[发明专利]结合自注意力机制的U-Net神经网络冰湖提取方法

说明书

本发明公开了一种结合自注意力机制的U‑Net神经网络冰湖提取方法，该方法主要步骤如下：首先获取研究区遥感影像与并绘制标签数据；然后制作监督分类训练栅格数据集，选取对比试验输入波段，构建神经网络模型并对效果进行对比分析；最后利用效果最佳的模型进行研究区域冰湖提取。本发明将Landsat 8全波段遥感数据与融合自注意力的U‑Net网络结合，可用于辅助决策、早期预警和减轻危害，为防灾减灾提供新思路。

技术领域

本发明涉及深度学习方法的信息提取领域，具体涉及一种结合自注意力机制的U-Net神经网络冰湖提取方法。

背景技术

冰湖是冰川融水留滞在地表凹陷地形处而形成的天然水体，是高山冰川灾害的孵化器，在山地灾害研究中具有重要作用。近年来发生了多次冰湖崩塌事件，造成重大生命财产损失。因此，对冰湖进行实时监测至关重要。冰湖是一种特殊的湖泊，在高海拔地区具有多种特征。光学遥感图像所包含的地理信息是复杂的，光学遥感卫星的传感器具有多波段数据，受不同地形的影响，还携带复杂的语义信息。在遥感图像中，冰湖会出现与某些地物相似的现象(如山体阴影)，因此很难准确地从遥感影像大范围提取冰湖。

近年来，深度学习作为一种新兴的多层神经网络学习算法，在无需人工干预的条件下，可以从原始特征中获取高级特征，提高分类的准确性。U-Net网络是一种U形网络结构，可以同时获取上下文信息和位置信息。其设计初衷是为了解决医学图像分割问题。U-Net是一种基于全卷积神经网络(FCN)基本结构的更精细化的设计，取代了优化的FCN网络。U-net采用的是一个包含下采样和上采样的网络结构。下采样用来逐渐展现环境信息，而上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息，并且逐步还原图像精度。

自注意力U-net是一种结合注意力机制的深度学习方法。自注意力U-Net网络编码器和解码器部分使用相同的刻度，并与AG模块相连，实现注意机制。首先，AG模块将编码器部分同比例的特征图与解码器部分的上采样结果相结合，进行3×3卷积运算，输出通道数为比例编码器和解码器部分的一半，从而在粗尺度上提取融合特征，同时消除不相关噪声。ReLU激活函数具有抑制AG模块过拟合的激活功能，然后使用1个输出通道和1×1卷积核大小的卷积层输出注意权值。

本发明提出了一种结合自注意力机制的U-Net神经网络冰湖提取方法。

在现有技术中，主要有以下文献与本发明申请相关。

文献1中国科学院遥感与数字地球研究所陈方等申请的发明《一种基于遥感卫星影像的高原地区冰湖提取方法》，申请号：CN201710957162.8。该方法主要用于大范围冰湖粗提取和局部冰湖精提取，粗提取方法为：根据预处理后的遥感卫星影像得到整个区域的归一化冰湖指数NDWI值，结合近红外波段NIR值及短波红外波段SWIR值，对整幅图像设置NDWI、NIR、SWIR的阈值去除冰川及其它部分地物的影响；利用预处理后的DEM数据生成区域的坡度图，并设定坡度阈值去除山体阴影的影响，粗略提取出所有冰湖以及混有的部分背景，精提取方法为：在冰湖粗提取的结果上，利用引入符号压力函数的C V模型逐个精确提取冰湖；本发明的提取方法能有效去除影响冰湖提取的各类因素，达到准确提取，同时针对图像中的较小冰湖，也有较好的提取效果。

文献2山东师范大学贾伟宽等申请的发明《一种基于U-Net网络的青苹果图像分割方法及系统》，申请号：CN202011427191.1。该方法通过图像分割模型获取青苹果分割图像，

将青苹果图像输入训练好的图像分割模型中，获取青苹果分割图像；图像切割模型是基于U-Net网络构建的融入Edge结构的青苹果边缘特征提取模型，继而将青苹果边缘特征和基于U-Net网络提取的青苹果特征融合，输出青苹果分割图像，实现了对青苹果的快速准确分割。