km²以上湖泊作为分类目标进行综合精度评价,其中最大的湖泊为达则错,面积244.7 km²,面积最小的湖泊位于研究区中部偏东南方向,面积为4.95 km²。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 多湖泊SAR图像强度值对比

Fig.7 Multi-lake SAR image intensity value comparison

对比各湖泊的强度值不难发现,在选取各湖泊深水区的情况下,其强度值存在部分差异,其中湖泊4的强度峰值最小,整体湖泊平均值为0.004 806; 湖泊3的强度峰值最大,整体湖泊平均值为0.015 124; 同时存在冰川、湖心岛等其他多种干扰地物影响下,各分类算法均出现小范围误分情况,各分类方法结果如表3所示; 各分类方法结果准确率、精准率、召回率、F1指标和Kappa系数如表4所示; 各分类方法结果与真实值差异图如图8所示。

表3 各分类方法提取结果对比

Tab.3 Comparison of extraction results of different classification methods

新窗口打开| 下载CSV

表4 各分类方法精度对比

Tab.4 Accuracy comparison of different classification methods

分类方法	准确率/%	精准率/%	召回率/%	F1分数	Kappa系数
OTSU阈值分割	94.612 2	92.518 4	69.244 7	79.207 3	0.761 9
模糊C均值算法	85.215 2	96.671 9	42.655 4	59.192 7	0.517 7
Mask R-CNN算法	98.791 0	94.686 3	94.429 4	94.557 7	0.938 8
FR-Morph-ACWE算法	99.716 4	98.809 7	98.636 4	98.723 0	0.985 6

新窗口打开| 下载CSV

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 各分类方法结果与真实值差异图

Fig.8 Difference between the results of each classification method and the true value

总结表3、表4和图8各项指标可得,如表4中 OTSU阈值分割算法在处理大范围且存在冰川、湖心岛等干扰地物的区域时召回率仅为69.244 7%,大量干扰地物无法与湖泊区分出来。如表3研究区1号范围内的大量冰川和山体阴影等非湖泊区域被划分为湖泊,但研究区2号范围内的湖心岛整体识别情况较为良好。由于OTSU阈值分割算法是基于像素和阈值的分类算法,极易受到影像椒盐噪声的影响,分类结果湖泊内部的同质性受影响降低明显,整体准确率、精准率和召回率相较于后续深度学习算法还存在明显差距。

模糊C均值算法分类结果准确率低于其他3种分类算法,召回率低于50%,研究区北部几乎无法实现干扰排除,大量高原冰川被划分为湖泊,且多湖泊内部同质性受噪声影响明显。主要原因为模糊C均值算法是一种无监督聚类算法,通过迭代求解目标函数最小化的过程来确定每一个样本分类隶属度,其对初始值和噪声值非常敏感,迭代极易陷入局部极值, 导致偏离全局最优。

Mask R-CNN实例分割算法是基于Faster R-CNN的重要改进算法,整体框架与Faster R-CNN保持一致,其创新性地加入了全连接的分割子网,实现了目标的实例分割。由于挖掘地物高维特征信息,结果准确度相较于OTSU阈值分割算法和模糊C均值算法有大幅提升,湖泊内部同质性非常强。其准确度高达98.79%,精准率和召回率也均高于94%,证明了提升高维特征挖掘能力对提取精度的显著影响。但从图8中不难发现,其分类结果中的湖泊边界较为圆滑,与真实情况差距较大,未实现精准湖泊边界勾画,湖泊内湖心岛也被误分为湖泊。其原因主要由于分割子网利用反卷积操作来实现湖泊面提取,无法提供精度更高的边界信息。

结合深度学习高维特征分析和边缘轮廓模型目标边缘分割算法的FR-MorphACWE算法最大特点在于自适应能力较强,在处理综合干扰下的多湖泊提取情况下分类精度达到99%以上,且精准率和召回率均保持在98%以上,均明显高于其他3种分类算法。由于结合了MorphACWE轮廓模型的边缘提取算法,湖泊外部轮廓清晰、内部同质性较强,不会受到影像椒盐噪声的影响。此外本文提出算法运行步骤较少,人为后续干预度低,优势更为明显。

4 结论

本文提出的FR-MorphACWE算法综合改进型Faster R-CNN目标检测算法的高维特征分析和MorphACWE轮廓模型的边界提取算法,实现了SAR图像的高原湖泊端对端语义分割。本文在西藏自治区那曲市南部至日喀则市北部展开实验,实现了多干扰、大尺度影响下的高精度湖泊提取,通过与OTSU阈值分割、模糊C均值和Mask R-CNN算法的对比可明显发现,本文提出的FR-MorphACWE算法整体参数设置少、需求数据量小、运行周期短、自适应能力强、泛化性能好,可以作为SAR图像湖泊提取的新算法加以推广和应用。

本文FR-MorphACWE算法的普适性还有待在中国地形二级阶梯和三级阶梯湖泊密集区做进一步检验,同时在下一阶段的研究中可选择以多源遥感数据作为数据源,在高准确度提取的基础上,实现多时相变化检测。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

王苏民, 窦鸿身, 陈克造, 等. 中国湖泊志[M]. 北京: 科学出版社, 1998: 7.