摘 要：亞米級衛(wèi)星影像為“實景三維成都”建設(shè)項目中地形級實景三維的數(shù)據(jù)基礎(chǔ)，多個部門共享、共用，因此對其質(zhì)量嚴格把控十分重要。采用人工目視方式對單景影像（約576 km2）進行外觀符合性檢查，時間約為1 h。以2023年11月成都市域亞米級衛(wèi)星影像為例，將SegFormer網(wǎng)絡(luò)模型內(nèi)嵌在遙感AI解譯監(jiān)測系統(tǒng)中，對成都市域衛(wèi)星影像中的不良區(qū)域進行快速識別，其平均分類精度達到81.0%，單景影像提取時間約為15 min，該系統(tǒng)為成都市域衛(wèi)星影像質(zhì)量檢查工作的高效實施提供有力支撐。

關(guān)鍵詞：衛(wèi)星影像；質(zhì)量檢查；影像外觀符合性；遙感解譯；SegFormer

中圖分類號：P 23" " " " " " 文獻標志碼：A

隨著遙感和深度學(xué)習技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在遙感影像特征的自動化提取中廣泛應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)模型過分關(guān)注局部特征，忽略整體信息，因此Dosovitskiy提出多層Transformer結(jié)構(gòu)的Vit模型，在影像識別中結(jié)合了整體信息。SegFormer網(wǎng)絡(luò)模型將Transformer編碼器與輕量級解碼器相結(jié)合，避免由于位置編碼改變導(dǎo)致模型性能下降。牛玉珩[1]、楊靖怡[2]在農(nóng)業(yè)、醫(yī)學(xué)等領(lǐng)域進行研究。本文將SegFormer網(wǎng)絡(luò)模型內(nèi)嵌于遙感AI解譯監(jiān)測系統(tǒng)中，提取目標圖斑。將該系統(tǒng)應(yīng)用于成都市域衛(wèi)星影像中，對不良區(qū)域進行識別，當檢測影像外觀時范圍大、效率高，符合檢驗要求，縮短影像質(zhì)量檢驗周期，減輕影像檢查工作強度。

1 研究區(qū)介紹

成都市地處四川盆地西部的岷江中游地段、青藏高原東緣，位于東經(jīng)102°54'～104°53'，北緯30°05'～31°26'，境內(nèi)地勢平坦，河網(wǎng)縱橫，東界龍泉山脈，西靠邛崍山。成都市屬于平原亞熱帶季風性濕潤氣候，雨熱同期，四季分明。大部分地區(qū)常年云霧天氣多，日照時間少，空氣濕度大。

2 數(shù)據(jù)源及預(yù)處理

本次試驗數(shù)據(jù)為2023年10月成都市BJ3和BJ2影像，其空間分辨率為0.5 m～0.8 m，共6景。對其進行遙感影像預(yù)處理，為使模型適用于不同類型不良區(qū)域（云霧、陰影、高亮和色彩溢出），選取相對集中區(qū)域作為樣本。云霧、陰影區(qū)域普遍面積較大，高亮、色彩溢出區(qū)域普遍面積較小，如果將其構(gòu)建為1個樣本庫，那么由于樣本庫數(shù)量失衡，高亮、色彩溢出影像精度會降低，因此分別構(gòu)建2個樣本庫。樣本庫一為高亮、色彩溢出的單要素樣本，樣本庫二為云霧、陰影的雙要素樣本，如圖1所示。樣本庫一共選取110個區(qū)域遙感影像，并將其劃分為413個512 ppi×512 ppi的樣本。高亮、色彩溢出區(qū)域面積較小，為避免模型過擬合，對其進行隨機縮放、翻轉(zhuǎn)等數(shù)據(jù)增強操作，將其樣本數(shù)擴充至826個。樣本庫二共選取17個區(qū)域遙感影像，將其劃分為793個512 ppi×512 ppi的樣本。

3 研究方法

3.1 研究流程

遙感AI解譯監(jiān)測系統(tǒng)集樣本庫構(gòu)建、模型訓(xùn)練、精度評估和影像自動解譯等功能于一體。對衛(wèi)星影像（分辨率為0.5 m～

0.8 m）中的感興趣（不良）區(qū)域進行人工標注，得到與影像數(shù)據(jù)相對應(yīng)的標注矢量數(shù)據(jù)，并將其裁剪為512 ppi×512 ppi，完成樣本庫構(gòu)建。將樣本庫一和樣本庫二分別按照7∶2∶1的比例劃分為訓(xùn)練集、測試集和驗證集。將訓(xùn)練集輸入基于語義分割的SegFormer網(wǎng)絡(luò)模型進行訓(xùn)練，根據(jù)樣本數(shù)據(jù)集情況調(diào)整學(xué)習率、訓(xùn)練批次、樣本數(shù)和優(yōu)化方法等超參數(shù)，將網(wǎng)絡(luò)模型提取的不良區(qū)域與驗證集進行比較。根據(jù)模型在訓(xùn)練過程中反饋的Loss損失、訓(xùn)練精度等信息重新調(diào)整模型結(jié)構(gòu)、參數(shù)，再次進行訓(xùn)練，最終獲得精度最佳的模型。調(diào)動訓(xùn)練階段得到的深度學(xué)習算法模型，對檢測的遙感影像進行不良區(qū)域提取。

3.2 基于語義分割的SegFormer網(wǎng)絡(luò)模型

SegFormer網(wǎng)絡(luò)模型由2個模塊組成。1）分層Transformers編碼器，可產(chǎn)生高分辨率粗特征和低分辨率細特征。2）輕量級的A11-MLP解碼器，可融合多層次特征并預(yù)測語義分割掩碼，使模型魯棒性、準確性更高。SegFormer網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

3.2.1 分級Transformer編碼器

SegFormer采用Mix Transformer（MiT）編碼器，該編碼器由4個Transformer塊組成，每個Transformer塊包括高效自注意力機制（Efficient Self-Attention）、圖像重疊塊融合（Overlapped Patch Merging）和混合前饋網(wǎng)絡(luò)（Mix-FFN）結(jié)構(gòu)3個部分。

3.2.1.1 分層特征表示

基于原始分辨率為H×W×3的圖像進行塊處理（Transformer block），得到1個多層次化的特征圖Fi，其分辨率為××Ci，C為通道數(shù)，i∈{1，2，3，4}。

3.2.1.2 圖像重疊塊融合（Overlapped Patch Merging）

基于1個圖像塊（image patch），將2×2×Ci的圖像塊轉(zhuǎn)為1×1×Ci+1的向量，獲得層次圖。再將層次特征F1（××C1）收縮為F2（××C2）。如果采用非重疊的圖像塊或特征塊，就無法保證塊周圍的局部連續(xù)性，因此須進行圖形重疊塊融合。定義K（塊大?。（2個相鄰塊之間的步幅）和P（填充大?。Ｔ诒驹囼炛?，設(shè)置K=7，S=4，P=3以及K=3，S=2，P=1，將重疊的塊合并，產(chǎn)生與非重疊過程大小相同的特征。

3.2.1.3 高效自注意力（Efficient Self-Attention）

在高效自注意力機制中，編碼器主要的計算瓶頸是自注意力層，其復(fù)雜度為O（N2）。注意力層根據(jù)Q（查詢）、K（鍵）和V（值）3個參數(shù)進行計算，Q、K和V都包括同樣的維度N×C，序列長度為N=H×W，Softmax為歸一化指數(shù)函數(shù)，KT為K的轉(zhuǎn)置，dhead為Q、K矩陣的列數(shù)，自注意力為attention（），計算過程如公式（1）所示。

（1）

式中：為更適應(yīng)分辨率較大的圖像，Reshape（，C·R）（K）將K變形為×（C·R），Linear（C·R，C）（）將輸入通道數(shù)為C·R變?yōu)檩敵鐾ǖ罃?shù)為C的線性層，×C為K的輸出維度。自注意力的復(fù)雜度從O（N2）降為O（），R為[64，16，4，1]，如公式（2）、公式（3）所示。

=Reshape（，C·R）（K）" " " （2）

K =Linear（C·R，C）（）" " " " " （3）

3.2.1.4 混合前饋網(wǎng)絡(luò)（Mix-FFN）

將利用高效自注意力機制獲得的結(jié)果輸入Mix-FFN模塊中，Mix-FFN在前饋網(wǎng)絡(luò)（FFN）中直接使用3×3卷積來傳遞位置信息，避免在訓(xùn)練過程中以零填充導(dǎo)致缺失位置泄露，運用深度卷積減少參數(shù)，提升計算效率，xin為高效自注意模塊的輸出特征，Conv為卷積，GELU為激活函數(shù)，如公式（4）所示。

Xout=MLP（GELU（Conv3×3（MLP（xin））））+xin " " " " " " （4）

將Mix-FFN模塊輸出特征xout進行重疊塊合并，保證像素塊周圍的連續(xù)性。

3.2.2 輕量級解碼器

SegFormer只有一個多層感知器（MLP）組成的輕量級解碼器，與傳統(tǒng)的CNN編碼器相比，模型的分層Transformer編碼器有效感受野更大。

輕量級解碼器利用MLP層統(tǒng)一不同層特征Fi的通道維度，再將特征上采樣至1/4分辨率，完成拼接，MLP層融合堆疊，得到特征，利用另一個MLP解碼器的融合特征預(yù)測具有H/4×W/4×Ncls 分辨率的分割掩膜M，Ncls為分類個數(shù)，Linear（Ci，C） 為以Ci和C作為輸入和輸出向量維數(shù)的線性層。計算過程如公式（5）～公式（8）所示。

=Linear（Ci，C）（Fi），i" " "（5）

（6）

F=Linera（4C，C）（Contact（）） i" （7）

M=Linear（C，Ncls）（F）" nbsp; " " " " " " " " " " " "（8）

4 結(jié)果與分析

本試驗基于遙感AI解譯監(jiān)測系統(tǒng)對2023年10月成都市影像的云霧、陰影、高亮和色彩溢出等不良區(qū)域進行提取，單景遙感影像（面積約為567 km2）解譯僅需15 min，效率遠高于人工目視判讀。經(jīng)多次超參數(shù)調(diào)整測試，每間隔50次迭代進行一次評估，最終確定迭代次數(shù)為6 800，批大小為4，當學(xué)習率為0.001時得到準確率最高的模型。測試數(shù)據(jù)整體精度較高，各類型不良區(qū)域分類精度見表1，模型的平均準確率為81.00%，平均召回率為81.05%。

高亮、色彩溢出精度相對較低，為76.44%，整體漏檢情況較少，存在少量誤檢情況，局部區(qū)域高亮、色彩溢出解譯情況如圖3所示。在采樣過程中須將高亮及其周圍色彩溢出區(qū)域全部采集為樣本，該類不良區(qū)域特征邊界并不清晰，因此模型將色彩飽和度較高區(qū)域識別為不良區(qū)域，導(dǎo)致其精度受限。云霧、陰影的精度分別為85.01%和81.55%，漏檢、錯檢情況較少，局部區(qū)域云霧、陰影解譯情況如圖4所示。陰影區(qū)域和水體區(qū)域色調(diào)較暗，較難區(qū)分其邊界，但是圖4（d）模型能夠準確識別陰影區(qū)域。不良區(qū)域具有范圍大、邊界不規(guī)則等特點，存在小面積碎斑，經(jīng)批處理后能夠滿足助影像外觀符合性檢查的要求，與目視檢查相比效率更高。

5 結(jié)語

以前通常采用抽查方式檢查衛(wèi)星影像質(zhì)量，采用目視方法檢查影像外觀符合性，因此不僅難以掌握樣本外影像外觀符合性的質(zhì)量情況，還會耗費大量人力資源。為解決衛(wèi)星影像質(zhì)量檢查難題，本文基于遙感AI解譯監(jiān)測系統(tǒng)對成都市典型特征不良區(qū)域（云霧、陰影、高亮和色彩溢出）進行識別，不良區(qū)域圖斑提取的總體精度為81.0%，解譯時間為15 min。試驗結(jié)果表明基于SegFormer模型的遙感解譯系統(tǒng)能夠?qū)W習局部和整體特征，解譯準確性較高，模型遷移性能較好。SegFormer網(wǎng)絡(luò)模型在影像不良區(qū)域中中識別效果良好，云霧、陰影以及高亮區(qū)域邊界不清晰，導(dǎo)致模型精度受限，因此針對邊緣的精確識別以及較小識別目標的識別精度仍然有待提升。

參考文獻

[1]牛玉珩，李永可，陳燕紅，等.基于改進SegFormer模型的棉田地表殘膜圖像分割方法[J].計算機與現(xiàn)代化，2023（7）：93-98.

[2]楊靖怡，李芳，康曉東，等.基于SegFormer的超聲影像圖像分割[J].計算機科學(xué)，2023，50（增刊1）：414-419.