楊漢源，趙 偉，陳 樂，孟亞魁（中國聯(lián)通浙江省分公司，浙江杭州 325800）

0 引言

隨著通信技術的發(fā)展以及大數(shù)據(jù)的應用，當前針對LTE網(wǎng)絡的覆蓋評估［1-2］，已從小區(qū)級KPI、MR指標評估擴展至地理化、柵格化評估，結合場景的電子邊框可準確評估場景的覆蓋情況以及覆蓋問題所在的具體位置，對網(wǎng)絡建設及優(yōu)化具有重要的指導作用。但在實際的無線環(huán)境中存在著大量山體與水域。這些區(qū)域中，大部分為人跡罕至區(qū)域或無人區(qū)，并不需要LTE網(wǎng)絡覆蓋。當前，常用的網(wǎng)絡覆蓋評估指標為有效柵格占比（有MR采樣點的柵格面積/場景面積）和良好柵格占比（良好柵格覆蓋面積/場景面積）。據(jù)浙江省政府的統(tǒng)計數(shù)據(jù)，浙江山地和丘陵占74.63%，平坦地占20.32%，河流和湖泊占5.05%。相較平原地區(qū)，如果不剔除浙江省內的山體與水域的面積，將無法體現(xiàn)浙江省內各場景的真實網(wǎng)絡覆蓋情況。因此，本文提出了一種基于衛(wèi)星地圖的圖像語義分割方法［3］，通過U-Net［4］算法獲得山、水的電子邊框，在網(wǎng)絡評估中將這些無人區(qū)域剔除。該方法可有效區(qū)分網(wǎng)絡無覆蓋區(qū)域與無人區(qū)域，對網(wǎng)絡規(guī)劃建設及優(yōu)化具有重要意義。

1 主要思路與流程

如圖1所示，為獲取山體與水域的電子邊框，首先從互聯(lián)網(wǎng)上分地（市）下載浙江全省的衛(wèi)星地圖，選取部分區(qū)域作為訓練樣本，使用圖像處理領域流行的標注軟件LabelMe對區(qū)域內的山體和水域進行標注，然后將標注好的圖像隨機切分成256×256的小尺寸圖片，并利用圖像增強技術，對原始數(shù)據(jù)集進行擴充。完成數(shù)據(jù)預處理后，將得到的小尺寸圖片及其對應標簽作為訓練集，輸入U-Net網(wǎng)絡進行模型訓練和參數(shù)調優(yōu)。確定最終模型后，將浙江全省的衛(wèi)星地圖分地（市）輸入該模型進行預測，得到目標區(qū)域山體和水域的輪廓，利用經緯度坐標轉換計算公式提取輪廓的經緯度坐標，進而生成目標輪廓的電子邊框。

圖1 圖像識別及電子邊框獲取

在對指定區(qū)域進行網(wǎng)絡覆蓋評估時，可將提取到山體、水域的電子邊框與地（市）級MDT柵格化數(shù)據(jù)以及現(xiàn)有的場景電子邊框相結合來剔除山體、水域的無人區(qū)域，從而準確統(tǒng)計地（市）級、場景級的有效柵格覆蓋率、良好柵格覆蓋率，用于指導規(guī)劃建設與網(wǎng)絡優(yōu)化。

2 實現(xiàn)過程

2.1 衛(wèi)星地圖標注及數(shù)據(jù)預處理

使用bigemap地圖下載器下載google衛(wèi)星地圖TIF格式圖像文件，使用LabelMe軟件對挑選部分區(qū)域的衛(wèi)星圖進行像素級標注，山體標注為1，水域標注為2，不相關背景則默認為0。如圖2所示，左側為杭州市西湖區(qū)原始衛(wèi)星圖，右側為可視化后的山體水域標注圖。其中，紅色部分為山體，綠色部分為水域。

圖2 山體水域標注圖像示例

為了提高后續(xù)圖像分割時的泛化能力，對已標注的圖片進行圖像增強操作（旋轉、鏡像、模糊、增加噪聲）來豐富樣本數(shù)據(jù)?？紤]到僅西湖區(qū)標注圖的尺寸為8 703×12 923，若直接進行山體水域識別計算將消耗大量算力。為提升算法效率，將標注好的圖像進行隨機分割，切分成10 000張256×256的圖片作為訓練集（見圖3）用于模型訓練。

2.2 網(wǎng)絡模型選擇及訓練

圖像語義分割［6-7］是指將圖像中的每個像素標注為某一對應的類別，該技術被廣泛運用于自動駕駛、人機交互等視覺感知場景中。常見的圖像分割方法有基于閾值法、邊緣提取法、基于聚類法以及深度學習法。本文旨在從遙感圖像中精準識別出山體和水域，閾值法無法有效識別低對比度以及像素重疊的物體（如田野和山坳），邊緣提取算法雖能快速提取邊界但在復雜背景下準確度較低，聚類算法在訓練樣本較大的情況下算法開銷過大。相較而言，基于卷積神經網(wǎng)絡的深度學習法在對相同遙感圖像做語義分割時更為高效與準確。

與經典神經網(wǎng)絡不同，卷積神經網(wǎng)絡往往用于處理圖像相關課題［8］?；诰矸e神經網(wǎng)絡而衍生的許多模型如全卷積網(wǎng)絡（FCN），U-Net、SegNet、DeepLab、RefineNet、Mask Rcnn均可準確地將圖像劃分為不同的區(qū)域并分類［9］。基于對山體水域輪廓的高精度要求，本文選取U-Net作為主體網(wǎng)絡架構。U-Net模型廣泛運用于醫(yī)學圖像處理領域［10-12］，它從FCN的基礎上衍生而來，屬于全卷積網(wǎng)絡的一種，在較小的數(shù)據(jù)集上也能訓練出一個精準度較高的模型，而且U-Net訓練速度較快，更適合實際生產應用。如圖4所示，U-Net是一種全卷積網(wǎng)絡，輸入和輸出都是圖像，沒有全連接層，分別由收縮網(wǎng)絡（左側）以及擴張網(wǎng)絡（右側）2個部分組成。由于在網(wǎng)絡架構上呈現(xiàn)U形，故起名為U-Net。

圖3 圖片切分示例

圖4 U-Net網(wǎng)絡結構

首先，本文采用業(yè)界最為流行的Keras框架定義U-Net的網(wǎng)絡結構。將原始圖像從左側輸入模型，經在收縮網(wǎng)絡中通過交替的卷積與池化操作來提取圖像中的有效特征；再經由與收縮網(wǎng)絡相對應的擴張網(wǎng)絡通過上采樣和卷積的方式，結合收縮網(wǎng)絡各層信息和輸入信息來還原原始圖像細節(jié)，補全丟失的邊界信息，提升預測邊緣信息的準確性。較淺的高分辨率層用來解決像素定位的問題，較深的層用來解決像素分類的問題。最終可從右側得到分割后的預測圖像［13-14］。

由于二分類模型的精準度優(yōu)于多分類模型，本文分別訓練2個不同的二分類模型，分別提取山體和水域的輪廓，得到2張預測圖后再將其合并成一張完整的同時包含山體水域輪廓的預測圖。模型使用交叉熵損失函數(shù)（binary_crossentropy）作為損失函數(shù)，使用分類準確率來衡量模型的優(yōu)劣。將分割處理后的10 000張原始圖片與標簽輸入U-Net網(wǎng)絡進行模型訓練，以最小化交叉熵損失函數(shù)為目標來更新權重，共計進行10代（Epoch）訓練，在每Epoch中，以每10張圖片作為一批（Batch）數(shù)據(jù)來進行一次迭代，直到將所有訓練集內的數(shù)據(jù)均抽取完，最終模型在訓練集上的損失值為0.13，準確率為0.88。利用調優(yōu)后的最終模型對全省的衛(wèi)星圖片進行預測，可得到目標山體和水域的輪廓。模型在測試集上的最終損失值為0.15，準確率為0.82（見圖5）。

圖5 U-Net模型訓練

2.3 輪廓提取及電子邊框的獲取

完成預測后，通過編寫Python代碼讀取目標物體輪廓指定像素點所在位置來獲取輪廓邊界，效果如圖6所示。

圖6 衛(wèi)星地圖預測輪廓及邊界提取

獲得目標物體的輪廓邊界后，遍歷輪廓邊界所在像素點位置，可以將輪廓轉化為帶經緯度的電子邊框用于網(wǎng)絡覆蓋評估。經檢驗，通過經緯度轉換得到的電子邊框的經緯度位置與輪廓像素點的實際位置誤差在3 m左右，可滿足日常生產需求。

2.4 網(wǎng)絡覆蓋評估

以評估口碑場景西湖景區(qū)為例，從衛(wèi)星地圖上（見圖7（a））看，西湖景區(qū)場景邊框范圍內山地較多且西湖本身水域面積也較大。如果直接用柵格化的MDT數(shù)據(jù)與西湖景區(qū)的電子邊框相結合來評估景區(qū)的覆蓋情況（見圖7（b）），可得到該場景MR良好覆蓋率為94.48%，有效柵格覆蓋率為74.12%，良好柵格覆蓋率為52.36%。整體柵格級網(wǎng)絡覆蓋較差，與實際感知不符。故該方法無法真實地反映景區(qū)的覆蓋水平。

圖7 衛(wèi)星地圖與結合柵格化MDT數(shù)據(jù)的網(wǎng)絡評估圖

采用本文提出的圖像分割方法獲取西湖區(qū)山體及水域輪廓后，從西湖區(qū)原始邊框中剔除山體區(qū)域后再結合MDT數(shù)據(jù)進行評估（由于西湖水域有游客游船，因此不需要在場景下剔除），可得到該場景的MR良好覆蓋率為94.52%，有效柵格覆蓋率為94.06%，良好柵格覆蓋率為69.39%。柵格級覆蓋率與剔除前相比提升幅度達到20%左右，采樣點級MR良好覆蓋率保持穩(wěn)定，更加接近于實際感知（見圖8）。

3 效果驗證

圖8 西湖景區(qū)山體區(qū)域剔除后評估

為驗證本文算法的優(yōu)越性，對全省山水進行邊框識別提取。如圖9所示，分別展現(xiàn)省內3個不同地（市）的3類典型地形的衛(wèi)星圖以及利用本文方法所提取到的對應山水輪廓圖，其中藍色為水域，綠色為山體，紅色為識別的山體輪廓。對比不同地形下的圖像分割結果可以看出，由于常見山體的地形往往比水域更復雜，分割后的山體輪廓往往比水域輪廓更復雜。純粹依靠人工將難以識別此類復雜的邊緣輪廓，而本文算法可較好地將山體與水域從復雜背景中分割出來。

圖10為本文算法在某些特定場景的識別效果，算法能夠較為精準地將山水區(qū)域從復雜的道路、村莊、江岸中分割出來，并精準提取出其邊緣輪廓。與人工手動標注相比，極大地降低了人力成本并提升了圖像分割的準確性。

圖9 3類典型地形的山水輪廓分割圖

進一步將本文算法運用到全省所轄的11個地（市），分別提取各地（市）的山水輪廓，考慮應用場景為網(wǎng)絡覆蓋評估，實際運用中將算法閾值進行微調，在穩(wěn)定查全率的基礎上以查準率為調參目標。完成輪廓提取后，按照每個柵格大小為50 m×50 m來計算山水面積所占的理論柵格數(shù)。如表1所示，分割出的山水無人區(qū)占全省總面積的70%。其中，麗水和舟山分別因山區(qū)和海域較多，山水面積占總面積比例超過80%。根據(jù)浙江省政府的官方統(tǒng)計數(shù)據(jù)，省內山水占總面積的74%。本文算法所得輪廓的誤差為5.71%，效果較好。

結合各地（市）柵格化后的MDT數(shù)據(jù)，對全省78類場景，共計60 620個場景進行覆蓋評估（見表2）。在剔除山、水無人區(qū)域的影響后，有效柵格與良好柵格占比有顯著提升。該評估結果更真實，與實際感知更相符，能更準確地識別網(wǎng)絡覆蓋薄弱區(qū)域，為后續(xù)的網(wǎng)絡優(yōu)化以及站點規(guī)劃建設提供了有力的支撐。

圖10 4類典型場景的山水輪廓分割圖

表1 基于本文算法提取的全省山水面積表

表2 全省78類場景覆蓋評估對比

4 結論

本文描述了一種基于圖像語義分割的算法，通過對衛(wèi)星地圖內山體和水域的識別、輪廓的提取以及經緯度的轉換，最終生成經緯度的電子邊框，同時結合MDT數(shù)據(jù)及場景電子邊框，對無線網(wǎng)絡覆蓋進行評估。由于剔除了山體、水域的無人區(qū)域，相較于直接使用MDT數(shù)據(jù)與場景電子邊框的評估方法，該方法可計算出場景的實際需覆蓋區(qū)域面積后再統(tǒng)計出場景的有效覆蓋率，使得評估結果更加貼近實際情況，對準確識別弱覆蓋場景有重要意義。相較于人工標注山體水域輪廓的方式，該方法更為精準高效。此外，通過對無人區(qū)域的剝離，結合MDT數(shù)據(jù)，可識別出覆蓋空洞區(qū)域，對于站點規(guī)劃建設以及優(yōu)化具有指導作用。經過試點檢驗，本文提出的方法可切實提升網(wǎng)絡評估的準確度，為網(wǎng)絡規(guī)劃建設與優(yōu)化提供了有力的數(shù)據(jù)支撐，具有良好地推廣性與復制性。