[发明专利]基于ECAM-ResUNet2的互花米草遥感图像跨域语义分割方法

说明书

本发明公开了一种基于ECAM‑ResUNet2的互花米草遥感图像跨域分割方法，包括构建高效卷积注意力模块ECAM；以ResUNet模型为基本网络架构，构建ResUNet2模型，将ResUNet2上下文语义信息输入到ECAM模块中，构建ECAM‑ResUNet2网络模型；根据待预测地域和训练地域分别划分成目标域和源域，对源域的遥感图像数据进行图像裁剪和图像增强；将所述源域数据和目标域数据作为训练样本对ECAM‑ResUNet2进行训练，得到训练好的ECAM‑ResUNet2模型；将训练好的所述ECAM‑ResUNet2模型对待预测地域的遥感图像进行分类。报发明基于语义分割和跨域对齐的思想，能够应用于遥感图像中入侵物种互花米草分布情况的预测，且能同时保证在不同时相与不同场景的遥感图像中互花米草的预测精度较高。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于ECAM-ResUNet2的互花米草遥感图像跨域语义分割方法。

背景技术

江苏滨海湿地是我国入侵植物互花米草面积最大的湿地。互花米草在湿地中存在已近40年，对滨海湿地生态系统的安全构成了严重威胁，被列为最严重的外来入侵植物之一，因此，有效地描述互花米草在中国沿海地区的入侵动态和分布情况是当务之急。

许多研究试图在区域或局地尺度上研究互花米草在中国的入侵动态，但传统的地面调查很难对互花米草的入侵程度的变化进行广泛的了解。与传统的野外调查相比，遥感技术具有监测面积大、数据时间序列长等优点。它可以有效、准确地获取互花瓢虫的时空分布信息，因此被广泛用于研究互花米草在中国的扩张。

早期对遥感图像中互花米草的提取方法是传统机器学习方法，如最大似然、支持向量机、随机森林等。也有研究者利用训练决策规则对互花米草进行了分类。传统机器学习方法虽能快速提取遥感多光谱图像中的互花米草地区，但对复杂功能模型的处理能力有限，鲁棒性和自动化水平较低，难以提高复杂滨海湿地场景的分类精度。因此，从大范围、长时间序列的遥感数据中提取互花米草的信息仍然是一项具有挑战性的任务，需要开发更强大的分类方法。

深度学习本质上是通过学习多层非线性网络结构，将原始数据的底层属性转化为更具鲁棒性的抽象特征，实现从样本中学习数据本质特征的强大能力，是机器学习的一个新领域。目前存在的一些基于深度学习进行互花米草的识别方法，这些方法主要采用的是以卷积神经网络(CNN)模型为原型进行各种改进的分类框架，相比于分割，分类由于需要对图像的每个像素都需要逐一输入到模型中进行判别，不仅耗时较长，同时精度要更低；语义分割方法是将图像的每个像素按语义标签进行分类的方法，使用这种方法能快速对遥感影像中的包含互花米草的像素进行分类，达到从影像中提取互花米草区域的目的。

同时，目前存在的互花米草提取方法大多是同场景的互花米草的识别，如果转换成跨场景任务后，分类精度就会大大降低。并且由于不同场景的物种复杂度不同，使得基于经典深度学习模型的遥感影像互花米草跨域分割任务依然面临着挑战。

发明内容

本发明的目的在于提出一种基于ECAM-ResUNet2的互花米草遥感图像跨域语义分割方法，其既能保持较快的模型训练速度，又可以在跨场景预测中保持较高的互花米草提取精度和较低的计算复杂度。

为了实现以上发明目的，本发明的技术方案如下：

一种基于ECAM-ResUNet2的互花米草遥感图像跨域语义分割方法，包括以下步骤：

S1：构建高效卷积注意力模块ECAM；

S2：以ResUNet模型为基本网络架构，构建ResUNet2模型，将ResUNet2上下文语义信息输入到ECAM模块中，构建ECAM-ResUNet2网络模型；

S3：根据待预测地域和训练地域分别划分成目标域和源域，对源域的遥感图像数据进行图像裁剪和图像增强；