基于改进UNet++的遥感影像海岸线提取方法

摘 要：遥感图像的海陆分割对海岸线提取和动态监测具有重要意义。本文将深度卷积神经网络应用于高分辨率遥感图像的陆海分割，并在经典编解码器结构的基础上进行了创新。为了提高网络区分海岸线的能力，本文在UNet++网络中引入双重注意力机制，以提高海岸线特征的学习能力，抑制非海岸线特征学习，并利用研究区遥感图像数据对海岸线进行分割。试验结果表明，与经典的UNet、DeepLab v3+和UNet++网络相比，本文改进UNet++网络的分割结果更准确，各种海岸线边界模糊度较低。面对日益丰富的高分辨率遥感图像数据源，基于改进UNet++的海岸线提取可以更好地保留边界信息，并具有更好的语义分割效果，可以更准确地挖掘高分辨率遥感图像的空间分布特征、纹理特征和光谱特征，从而提高分类的准确性。

关键词：UNet++；双重注意力；遥感影像；海岸线提取

中图分类号：P 237 " " " 文献标志码：A

由于海岸线的形态复杂，并易受影像质量、光照条件等因素的影响，因此在遥感影像中，海岸线提取是一个具有挑战性的任务[1]。传统UNet网络在处理复杂边界和细节过程中存在信息丢失或模糊的问题，导致提取的海岸线不够精确[2]。此外，遥感影像通常具有高分辨率和大范围，因此需要更深、更复杂的网络结构来处理这种规模较大的数据。海岸线提取在遥感影像处理中是一个复杂而具有挑战性的问题，其中，海岸线周围的地物特征多种多样，包括海浪、沙滩、岩石和建筑物等，它们的外观和纹理各不相同，增加了海岸线提取的难度。遥感影像的质量和分辨率对海岸线提取具有重要影响。分辨率较低的影像可能导致海岸线模糊或者不清晰，无法捕捉海岸线的细节。光照条件不同会使影像中海岸线的亮度和对比度发生变化，阴影会使海岸线的边界变得模糊或不连续，对自动海岸线提取算法提出了更高要求。海岸线是一个动态的地理特征，易受潮汐、海浪和风等自然因素的影响。因此，海岸线提取算法需要具备一定的鲁棒性，能够处理不同时间段影像中海岸线的变化。

针对这些问题，本文改进的UNet++[3]等深度学习模型能够利用端到端的学习来提取影像特征，从而更准确地提取海岸线。并通过合理设计网络结构、优化损失函数以及使用大规模数据集进行训练，有效应对上述挑战。同时，对于特定的问题和数据集，改进的UNet++还可以结合其他技术，例如数据增强、多尺度处理等来进一步提升海岸线提取性能。改进的UNet++提出了一种有效的解决方案，即引入双重注意力来增强信息传递和特征融合能力，从而提高语义分割的精度和鲁棒性。在遥感影像海岸线提取中，改进的UNet++可以更好地捕获海岸线的细节和边界信息，从而提高提取的准确性。

1 道路提取网络结构设计

本文的改进UNet++的网络结构包括编码器部分和解码器部分。编码器部分利用卷积层和池化层逐步缩小特征图尺寸，提取图像中的高级语义信息；解码器部分则利用上采样和跳跃连接将编码器部分提取的特征图进行逐层恢复，最终生成与输入图像尺寸相同的语义分割结果。在改进的UNet++中，每层编码器和解码器间均有连接，能够融合底层和高层的特征图，使网络可以利用不同层级的信息进行学习和推断，以提高特征的重用和表达能力。

改进的UNet++在UNet的基础上引入了多层级连接和特征融合机制，这些改进具有重要意义。多层级连接是指改进UNet++引入了密集的跳跃连接，将每层编码器和解码器都与对应的解码器和编码器层连接起来，形成了一个密集的连接网络。这种连接方式使网络可以充分利用不同层级的特征信息，提高网络的感知范围和特征表达能力。与单一层级连接的网络结构相比，多层级连接可以更好地捕捉不同层次的语义信息，从而提高模型的性能和精度。特征融合机制是指改进UNet++利用多层级连接，将编码器和解码器部分的特征图进行逐层融合，使网络可以综合利用不同层级的特征信息，从而提高了特征的重用和表达能力。这种特征融合机制可以有效减少信息丢失和梯度消失问题，提高网络的训练稳定性和收敛速度，同时也增强了网络对复杂场景和细微结构的识别能力。网络深度和参数量的平衡是指改进UNet++在引入多层级连接的同时，有效控制了网络的深度和参数量，使网络结构相对简洁而高效。在实际应用中，这种平衡性使改进UNet++既具有较强的表达能力和泛化能力，又具有较低的计算成本和内存消耗，更适用于大规模数据和实时场景处理。

引入多层级的连接和特征融合机制后，改进UNet++在语义分割任务中性能表现良好，更适合处理复杂场景和具有细微结构的目标。改进UNet++的网络描述相对简洁明了，较好地平衡了网络深度和参数量，提高了训练和推断效率。在海岸线提取等遥感影像任务中，改进UNet++能够学习不同尺度和层级的特征，以提高海岸线的提取精度和鲁棒性，还能合理设计网络结构和损失函数，更好地适应各种复杂场景下的遥感影像数据，提高海岸线提取的准确性和效率。改进的U-Net++网络如图1所示。

改进的UNet++网络还引用了双重注意力机制，能够针对海岸线存在的问题进行有效提取。CBAM模块（Convolutional Block Attention Module，CBAM）是一种用于增强神经网络性能的注意力机制，它将通道注意力和空间注意力相结合，能够学习图像中通道和空间信息的相关性，并自适应地调整每个通道和空间位置的重要性。通道注意力模块用于对每个通道的特征图进行加权，以增强有用特征，并抑制无用特征。空间注意力模块用于对每个空间位置的特征图进行加权，以增强图像中重要的区域，并抑制不重要的区域。通过这种联合的注意力机制，CBAM能够更准确地捕捉图像中的重要特征，从而提升神经网络在各种视觉任务中的性能和鲁棒性。双重注意力机制如图2所示。

CBAM模块能够接收卷积神经网络的输入特征图，这些特征图包括图像的抽象特征。空间注意力用于计算特征图在不同空间位置上的重要性，即计算特征图的平均池化（Average Pooling）和最大池化（Max Pooling），获得每个空间位置的重要性分布。通道注意力用于计算特征图中不同通道间的相关性和各通道的重要性，即通过全局平均池化（Global Average Pooling）和全局最大池化（Global Max Pooling）来实现。根据空间注意力和通道注意力计算出的空间和通道注意力分布来调整输入特征图的权重，从而生成经注意力机制调整后的特征图。最后，经过CBAM模块调整后的特征图被传递到后续的CNN层或者其他任务模块中，用于完成具体的计算机视觉任务，例如图像分类、目标检测等。

综上所述，本文的改进UNet++引入了多层级连接、特征融合机制和双重注意力机制，平衡了网络的深度和参数量，使网络具有更强的特征表达能力和泛化能力，从而显著提升了语义分割任务中的性能。在海岸线提取等遥感影像任务中，改进UNet++能够更好地利用不同层级的特征信息，提高海岸线的提取精度和鲁棒性，从而有效解决了传统方法中存在的问题，具有更广阔的应用前景。

2 试验结果和分析

2.1 数据集构建

将本文改进的UNet++网络在海岸线数据集中进行对比试验，影像裁剪为（512×512）ppi，选取416张照片为试验对象，将其按照7∶2∶1的比例划分为训练集、测试集和验证集。数据集中的部分影像和对应标签如图3所示。

2.2 试验结果和分析

为了验证改进UNet++在处理海岸线遥感影像方面的有效性和优越性，本文针对影像中海岸线的特点，选择具有代表性的测试影像进行试验。使用UNet、SegNet、UNet++以及本文算法对测试影像进行海岸线提取，并对试验结果进行比较和分析。影像部分试验结果如图4所示。

由图4可知，UNet和SegNet网络对海岸线的提取结果较差，错误提取了较多的其他地类，在边缘细节处理上也不够准确。而UNet++网络的海岸线提取结果比上述2种算法有所提高，但是提取结果中仍存在空洞现象。本文算法在提取准确度和边缘细节处理方面均比较准确，在双重注意力的作用下，多余海岸线的识别能力有所提升，在边缘细节和结构的完整度方面具有明显优势。可见本文算法的海岸线类型多样性辨别能力较好，在海岸线提取方面具有有效性和优越性。

UNet、SegNet、UNet++和本文算法的定量评价结果见表1。从表1可以看出，本文算法在各个指标上均为最优。在MIoU指标上，本文算法比UNet提高了20.28%，比SegNet提高了20.19%。在Recall指标上，比UNet提高了23.21%，比UNet++提高了11.73%。在OA指标上，只有本文算法在90%以上，其他算法均在85%以下。上述结果均表明本文算法在海岸线提取上具有高效性。

3 结论

针对海岸线提取存在的问题，本文将UNet++网络进行了改进，改进的UNet++在海岸线提取任务中具有更高的性能和精度，在处理复杂边界和细节方面表现更出色。通过引入密集跳跃连接和多尺度特征融合机制，本文算法能够更好地捕捉海岸线形状和细微的边缘特征，从而提高海岸线提取的准确性和鲁棒性。

在试验中，本文算法在海岸线提取任务中取得了令人满意的效果。与对比算法相比，本文算法在保持边界清晰的同时，能够更好地识别和保留海岸线的细微特征，例如沙滩、礁石等，在海岸线提取任务中具有更高的适用性和可靠性，不仅适用于简单的海岸线图像提取，也适用于复杂的海岸地形提取。此外，本文算法还在提取速度上具有显著优势。虽然引入了更多的参数和复杂的连接机制，但是本文算法采用有效的网络设计和训练策略，能够在保证提取质量的同时，保持较高的计算效率。因此本文算法是海岸线提取领域的一种理想选择，为海岸线研究和监测提供了强大的工具和技术支持。

综上所述，本文算法在UNet++网络的基础上进行了改进，在海岸线提取任务中具有显著优势，即具有精准的提取能力、高效的计算性能以及对复杂边界和细节的处理能力，为海岸线研究和监测提供了重要的技术支持。

参考文献

[1]朱琳，黄玉玲，杨刚，等.基于GEE的杭州湾海岸线遥感提取与时空演变分析[J].自然资源遥感，2023（2）：50-60.

[2]王蕊，丁咚，李广雪，等.基于改进U-Net的海岸线提取方法[J].海洋科学，2022（5）：54-64.

[3]马永军，张艺，王广来，等.改进UNet++的遥感影像森林变化检测方法[J].森林与环境学报，2024（3）：317-327.