李忠瑞，崔賓閣，楊 光，張昊卿

(山東科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院，山東 青島 266590)

1 引言

海岸線是多年平均大潮高潮所形成的海水和陸地分界的痕跡線,是劃分海洋與陸地行政管理區(qū)域的基準(zhǔn)線,是確定領(lǐng)海內(nèi)水和陸地的分界線,也是區(qū)分海洋深度基準(zhǔn)和陸地高程基準(zhǔn)的分界線[1]。由于受到海水沖刷、海風(fēng)侵蝕、海平面反復(fù)漲落等自然因素和人類建立防風(fēng)堤壩、圍海造田、開采水下礦物資源等人為因素的共同影響，海岸線局部變化頻繁，因此對海岸線進(jìn)行動態(tài)監(jiān)測非常具有現(xiàn)實意義。

傳統(tǒng)的海岸線測繪方法主要有實地測量法和攝影測量法。這種方法不但費時費力，而且探測難度大，效率不高，已遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)有需求[1]。隨著遙感技術(shù)突飛猛進(jìn)的發(fā)展，其憑借范圍大、效率高和成本低等突出優(yōu)勢逐漸成為一種提取海岸線及監(jiān)測動態(tài)變化的重要途徑[2]?，F(xiàn)有的遙感解譯海岸線方法分為目視解譯和自動解譯2種。目視解譯是遙感技術(shù)發(fā)展初期最常應(yīng)用的方法，主要依靠手動目視解譯，效率低下，精度不高，現(xiàn)在已基本被自動解譯方法取代[3]。自動解譯方法應(yīng)用普遍，有閾值分割法、邊緣檢測法、多分辨分析方法、面向?qū)ο蠓ê蜕窠?jīng)網(wǎng)絡(luò)法等。閾值分割法簡單易操作，是常用的海岸線提取方法之一。陳祥等[4]針對合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)圖像的特點，采用一種結(jié)合粗閾值與精確閾值的海陸分割方法，實現(xiàn)海岸線的精確提取。李宗梅等[5]分別采用目視解譯、MNDWI(Modified Normalized Difference Water Index)和Sobel邊緣檢測算子3種方法提取各類型海岸線，并進(jìn)行了對比。采用邊緣檢測算子方法對海岸線提取的效果較好，該方法也較成熟，且易于實現(xiàn)。李秀梅等[6]采用Canny算子提取渤海灣海岸線并對其進(jìn)行監(jiān)測。張霞等[7]采用MNDWI、數(shù)學(xué)形態(tài)學(xué)以及最小噪聲分離變換對砂質(zhì)海岸、淤泥質(zhì)海岸以及基巖海岸和人工海岸影像進(jìn)行了預(yù)處理，再運用改進(jìn)的Canny算子提取海岸線。由于小波變換具有多分辨分析的能力，可對圖像在不同尺度上進(jìn)行小波變換，并將找到的奇異點逐個連接得到海岸線。張鵬等[8]采用平穩(wěn)小波變換提取SAR圖像中的海岸線。余連生等[9]通過平移不變離散小波變換對SAR圖像與全色遙感圖像進(jìn)行融合，以此突出海岸線的特征。面向?qū)ο蟮姆椒ú辉僖詡鹘y(tǒng)遙感影像中的像元作為基本單元，而是以對象為基本單元，忽略對象內(nèi)部的紋理特性，并依據(jù)光譜、空間特征對影像進(jìn)行處理[3]。吳小娟等[3]通過面向?qū)ο蟮姆椒ú⒗谩案叻侄枴毙l(wèi)星數(shù)據(jù)對深圳大鵬半島地區(qū)的海岸線進(jìn)行提取。王琎等[10]則分別利用面向?qū)ο蠓椒ê捅O(jiān)督分類方法對珠江口灣區(qū)海岸線和沿岸土地利用情況進(jìn)行了監(jiān)測與分析。神經(jīng)網(wǎng)絡(luò)法在應(yīng)對大量數(shù)據(jù)時有很好的表現(xiàn)。Li等[11]基于UNet提出了更深層次的DeepUNet，提出了2種短連接并在Google-Earth彩色圖像上獲得了比較好的海陸分割結(jié)果。Cheng等[12]提出了SeNet(Structured edge Network)，在卷積神經(jīng)網(wǎng)絡(luò)上附加結(jié)構(gòu)化邊緣檢測分支，使用多任務(wù)損失同時獲得海陸分割和海岸線檢測結(jié)果。同年，Cheng等[13]提出了FusionNet，通過添加邊緣感知正則化項細(xì)化分割和邊緣檢測結(jié)果，在港口圖像數(shù)據(jù)集和海陸數(shù)據(jù)集上都取得了優(yōu)秀的結(jié)果。Shamsolmoali等[14]提出RDU-Net(Redisual Dense UNet)，將標(biāo)準(zhǔn)卷積替換為殘差密集連接塊，增強(qiáng)網(wǎng)絡(luò)的特征復(fù)用，并在2個數(shù)據(jù)集上證明該方法更適合于海陸分割任務(wù)。Cui等[15]提出了SANet(Scale Adaptive Network)，提出自適應(yīng)多尺度特征學(xué)習(xí)模塊來捕捉多尺度細(xì)節(jié)信息和上下文語義信息，并自適應(yīng)融合不同尺度的特征圖，在GF-1號遙感數(shù)據(jù)集上實現(xiàn)了海陸準(zhǔn)確分割。

閾值分割方法簡單、易于實現(xiàn)，但如何選取閾值具有較大的難度；邊緣檢測算子方法雖然對邊緣的提取效果很好，但易受噪聲影響，且易出現(xiàn)偽邊緣[2]；多分辨分析方法能夠獲得豐富的邊緣信息，但現(xiàn)有應(yīng)用于海岸線提取中的小波缺乏方向性；面向?qū)ο蠓椒軌驅(qū)崿F(xiàn)更高層次的圖像分割且能夠減少紋理特性的影響，但數(shù)據(jù)量較大時無法充分利用影像中隱含的信息[2]；語義分割網(wǎng)絡(luò)對邊緣高頻細(xì)節(jié)信息不敏感，邊緣檢測網(wǎng)絡(luò)不能識別地物語義信息，把地物內(nèi)部邊緣誤分為邊界。因此，本文提出一種融合語義分割網(wǎng)絡(luò)和邊緣檢測網(wǎng)絡(luò)的深度卷積神經(jīng)網(wǎng)絡(luò)，屬于一種新穎的端到端邊緣提取神經(jīng)網(wǎng)絡(luò)，可用于對海岸線進(jìn)行精準(zhǔn)提取。

2 研究區(qū)域

連云港位于中國沿海中部，江蘇省東北部，處于北緯33°59′～35°07′、東經(jīng)118°24′～119°48′。如圖1所示，連云港市海岸線北起蘇魯交界的繡針河口，南至灌河口，岸線總長221.17 km。連云港市資源類型豐富，北部以耕地為主，南部以鹽田為主，交通便利。連云港市海岸地貌類型典型，包括基巖海岸、砂質(zhì)海岸和粉砂淤泥質(zhì)海岸[16]。

Figure 1 Sketch map of Lianyungang coastline

連云港位于南北過渡和陸海過渡的交匯點，是國際通道新亞歐大陸橋(中國境內(nèi)為隴海、蘭新鐵路)東端橋頭堡，是隴海鐵路、沿海鐵路2大國家干線鐵路的交匯點，也是中國南北、東西最長的2條高速公路(同三高速和連霍高速)的唯一交點。具有海運、陸運相結(jié)合的優(yōu)勢，是國家規(guī)劃的42個綜合交通樞紐之一。

Figure 2 Overall structure of EWNet network

3 海岸線邊緣檢測網(wǎng)絡(luò)模型

3.1 網(wǎng)絡(luò)總體結(jié)構(gòu)

遙感圖像海陸環(huán)境復(fù)雜，內(nèi)陸存在各種尺度的地物且地物類型復(fù)雜多樣，海洋上常有漁船和筏式養(yǎng)殖區(qū)的存在，這些都給海岸線的提取帶來干擾。語義分割網(wǎng)絡(luò)提取海陸過程中可以識別海洋和陸地內(nèi)的地物語義信息，但是會忽略海岸線邊緣信息；邊緣檢測網(wǎng)絡(luò)可以很好地識別邊緣細(xì)節(jié)信息，但不能識別地物語義信息，常常把海陸內(nèi)部的邊緣誤分為邊界。

本文提出一種融合語義分割網(wǎng)絡(luò)和邊緣檢測網(wǎng)絡(luò)的深度卷積神經(jīng)網(wǎng)絡(luò)模型EWNet(Edge-Ware Network)，其總體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。EWNet有2個分支流，分別為語義分割流和邊緣檢測流。在網(wǎng)絡(luò)訓(xùn)練過程，語義分割流的各層語義特征正向傳播到邊緣檢測流，邊緣檢測流共享語義分割流的網(wǎng)絡(luò)參數(shù)并在反向傳播中更新語義分割流的參數(shù)。

3.2 語義分割流

語義分割流用來獲取地物語義信息。語義分割網(wǎng)絡(luò)越強(qiáng)大，提取的語義信息越豐富，因此本文采用U型結(jié)構(gòu)的對稱編解碼器結(jié)構(gòu)作為語義分割流的基礎(chǔ)網(wǎng)絡(luò)，并在此基礎(chǔ)上進(jìn)行改進(jìn)。如圖2上面的虛線框所示，本文使用改進(jìn)的空洞空間卷積池化金字塔ASPP(Atrous Spatial Pyramid Pooling)模塊代替深層的雙卷積操作多尺度提取深層語義特征。在編碼器和解碼器對應(yīng)層使用卷積注意力模塊CBAM(Convolutional Block Attention Module)自適應(yīng)細(xì)化編碼器提取的特征。

3.2.1 改進(jìn)的空洞空間卷積池化金字塔模塊

空洞空間卷積池化金字塔模塊包含膨脹率分別為6，12，18和24的4條并行的空洞卷積，但是由于膨脹率之間存在整數(shù)倍的關(guān)系，特征圖經(jīng)過這樣的空洞空間卷積池化金字塔模塊會產(chǎn)生網(wǎng)格效應(yīng)。針對遙感圖像海陸分割任務(wù)的特殊性，本文選用膨脹率分別為1，2，3和5質(zhì)數(shù)分布的空洞卷積，既可以有效避免空洞空間卷積池化金字塔模塊產(chǎn)生的網(wǎng)格效應(yīng)，又可以有效獲取遙感圖像中縱橫比復(fù)雜多樣的地物的空間語義信息。如圖3所示，本文采用拼接操作將4個并行的空洞卷積的輸出特征圖和經(jīng)過1×1卷積后的輸入特征圖拼接在一起。最后使用1×1卷積對拼接后的特征圖進(jìn)行降維，以此加快網(wǎng)絡(luò)訓(xùn)練收斂速度，降低計算的開銷成本。

Figure 3 ASPP module diagram

3.2.2 卷積注意力模塊(CBAM)

CBAM是一個輕量級的通用模塊，它可以學(xué)習(xí)如何有效地強(qiáng)調(diào)或壓縮中間特征提取，且只增加微不足道的間接開銷。

1961年，我上初中。學(xué)校跟省報社挨著，從路邊的閱報欄經(jīng)過，我常常停下來看副刊?？炊嗔?，竟有了莫名的沖動。有一次見到上面在討論戲曲改革，當(dāng)晚做完作業(yè)，我寫了一篇《也談戲曲改革》，第二天交給班上的一個同學(xué)，他父親在報社工作。過了幾天，同學(xué)把稿子還給我，說報社的編輯看了，你談?wù)摗皯蚯母铩边€太早，不過看你文字還挺順的，可以繼續(xù)努力。

CBAM包括2個子模塊，如圖4所示，分別是通道注意力模塊和空間注意力模塊。輸入的特征圖F首先經(jīng)過通道注意力模塊獲得權(quán)重向量MC，特征圖F與權(quán)重向量MC逐通道相乘得到帶有權(quán)重的特征圖FC；然后特征圖FC經(jīng)過空間注意力模塊生成空間注意力權(quán)重圖MS，特征圖FC逐像素與權(quán)重圖MS相乘得到最終的特征圖FS。

Figure 4 CBAM module diagram

通道注意力模塊：將輸入特征圖F分別經(jīng)過全局最大池化和全局均值池化，然后通過多層感知器MLP(MultiLayer Perceptron)得到權(quán)重向量。之后對MLP輸出的權(quán)重向量進(jìn)行基于像素級的加和操作，再經(jīng)過sigmoid激活操作，生成最終的通道注意力權(quán)重向量MC。

空間注意力模塊：以通道注意力模塊輸出的特征圖作為本模塊的輸入特征圖。首先，進(jìn)行基于通道的全局最大池化和全局均值池化操作，將2個結(jié)果基于通道拼接起來。然后，經(jīng)過卷積操作，卷積核大小為7×7，降維為1個通道。再經(jīng)過sigmoid激活操作生成空間注意力權(quán)重圖MS。

3.3 邊緣檢測流

本文提出了一種結(jié)合語義分割流各層語義特征的邊緣檢測流。如圖2下面的虛線框所示，它與分割網(wǎng)絡(luò)共享權(quán)重，并將語義分割流每層雙卷積獲取的層次語義特征經(jīng)過1×1卷積傳到邊緣檢測流。邊緣檢測流根據(jù)特征圖大小進(jìn)行上采樣，確?；謴?fù)到與原始圖像同樣尺寸大小的邊緣特征圖。對每層上采樣后的特征圖均引入輔助損失函數(shù)，計算邊緣特征圖與真值圖的損失差異，對非邊緣部分進(jìn)行懲罰，加強(qiáng)邊緣提取。輔助損失函數(shù)如式(1)所示：

Loss=-ylogPy+(1-y)log(1-Py)

(1)

其中，y取值為0或1，1為海岸線;Py對應(yīng)預(yù)測為y的概率。本文使用sigmoid函數(shù)將網(wǎng)絡(luò)的輸出轉(zhuǎn)換為概率值。

為了確保提取海岸線的連續(xù)性，本文對語義分割流的輸出特征圖使用邊緣檢測線性濾波器(Sobel濾波器)進(jìn)行卷積，并在水平和垂直方向分別進(jìn)行卷積，獲得連續(xù)的海岸線邊緣特征圖。最后將各層提取的邊緣特征圖逐通道拼接，經(jīng)過CBAM模塊自動學(xué)習(xí)海岸線語義信息，生成一個綜合的邊緣特征圖。通過反復(fù)的參數(shù)迭代訓(xùn)練使得損失函數(shù)的值(即提取的海岸線與樣本真值的差異)盡可能地小，以達(dá)到確定模型參數(shù),進(jìn)而利用模型提取海岸線的目的。

4 實驗分析

4.1 實驗配置

實驗在配備16 GB顯存的NVIDIA Tesla P100 GPU和CentOS Linux 7.5操作系統(tǒng)的服務(wù)器上進(jìn)行。所有模型都使用Kera框架[17]進(jìn)行訓(xùn)練和測試，使用TensorFlow作為后端引擎[18]。在訓(xùn)練過程中，采用Adam優(yōu)化器將損失降至最低，并將初始學(xué)習(xí)率設(shè)置為0.000 1，迭代次數(shù)設(shè)置為200輪，批次大小設(shè)置為4。

4.2 評價指標(biāo)

為了評估不同模型的邊界結(jié)果，本文改進(jìn)了FusionNet[13]所提出的邊界精確率(BP)和邊界召回率(BR)，如式(2)和式(3)所示：

(2)

(3)

在預(yù)測圖中，如果分割結(jié)果中的一個邊界點與其接近的真值圖邊界之間的距離小于1，則認(rèn)為該邊界點是正確的。同理，在真值圖中，如果真值圖中的一個邊界點與其接近的預(yù)測圖邊界之間的距離小于1，則認(rèn)為該邊界點被成功召回。邊界的F1系數(shù)定義如式(4)所示：

(4)

Figure 5 Qualitative results of test image 1

Figure 6 Qualitative results of test image 2

4.3 實驗對比

本文針對4幅不同海岸帶地區(qū)圖像，定性和定量地比較了傳統(tǒng)模型(NDWI(Normalized Difference Water Index)[19]和SVM(Support Vector Machine)[20]、非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型(UNet[21]和DeepUNet[11])及端到端邊緣提取網(wǎng)絡(luò)模型(SeNet[12]和FusionNet[13])的提取結(jié)果。因為傳統(tǒng)模型和非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型無法全自動提取海岸線，本文對其提取的海陸分割結(jié)果進(jìn)行后處理邊緣檢測操作，使用最終提取的海岸線結(jié)果進(jìn)行對比實驗。

測試圖像1如圖5所示，包含了大量基巖和人工建筑的海岸帶，森林密布的基巖光譜和海洋光譜相似。傳統(tǒng)模型中的NDWI相比SVM產(chǎn)生了較大范圍的誤分現(xiàn)象，而SVM將暗礁誤分為陸地。非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型也對部分地區(qū)產(chǎn)生誤分，UNet將港灣內(nèi)的水池誤分為海洋，暗礁誤分為陸地，而DeepUNet將大面積海洋誤分為陸地。端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型中SeNet和FusionNet都產(chǎn)生較嚴(yán)重的岸線“斷連”現(xiàn)象。EWNet可以比較好地識別基巖，得到了比較接近真值圖的海岸線提取結(jié)果。

表1給出了測試圖像1的定量結(jié)果。結(jié)果表明，EWNet的邊界精確率優(yōu)于其他所有網(wǎng)絡(luò)模型的，EWNet的邊界召回率略低于SVM的，EWNet的F1系數(shù)分別比NDWI、SVM、UNet、DeepUNet、SeNet和FusionNet的高出0.147 3,0.059 3,0.102 8,0.175 9,0.180 5和0.178 5。

Table 1 Quantitative results of test image 1

如圖6所示，測試圖像2是一個帶有大量港口和防波堤的人工海岸帶。港口防波堤和海洋的光譜差異較大，傳統(tǒng)模型中的SVM產(chǎn)生了較大范圍的誤分現(xiàn)象，將大量顏色較深的集裝箱誤分為海洋，而NDWI僅將海上漁船誤分為陸地，其余地區(qū)則得到了比較優(yōu)秀的邊緣結(jié)果圖。非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型也有部分地區(qū)產(chǎn)生了誤分，UNet也將集裝箱誤分為海洋，而DeepUNet將圍填海中的淤泥誤分為海洋，因此產(chǎn)生了錯誤的海岸邊界線。端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型中的SeNet和FusionNet仍然存在較嚴(yán)重的海岸線“斷連”現(xiàn)象。EWNet可以較好地保留港口的細(xì)節(jié)信息，得到比較接近真值圖的海岸線提取結(jié)果。

Figure 7 Qualitative results of test image 3

表2給出了測試圖像2的定量結(jié)果。結(jié)果表明，EWNet的邊界精確率明顯優(yōu)于其他所有網(wǎng)絡(luò)模型的，EWNet的邊界召回率略低于NDWI的，EWNet的F1系數(shù)分別比NDWI、SVM、UNet、DeepUNet、SeNet和FusionNet的高出0.040 1，0.374 9，0.111 4，0.146 5，0.115 1和0.251 3。

測試圖像3包含圍填海和防波堤的人工海岸帶。如圖7所示，圍填海內(nèi)灘涂及內(nèi)陸?zhàn)B殖區(qū)的光譜和海洋的光譜比較接近，傳統(tǒng)模型中的NDWI將部分內(nèi)陸?zhàn)B殖區(qū)誤分為海洋，將海上養(yǎng)殖區(qū)誤分

Table 2 Quantitative results of test image 2

為陸地，而SVM將港口附近的水體誤分為海洋，NDWI和SVM都將淤泥識別為陸地。非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型UNet將圍填海內(nèi)的大量淤泥誤分為海洋，而DeepUNet只有個別地區(qū)產(chǎn)生誤分，生成了良好的海岸線提取結(jié)果。端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型中SeNet的“斷連”現(xiàn)象相比FusionNet的更加嚴(yán)重，大多數(shù)海岸線邊界都沒有識別出來。EWNet可以比較好地識別出圍填海和海岸線邊界，得到了比較接近真值圖的海岸線提取結(jié)果。

表3給出了測試圖像3的定量結(jié)果。

Table 3 Quantitative results of test image 3

結(jié)果表明，在邊界精確率和邊界召回率方面，EWNet都優(yōu)于其他所有網(wǎng)絡(luò)模型，對于邊界F1系數(shù),EWNet的分別比NDWI、SVM、UNet、DeepUNet、SeNet和FusionNet的高出0.483 3,0.330 9,0.394 6,0.079 6,0.453 8和0.309 5。

Figure 8 Qualitative results of test image 4

測試圖像4包含大量細(xì)長的河口和生物海岸帶。如圖8所示，測試圖像存在大量的養(yǎng)殖區(qū)和生物灘涂，其光譜特征都類似于海洋。傳統(tǒng)模型中的NDWI和SVM將大量養(yǎng)殖區(qū)和生物灘涂都誤分為海洋，NDWI將河口地區(qū)的內(nèi)陸也誤分為海洋，得到的邊界提取結(jié)果非常糟糕。非端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型UNet將細(xì)長的河流部分誤分為陸地，部分內(nèi)陸水體誤分為海洋，而DeepUNet將河道誤分為陸地。端到端邊緣提取神經(jīng)網(wǎng)絡(luò)模型中的SeNet和FusionNet對海岸線邊界基本識別準(zhǔn)確，但仍然存在比較嚴(yán)重的“斷連”現(xiàn)象。EWNet可以較好地識別養(yǎng)殖區(qū)、河口及生物灘涂，得到比較接近真值圖的海岸線提取結(jié)果。

表4給出了測試圖像4的定量結(jié)果。結(jié)果表明，在邊界精確率和邊界召回率方面，EWNet均優(yōu)于其他所有網(wǎng)絡(luò)模型，但其邊緣精確率只比SeNet的高0.94%。對于F1系數(shù)，EWNet的分別比NDWI、SVM、UNet、DeepUNet、SeNet和FusionNet的高出0.727 8,0.727 7,0.269 3,0.181 6,0.056 3和0.138 4。

Table 4 Quantitative results of test image 4

4.4 消融實驗

為了證明語義分割流中改進(jìn)的CBAM模塊和ASPP模塊對海岸線邊界提取的有效性，本文進(jìn)行了分割網(wǎng)絡(luò)模型中模塊的消融實驗，圖9為本節(jié)實驗的基礎(chǔ)網(wǎng)絡(luò)。

定量結(jié)果如表5所示。在基礎(chǔ)網(wǎng)絡(luò)上將跳躍連接的復(fù)制操作替換為CBAM模塊后，模型性能有略微提升，F(xiàn)1系數(shù)在測試圖像1～圖像4上，相比基礎(chǔ)網(wǎng)絡(luò)的分別提高了0.018 2，0.114 7，0.037 8和0.025 3。在基礎(chǔ)網(wǎng)絡(luò)編碼器部分將最底層的2層雙卷積層替換為改進(jìn)的ASPP模塊，模型的效果與添加CBAM模塊的網(wǎng)絡(luò)的接近，在測試圖像1～圖像4上分別提高了0.020 3，0.027 9，0.058 8和0.012 0。同時將CBAM模塊與改進(jìn)的ASPP模塊添加進(jìn)基礎(chǔ)網(wǎng)絡(luò)后,即本文提出的EWNet網(wǎng)絡(luò)模型，相比基礎(chǔ)網(wǎng)絡(luò)，EWNet的提升效果比單一添加任何一種模塊都表現(xiàn)更好，在測試圖像1～圖像4上,分別提高了0.035 4，0.045 4，0.073 8和0.056 9。以上定量結(jié)果表明：在分割網(wǎng)絡(luò)中獲得的語義信息越豐富，越有利于海陸邊界的提取。

Table 5 Boundary F1 coefficients extracted from ablation experiments of segmentation network

Figure 9 Basic network of segmentation network for ablation experiment

為了證明邊緣檢測線性濾波器及輔助損失函數(shù)的有效性，本文也進(jìn)行了邊緣檢測網(wǎng)絡(luò)的消融實驗。該消融實驗分為3組，分別是單獨添加邊緣檢測線性濾波器、在編碼器部分添加輔助損失函數(shù)和在解碼器部分添加輔助損失函數(shù)。為了方便理解，該消融實驗以圖10為基礎(chǔ)網(wǎng)絡(luò)，根據(jù)池化層或上采樣層分層，該網(wǎng)絡(luò)分為9層，1～4層為編碼器部分，6到9層為解碼器部分。

Figure 10 Basic network of edge detection network for ablation experiment

該消融實驗的定量結(jié)果如表6所示，基礎(chǔ)網(wǎng)絡(luò)在所有測試圖像上的F1系數(shù)都比較差，在編解碼器部分添加輔助損失函數(shù)以及添加邊緣檢測線性濾波器后，F(xiàn)1系數(shù)有不同幅度的提升，在解碼器部分添加輔助損失函數(shù)相比在編碼器部分添加輔助損失函數(shù)，在測試圖像1上提升效果基本一致，但是在測試圖像2～測試圖像4上提升更明顯。在編解碼器部分都添加輔助損失函數(shù)效果會比單獨在編碼器或解碼器部分添加輔助損失函數(shù)表現(xiàn)更優(yōu)異。結(jié)果表明：輔助損失函數(shù)越多,越有利于海陸邊界的提取。

Table 6 Boundary F1 coefficients extracted from edge detection network ablation experiment

5 結(jié)束語

本文提出一種融合語義分割網(wǎng)絡(luò)和邊緣檢測網(wǎng)絡(luò)的深度卷積神經(jīng)網(wǎng)絡(luò)模型(EWNet)，用于解決海岸線提取定位不準(zhǔn)確問題。該網(wǎng)絡(luò)模型可以端到端地提取海岸線。通過加強(qiáng)語義分割網(wǎng)絡(luò)提取語義信息的能力，更加準(zhǔn)確地定位岸線位置；通過對邊緣檢測網(wǎng)絡(luò)添加輔助損失函數(shù)和邊緣檢測線性濾波器確保提取海岸線的連續(xù)性。本文在一組包含不同類型海岸線的“高分一號”號遙感圖像上評估了EWNet，從定性和定量結(jié)果中可以看出EWNet優(yōu)于其他網(wǎng)絡(luò)模型。

該網(wǎng)絡(luò)模型可以推廣至其他區(qū)域的各種復(fù)雜類型海岸線精準(zhǔn)定位工作，并進(jìn)一步用于海岸帶動態(tài)管理規(guī)劃，未來將在海岸線精準(zhǔn)定位的基礎(chǔ)上，精準(zhǔn)預(yù)測海岸線類型及其各類型的海岸線長度。