基于Deeplabv3模型的深度学习林地特征提取方法研究.pdf

测绘第46 卷第2 期2 0 2 3年4月61基于 Deeplabv3模型的深度学习林地特征提取方法研究黄恒1任文力1陈豪勇赵元沛1雷宇宙1唐乾坤1（1.自然资源部第三航测遥感院，四川成都6 10 10 0；2.新疆展绘同创工程管理咨询有限公司，新疆乌鲁木齐8 30 0 0 0）摘要】在测绘工作中，如何快速准确获取林地信息一直是困扰大家的难题。传统的方法是通过作业员人工描绘，或者用监督分类方法，但都存在工作量大的问题。本文针对典型的高分辨率遥感影像，提出了基于Deeplabv3模型的深度学习林地特征提取方法：首先选取不同影像源的遥感影像并制作林地样本，然后采用Deeplabv3模型进行训练，通过自测精度判断模型质量，再提取林地栅格，并在ArcGIS中依次进行栅格转面、补面中漏洞、筛选面、平滑面和简化面操作，得到林地矢量。实验表明，该方法的准确率8 8.36%，召回率94.30%，kappa系数89.25%，并且能够较好获取林地边界信息，结合少量人工修改可以应用于测绘生产中，具有广泛的应用价值。【关键词林地；Deeplabv3模型；深度学习；特征提取中图分类号 P237Research on Deep Learning Woodland Feature Extraction MethodHUANG Heng REN Wen-li CHEN Hao-yong ZHAO Yuan-pei LEI Yu-zhou TANG Qian-kun文献标识码 ABased on Model Deeplabv3文章编号】16 7 4-50 19（2 0 2 3）0 2-0 0 6 1-0 51引言林地自动提取是遥感影像信息获取的重要环节，在大比例尺地形图绘制、地理国情监测和督查审计等测绘生产项目中，具有重要的研究价值。由于传统方法都不能准确提取林地特征，所以在测绘生产中长期使用人工采集，存在成本高和效率低的问题 2 。随着人工智能飞速发展，基于深度学习的理论和实践给林地提取提供了思路。传统监督分类方法主要包括马氏距离法和最大最小距离法，能较好提取林地信息。2 0 14年，林海军4等采用马氏距离法来区分影像原始光谱和变换光谱中林地光谱特征的差异，从而有效提取出林地，但存在大量噪声的影响；2 0 2 1年，冯小林 5等验证了传统监督分类方法中马氏距离法提取林地的优势，但该方法的泛化性较弱；马赞甫 等采用最大最小距离法通过结合DEA模型来提取林地，能较好地提取林地信息，但也存在大量噪声。深度学习技术主要采用深层神经网络，将给定样本中的目标特征由低层到高层进行获取，从而提取出更准确的目标信息 7 。Anagnostis8等采用深度学习提取遥感影像中的果园，能够较好地提取果园信息，但存在大量的错提和漏提现象；韩蕊 等结合VGG16和U-Net卷积神经网络，可以实现小样本量提取柑橘树冠信息，但提取精度受影像季节性影响较大；Wuloi等基于U-Net模型，能够实现冬季时枝丫裸露的苹果树信息提取，并未推广至林地信息提取。由于林地具有复杂的纹理和光谱特性，在深度学习中的相关研究较少，本文针对典型的高分辨率遥感影像，提出了基于Deeplabv3模型的深度学习林地特征提取方法，实现林地自动提取。测试表明，该方法能够较好地提取出林地信息，结合少量人工修改，可以在测绘生产中有效提高生产效率。2研究区概况及数据研究区位于四川省邛崃市，地理位置处于成都平原西部，西接龙门山脉南段延伸山系，东部、东北部为平坝，南部为浅丘，西部为深丘地貌。由于该地区林业资源丰富，官方统计的森林覆盖率达48.8 8%，所以对林地的准确提取具有重要价值。本文选取该区域典型的多源高分辨率多光谱遥感影像，主要包括高分一号、高分二号、高分六号、资源三号、高景一号和北京二号影像，多光谱由红、绿、蓝、近红外四个波段组成。影像季节主要集中在冬季和夏季，空间参考系采用CGCS2000坐标系。研究区如图1所示。623Deeplabv3模型原理深度学习进行语义分割是将样本中目标要素的纹理、形状和颜色等由像素级特征到结构性特征的表达，从而实现目标信息的准确提取。已有的深度学习图像分割模型包括VGGNetl12、Se g Ne t 13a 和DeepLabv3 L141等。DeepLabv3 模型是基于 DeepLabv1 15 和 DeepLa-bv216模型，并扩展ASPP功能，通过四个不同大小的空洞卷积层和一个全局平均池化层，从而获取目标的深层特征。DeepLabv3模型主要包括四个模块：Init测绘第46 卷第2 期2 0 2 3年4月Block、St a g e l-4、A SPP和Final Block，其结构示意103*300东图如图2 所示。30300北3030:0北05.0010.0020:000103*300东图1研究区示意首先将输入影像（512 512 3）经过InitBlock模块，下采样得到林地的浅层特征。模块由三个33的卷积层和一个maxpooling层组成，其中卷积层和max pooling层的stride=2，所以输出数据的尺寸下降4倍，通道为6 4。然后将数据（12 8 12 8 6 4）依次经过Stagel、Stage2、St a g e 3和Stage4 阶段，获取林地的深层特征。Stagel由三个残差单元组成，每个残差单元的stride=1，尺寸不变，通道变为2 56，输出为12 8 12 8X256；St a g e 2 由四个残差单元组成，其中第一个残差单元的33卷集核的stride=2，因此尺寸降2 倍，通道变为512，输出为6 4X64512；St a g e 3由2 3个残差单元组成，其中第一个残差单元的33卷集核的stride=2，因此尺寸降2 倍，通道变为10 2 4，输出为32 32 10 2 4；Stage4由三个残差单元组成，每个残差单元的stride=1，r a te=2（感受野变化：33-55-77)，因此尺寸不变，通道变为2 0 48，输出为 32 32 2 0 48。InitBlock5125123128128X64Stage1-432322048FinalASPPBlock32322565125122（分类结果）图2 Deeplabv3模型架构示意其次将数据（32 32 X2048）经过ASPP模块，进一步挖掘林地的深层特征。ASPP模块包括五个部分：一个11卷积层，输出为32 32 2 56；一个3X3的空洞卷积层，rate=12，输出为32 X32256；一个33的空洞卷积层，rate=24，输出为32 32 256；一个33的空洞卷积层，rate=36，输出为3232256；一个Avgpooling（全局平均池化层）和一个11卷积层，输出为32 32 2 56。最后将数据（32 X32X256）经过FinalBlock模块，上采样得到林地和背景。主要包含一个3X3卷积层做concat操作；一个11卷积层改变输出通道数 num_class；以及一个 unsampling，将 num_class张特征图使用bilinear方式上采样16 倍，得到512 5122的分类结果。4研究方法及分析4.1基于Deeplabv3模型的深度学习林地特征提取方法在遥感影像中提取林地信息，主要分为林地样本制作、Deeplabv3林地模型训练和林地提取三个阶段。先选取典型区域的多源高分辨率遥感影像，制作林地样本，采用Deeplabv3模型进行模型训练并预测模型精度，将满足精度要求的林地模型用来提取林地栅格，并在ArcGIS中后处理得到林地矢量信息。该方法的技术路线如图3所示。针对不同影像源数据分别选取样本区域并进行林地矢量标记，主要采用人工勾绘的方式制作仅包含林地矢量和背景矢量的数据，然后将其转化为二值化数据作为样本标签。样本标签结合对应的影像就构成样本数据，通过裁剪的方式得到标准尺寸512 512像素的标准样本，如图4所示。本文基于硬件Intel（R）Xe o n（R）Silv e r 42 162.1GHz 的 CPU 和 NVIDIA TITAN RTX 2080 Ti 24GB的GPU，软件python3.7、Pa d d l e Pa d d l e 2.1，自主开发深度学习系统实现本文方法的模型训练和林地提取功能。测绘第46 卷第2 期2 0 2 3年4月63林地样本制作Deeplabv3林地模型训练选取多源遥感影像林地矢量标记制作林地样本标签一裁剪标准林地样本林地提取提取林地栅格数据栅格转面训练Deeplabv3模型补面中漏洞模型精度预测筛选面否是是否满足要求平滑面立简化面图3基于Deeplabv3模型的深度学习林地特征提取方法技术路线图6 林地提取结果示意图4样本区域及标准样本示意由于林地对于近红外波段敏感，所以将林地样本按照近红外、红、绿波段顺序，采用Deeplabv3模型进行模型训练，系统在运行过程中会自动选取样本中的一部分样本作为测试样本，从而实现精度自测。通过自测精度指标中的准确率（IoU）和召回率（Acc）可以判断模型质量，如图5所示。2021-12-1409:18:11LINFO)TRAINJepoch:51,iter:2021-12-1409:18:14INFO2021-12-1409:18:17CINFO2021-12-1409:18:21CINFOJ2021-12-14,09:18:21INFO4653/4653=2021-12-14.0924:592021-12-1409:24:59INFO9INFO0.94990.8318J021-12-1409:2：59 INFO 0.97130.91842021-12-14U9:24:59INF0Kclass,paddle.nn.layer.conv.Conv2nys.tlopshasbeenKalasspaddle.nn.layer.norn BatchNorn2Ds.flops hasbKclasspaddle.nn.layer.pooling.AvgPool2Dg.tlopshas.C:lUsers/ZETTAKIT/AppDataLocal/TempL_MEI103842/paddleltDoing this will not modify any behavior and is safe.Deprecated in NumPy.l.20:for more details and.guidance:TotalF1ops:466765824通过提取程序，得到林地栅格数据。在ArcGIS中先进行栅格转矢量和删除背景矢量操作，然后填补小面积的空洞，并删除不满足阈值条件的林地矢量，依次进行平滑面和简化面处理，得到最终的林地矢量。如图6 所示。4.2结果分析为验证模型的泛化性，选取测区内非样本区域影像分别用马氏距离法、最大最小距离法、U-Net卷积神经网络和本文方法提取林地。深度学习方法采用控制变量法，即用相同的样本进行模型训练并且从训练相同时间的模型中获取各自最优模型进行林地提取，得到的结果示意图如图7 图12 所示。从图中可以看出，马氏距离法和最大最小距离法的提取结果中均TRAINepoch:51,iter:(TRAIN1epoch:5i,iter:TRAINepoch:51,iter:Start evaluating(total)=-J-398s86ms/sLEVALjClass IoU:EVAL#Images:4653mloEVAL Class Acc:EVAL ThemodelwiththTotal Params:4125868图5模型自测精度示意存在不同层度的椒盐噪声，并且将部分水面、草地和阴影错提为林地；两种深度学习方法的提取效果明显优于传统的监督分类方法，提取出林地的边界精度基本能够达到像素级精度；本文方法的提取精度优于U-Net方法，但仍存在少量错提和漏提现象。针对这几种方法的提取结果，与人工目视解译结果进行精度测试，得到准确率、召回率和kappa系数的统计结果如表1所示。表1几种方法提取林地精度对比提取方法准确率马氏距离法38.40%最大最小距离法62.78%U-Net81.29%本文方法88.36%召回率93.19%92.40%93.26%94.30%kappa57.80%67.70%84.69%89.25%64测绘第46 卷第2 期2 0 2 3年4月图7 测试影像图12 本文方法从表1中可以看出：四种方法均具有较高的召回率，其中本文方法的召回率最高；马氏距离法虽具有较高的召回率，但准确率和kappa系数均最低；两种深度学习方法的各项指标均优于传统的监督分类方法，且本文方法的各项指标均最高。5结论图8 目视解译图9马氏距离法图10 最大最小距离法图 11 U-Net本文针对典型的高分辨率遥感影像提取林地信息，提出了基于Deeplabv3模型的深度学习林地特征提取方法。该方法的准确率、召回率和kappa系数分别能够达到8 8.36%、9 4.30%和8 9.2 5%，相比于传统的监督分类方法具有更好的提取效果，在审计、督查、地理国情监测等测绘生产项目中具有良好的应用前景。但该方法提取的林地不能直接用于成果，仍存在少量错提和漏提，需要继续丰富样本或改进算法，从而进一步优化林地模型的提取效果。参考文献1】惠键。基于多任务学习的高分辨率遥感影像建筑实例分割 J北京大学学报（自然科学版），2 0 19，55（6）：1067-1077.2黄磊，陈尔东昊基于多特征U-Net网络的工程活动图斑快速识别 J测绘通报，2 0 2 1（12）：7 5-7 8.3张广运，张荣庭，戴琼海，等.测绘地理信息与人工智能2.0融合发展的方向J测绘学报，2 0 2 1，50（8）：1096-1108.4林海军，张绘芳，高亚琪，等基于马氏距离法的荒漠树种高光谱识别 J光谱学与光谱分析，2 0 14，34（12）：3358-3362.5冯小林，桂木政，龚建辉，等基于马氏距离法的遥感影像林地特征提取方法研究J测绘，2 0 2 1，44（5）：208-211.6马赞甫，刘晓洁最小欧氏距离的DEA投影模型研究 J.数学的实践与认识，2 0 2 1，51（12）：12 0-12 9.7 Lecun Y,Bengio Y,Hinton G.Deep learningJ.Nature,2015，52 1（7 553）：436-444.8 Anagnostis Athanasios etal.Orchard Mapping with Deep测绘第46 卷第2 期2 0 2 3年4月Learning Semantic SegmentationJl.Sensors,2021,21（11)：38 13-38 13.9韩蕊，慕涛阳，赵伟，等基于无人机多光谱影像的柑橘树冠分割方法研究J林业工程学报，2 0 2 1，6（5）：84-90.1o WU J T,YANG G J,YANG H,et al.Extracting appletree crown information from remote imagery usingdeep learning J.Computers and Electronics inAgriculture，2 0 2 0,17 4:10 550 4.11杜骞深度学习在图像语义分类中的应用 D武汉：华中师范大学，2 0 14.12 Yungang Guo,Wei Zhang,Xueqin Bai,Kai Chen.VGGNet:Detection of excavated areas in high-resolutionremote sensing imagery using combined hierarchicalspatial pyramid pooling and VGGNet J.R e m o t eSensing Letters,2021,12（12）：12 6 9-12 8 0.13 Badrinarayanan V,Kendall A,Cipolla R.SegNet:Adeep convolutional encoder-decoder architecture forim-age segmentationJ.IEEE Trans Pattern Anal MachIntell，2 0 17，39（12）：2 48 1-2 49 5.14 Liu C,Chen L,Schroff F,et al.Auto-DeepLab:Hier-archical neural architecture search forsemantic image segmentation c.Proceedings of theIEEE Conference on Computer Vision and PatternRecognition,2019:82-92.15 Chen L,Papandreou G,Kokkinos I,et al.DeepLab:65Se-mantic image segmentation with deep convolute-onal nets,atrous convolution,and fully connectedCRFsJl.IEEE Transactions on Pattern Analysis andMachine In-telligence，2 0 17，40（4）：8 34-8 48.16 Chen L,Papandreou G,Kokkinos I,et al.Semanticimage segmentation with deep convolutional nets andfully connected crfs J.C o m p u t e r Sc ie n c e,2 0 14(4):357-361.收稿日期 2 0 2 2-10-12【作者简介黄恒（1992-），男，四川眉山人，硕士研究生，主要从事遥感与基础数据处理工作。【基金项目遥感影像语义分割样本自动提取及深度学习模型构建技术研究（项目编号：Y2021ZL04）资助。