基于改进U-Net的珊瑚礁底栖物质信息提取方法

珊瑚礁底栖物质信息提取在珊瑚礁遥感监测领域具有重要意义。SVM、最大似然法等传统珊瑚礁底栖物质信息提取方法存在精度不高、不够自动化、时间成本较高等问题。目前深度学习方法在语义分割领域已有广泛应用,且取得了较好的效果,为此,利用深度学习技术设计一种基于改进U-Net的分割网络模型,以进行珊瑚礁底栖物质信息提取。为了保留分割细节,对编码器的每个层级设置一种多输入的方式。将ResNet34的残差部分结构作为网络的编码器,以提取更丰富的特征。结合分解卷积、注意力机制和通道混洗操作设计一种新的特征提取块,并将其代替编码器、底层和解码器中的普通卷积层。同时,通过注意力机制来改善U-Net模型的远跳连接,对权重进行调整,以提高分割精度。在三亚地区的GF-2多光谱遥感影像上进行实验,提取的地物类别分别为健康珊瑚礁、白化珊瑚礁、藻类混合物、沙、浪花、深海区和陆地,通过面向对象方法并结合Google Earth影像进行目视解译以修订建立数据集。实验结果表明,该模型的平均交并比和平均F1值分别达到67.17%和78.7%,与常用的分割模型相比,其在视觉效果和评价指标上更优,消融实验结果也验证了改进模块的有效性。