摘 要：遙感圖像的海陸分割對(duì)海岸線提取和動(dòng)態(tài)監(jiān)測(cè)具有重要意義。本文將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于高分辨率遙感圖像的陸海分割，并在經(jīng)典編解碼器結(jié)構(gòu)的基礎(chǔ)上進(jìn)行了創(chuàng)新。為了提高網(wǎng)絡(luò)區(qū)分海岸線的能力，本文在UNet++網(wǎng)絡(luò)中引入雙重注意力機(jī)制，以提高海岸線特征的學(xué)習(xí)能力，抑制非海岸線特征學(xué)習(xí)，并利用研究區(qū)遙感圖像數(shù)據(jù)對(duì)海岸線進(jìn)行分割。試驗(yàn)結(jié)果表明，與經(jīng)典的UNet、DeepLab v3+和UNet++網(wǎng)絡(luò)相比，本文改進(jìn)UNet++網(wǎng)絡(luò)的分割結(jié)果更準(zhǔn)確，各種海岸線邊界模糊度較低。面對(duì)日益豐富的高分辨率遙感圖像數(shù)據(jù)源，基于改進(jìn)UNet++的海岸線提取可以更好地保留邊界信息，并具有更好的語義分割效果，可以更準(zhǔn)確地挖掘高分辨率遙感圖像的空間分布特征、紋理特征和光譜特征，從而提高分類的準(zhǔn)確性。

關(guān)鍵詞：UNet++；雙重注意力；遙感影像；海岸線提取

中圖分類號(hào)：P 237 " " " 文獻(xiàn)標(biāo)志碼：A

由于海岸線的形態(tài)復(fù)雜，并易受影像質(zhì)量、光照條件等因素的影響，因此在遙感影像中，海岸線提取是一個(gè)具有挑戰(zhàn)性的任務(wù)[1]。傳統(tǒng)UNet網(wǎng)絡(luò)在處理復(fù)雜邊界和細(xì)節(jié)過程中存在信息丟失或模糊的問題，導(dǎo)致提取的海岸線不夠精確[2]。此外，遙感影像通常具有高分辨率和大范圍，因此需要更深、更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)來處理這種規(guī)模較大的數(shù)據(jù)。海岸線提取在遙感影像處理中是一個(gè)復(fù)雜而具有挑戰(zhàn)性的問題，其中，海岸線周圍的地物特征多種多樣，包括海浪、沙灘、巖石和建筑物等，它們的外觀和紋理各不相同，增加了海岸線提取的難度。遙感影像的質(zhì)量和分辨率對(duì)海岸線提取具有重要影響。分辨率較低的影像可能導(dǎo)致海岸線模糊或者不清晰，無法捕捉海岸線的細(xì)節(jié)。光照條件不同會(huì)使影像中海岸線的亮度和對(duì)比度發(fā)生變化，陰影會(huì)使海岸線的邊界變得模糊或不連續(xù)，對(duì)自動(dòng)海岸線提取算法提出了更高要求。海岸線是一個(gè)動(dòng)態(tài)的地理特征，易受潮汐、海浪和風(fēng)等自然因素的影響。因此，海岸線提取算法需要具備一定的魯棒性，能夠處理不同時(shí)間段影像中海岸線的變化。

針對(duì)這些問題，本文改進(jìn)的UNet++[3]等深度學(xué)習(xí)模型能夠利用端到端的學(xué)習(xí)來提取影像特征，從而更準(zhǔn)確地提取海岸線。并通過合理設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化損失函數(shù)以及使用大規(guī)模數(shù)據(jù)集進(jìn)行訓(xùn)練，有效應(yīng)對(duì)上述挑戰(zhàn)。同時(shí)，對(duì)于特定的問題和數(shù)據(jù)集，改進(jìn)的UNet++還可以結(jié)合其他技術(shù)，例如數(shù)據(jù)增強(qiáng)、多尺度處理等來進(jìn)一步提升海岸線提取性能。改進(jìn)的UNet++提出了一種有效的解決方案，即引入雙重注意力來增強(qiáng)信息傳遞和特征融合能力，從而提高語義分割的精度和魯棒性。在遙感影像海岸線提取中，改進(jìn)的UNet++可以更好地捕獲海岸線的細(xì)節(jié)和邊界信息，從而提高提取的準(zhǔn)確性。

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

本文的改進(jìn)UNet++的網(wǎng)絡(luò)結(jié)構(gòu)包括編碼器部分和解碼器部分。編碼器部分利用卷積層和池化層逐步縮小特征圖尺寸，提取圖像中的高級(jí)語義信息；解碼器部分則利用上采樣和跳躍連接將編碼器部分提取的特征圖進(jìn)行逐層恢復(fù)，最終生成與輸入圖像尺寸相同的語義分割結(jié)果。在改進(jìn)的UNet++中，每層編碼器和解碼器間均有連接，能夠融合底層和高層的特征圖，使網(wǎng)絡(luò)可以利用不同層級(jí)的信息進(jìn)行學(xué)習(xí)和推斷，以提高特征的重用和表達(dá)能力。

改進(jìn)的UNet++在UNet的基礎(chǔ)上引入了多層級(jí)連接和特征融合機(jī)制，這些改進(jìn)具有重要意義。多層級(jí)連接是指改進(jìn)UNet++引入了密集的跳躍連接，將每層編碼器和解碼器都與對(duì)應(yīng)的解碼器和編碼器層連接起來，形成了一個(gè)密集的連接網(wǎng)絡(luò)。這種連接方式使網(wǎng)絡(luò)可以充分利用不同層級(jí)的特征信息，提高網(wǎng)絡(luò)的感知范圍和特征表達(dá)能力。與單一層級(jí)連接的網(wǎng)絡(luò)結(jié)構(gòu)相比，多層級(jí)連接可以更好地捕捉不同層次的語義信息，從而提高模型的性能和精度。特征融合機(jī)制是指改進(jìn)UNet++利用多層級(jí)連接，將編碼器和解碼器部分的特征圖進(jìn)行逐層融合，使網(wǎng)絡(luò)可以綜合利用不同層級(jí)的特征信息，從而提高了特征的重用和表達(dá)能力。這種特征融合機(jī)制可以有效減少信息丟失和梯度消失問題，提高網(wǎng)絡(luò)的訓(xùn)練穩(wěn)定性和收斂速度，同時(shí)也增強(qiáng)了網(wǎng)絡(luò)對(duì)復(fù)雜場(chǎng)景和細(xì)微結(jié)構(gòu)的識(shí)別能力。網(wǎng)絡(luò)深度和參數(shù)量的平衡是指改進(jìn)UNet++在引入多層級(jí)連接的同時(shí)，有效控制了網(wǎng)絡(luò)的深度和參數(shù)量，使網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡(jiǎn)潔而高效。在實(shí)際應(yīng)用中，這種平衡性使改進(jìn)UNet++既具有較強(qiáng)的表達(dá)能力和泛化能力，又具有較低的計(jì)算成本和內(nèi)存消耗，更適用于大規(guī)模數(shù)據(jù)和實(shí)時(shí)場(chǎng)景處理。

引入多層級(jí)的連接和特征融合機(jī)制后，改進(jìn)UNet++在語義分割任務(wù)中性能表現(xiàn)良好，更適合處理復(fù)雜場(chǎng)景和具有細(xì)微結(jié)構(gòu)的目標(biāo)。改進(jìn)UNet++的網(wǎng)絡(luò)描述相對(duì)簡(jiǎn)潔明了，較好地平衡了網(wǎng)絡(luò)深度和參數(shù)量，提高了訓(xùn)練和推斷效率。在海岸線提取等遙感影像任務(wù)中，改進(jìn)UNet++能夠?qū)W習(xí)不同尺度和層級(jí)的特征，以提高海岸線的提取精度和魯棒性，還能合理設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)，更好地適應(yīng)各種復(fù)雜場(chǎng)景下的遙感影像數(shù)據(jù)，提高海岸線提取的準(zhǔn)確性和效率。改進(jìn)的U-Net++網(wǎng)絡(luò)如圖1所示。

改進(jìn)的UNet++網(wǎng)絡(luò)還引用了雙重注意力機(jī)制，能夠針對(duì)海岸線存在的問題進(jìn)行有效提取。CBAM模塊（Convolutional Block Attention Module，CBAM）是一種用于增強(qiáng)神經(jīng)網(wǎng)絡(luò)性能的注意力機(jī)制，它將通道注意力和空間注意力相結(jié)合，能夠?qū)W習(xí)圖像中通道和空間信息的相關(guān)性，并自適應(yīng)地調(diào)整每個(gè)通道和空間位置的重要性。通道注意力模塊用于對(duì)每個(gè)通道的特征圖進(jìn)行加權(quán)，以增強(qiáng)有用特征，并抑制無用特征?？臻g注意力模塊用于對(duì)每個(gè)空間位置的特征圖進(jìn)行加權(quán)，以增強(qiáng)圖像中重要的區(qū)域，并抑制不重要的區(qū)域。通過這種聯(lián)合的注意力機(jī)制，CBAM能夠更準(zhǔn)確地捕捉圖像中的重要特征，從而提升神經(jīng)網(wǎng)絡(luò)在各種視覺任務(wù)中的性能和魯棒性。雙重注意力機(jī)制如圖2所示。

CBAM模塊能夠接收卷積神經(jīng)網(wǎng)絡(luò)的輸入特征圖，這些特征圖包括圖像的抽象特征。空間注意力用于計(jì)算特征圖在不同空間位置上的重要性，即計(jì)算特征圖的平均池化（Average Pooling）和最大池化（Max Pooling），獲得每個(gè)空間位置的重要性分布。通道注意力用于計(jì)算特征圖中不同通道間的相關(guān)性和各通道的重要性，即通過全局平均池化（Global Average Pooling）和全局最大池化（Global Max Pooling）來實(shí)現(xiàn)。根據(jù)空間注意力和通道注意力計(jì)算出的空間和通道注意力分布來調(diào)整輸入特征圖的權(quán)重，從而生成經(jīng)注意力機(jī)制調(diào)整后的特征圖。最后，經(jīng)過CBAM模塊調(diào)整后的特征圖被傳遞到后續(xù)的CNN層或者其他任務(wù)模塊中，用于完成具體的計(jì)算機(jī)視覺任務(wù)，例如圖像分類、目標(biāo)檢測(cè)等。

綜上所述，本文的改進(jìn)UNet++引入了多層級(jí)連接、特征融合機(jī)制和雙重注意力機(jī)制，平衡了網(wǎng)絡(luò)的深度和參數(shù)量，使網(wǎng)絡(luò)具有更強(qiáng)的特征表達(dá)能力和泛化能力，從而顯著提升了語義分割任務(wù)中的性能。在海岸線提取等遙感影像任務(wù)中，改進(jìn)UNet++能夠更好地利用不同層級(jí)的特征信息，提高海岸線的提取精度和魯棒性，從而有效解決了傳統(tǒng)方法中存在的問題，具有更廣闊的應(yīng)用前景。

2 試驗(yàn)結(jié)果和分析

2.1 數(shù)據(jù)集構(gòu)建

將本文改進(jìn)的UNet++網(wǎng)絡(luò)在海岸線數(shù)據(jù)集中進(jìn)行對(duì)比試驗(yàn)，影像裁剪為（512×512）ppi，選取416張照片為試驗(yàn)對(duì)象，將其按照7∶2∶1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。數(shù)據(jù)集中的部分影像和對(duì)應(yīng)標(biāo)簽如圖3所示。

2.2 試驗(yàn)結(jié)果和分析

為了驗(yàn)證改進(jìn)UNet++在處理海岸線遙感影像方面的有效性和優(yōu)越性，本文針對(duì)影像中海岸線的特點(diǎn)，選擇具有代表性的測(cè)試影像進(jìn)行試驗(yàn)。使用UNet、SegNet、UNet++以及本文算法對(duì)測(cè)試影像進(jìn)行海岸線提取，并對(duì)試驗(yàn)結(jié)果進(jìn)行比較和分析。影像部分試驗(yàn)結(jié)果如圖4所示。

由圖4可知，UNet和SegNet網(wǎng)絡(luò)對(duì)海岸線的提取結(jié)果較差，錯(cuò)誤提取了較多的其他地類，在邊緣細(xì)節(jié)處理上也不夠準(zhǔn)確。而UNet++網(wǎng)絡(luò)的海岸線提取結(jié)果比上述2種算法有所提高，但是提取結(jié)果中仍存在空洞現(xiàn)象。本文算法在提取準(zhǔn)確度和邊緣細(xì)節(jié)處理方面均比較準(zhǔn)確，在雙重注意力的作用下，多余海岸線的識(shí)別能力有所提升，在邊緣細(xì)節(jié)和結(jié)構(gòu)的完整度方面具有明顯優(yōu)勢(shì)?？梢姳疚乃惴ǖ暮０毒€類型多樣性辨別能力較好，在海岸線提取方面具有有效性和優(yōu)越性。

UNet、SegNet、UNet++和本文算法的定量評(píng)價(jià)結(jié)果見表1。從表1可以看出，本文算法在各個(gè)指標(biāo)上均為最優(yōu)。在MIoU指標(biāo)上，本文算法比UNet提高了20.28%，比SegNet提高了20.19%。在Recall指標(biāo)上，比UNet提高了23.21%，比UNet++提高了11.73%。在OA指標(biāo)上，只有本文算法在90%以上，其他算法均在85%以下。上述結(jié)果均表明本文算法在海岸線提取上具有高效性。

3 結(jié)論

針對(duì)海岸線提取存在的問題，本文將UNet++網(wǎng)絡(luò)進(jìn)行了改進(jìn)，改進(jìn)的UNet++在海岸線提取任務(wù)中具有更高的性能和精度，在處理復(fù)雜邊界和細(xì)節(jié)方面表現(xiàn)更出色。通過引入密集跳躍連接和多尺度特征融合機(jī)制，本文算法能夠更好地捕捉海岸線形狀和細(xì)微的邊緣特征，從而提高海岸線提取的準(zhǔn)確性和魯棒性。

在試驗(yàn)中，本文算法在海岸線提取任務(wù)中取得了令人滿意的效果。與對(duì)比算法相比，本文算法在保持邊界清晰的同時(shí)，能夠更好地識(shí)別和保留海岸線的細(xì)微特征，例如沙灘、礁石等，在海岸線提取任務(wù)中具有更高的適用性和可靠性，不僅適用于簡(jiǎn)單的海岸線圖像提取，也適用于復(fù)雜的海岸地形提取。此外，本文算法還在提取速度上具有顯著優(yōu)勢(shì)。雖然引入了更多的參數(shù)和復(fù)雜的連接機(jī)制，但是本文算法采用有效的網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練策略，能夠在保證提取質(zhì)量的同時(shí)，保持較高的計(jì)算效率。因此本文算法是海岸線提取領(lǐng)域的一種理想選擇，為海岸線研究和監(jiān)測(cè)提供了強(qiáng)大的工具和技術(shù)支持。

綜上所述，本文算法在UNet++網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行了改進(jìn)，在海岸線提取任務(wù)中具有顯著優(yōu)勢(shì)，即具有精準(zhǔn)的提取能力、高效的計(jì)算性能以及對(duì)復(fù)雜邊界和細(xì)節(jié)的處理能力，為海岸線研究和監(jiān)測(cè)提供了重要的技術(shù)支持。

參考文獻(xiàn)

[1]朱琳，黃玉玲，楊剛，等.基于GEE的杭州灣海岸線遙感提取與時(shí)空演變分析[J].自然資源遙感，2023（2）：50-60.

[2]王蕊，丁咚，李廣雪，等.基于改進(jìn)U-Net的海岸線提取方法[J].海洋科學(xué)，2022（5）：54-64.

[3]馬永軍，張藝，王廣來，等.改進(jìn)UNet++的遙感影像森林變化檢測(cè)方法[J].森林與環(huán)境學(xué)報(bào)，2024（3）：317-327.