基于Faster R-CNN和MorphACWE模型的SAR圖像高原湖泊提取

董天成，楊肖，李卉，張志，齊睿

(1.中國(guó)地質(zhì)大學(xué)(武漢)地球物理與空間信息學(xué)院，武漢 430074； 2.中國(guó)地質(zhì)大學(xué)(武漢)地球科學(xué)學(xué)院，武漢 430074； 3.32023部隊(duì)，大連 116023)

0 引言

青藏高原分布有地球上海拔最高、數(shù)量最多、面積最大，以鹽湖和咸水湖集中為特色的高原內(nèi)陸湖群，是我國(guó)湖泊分布密集的地區(qū)之一，其湖泊總面積約占全國(guó)湖泊總面積的一半[1]。2019年7月亞洲水塔國(guó)際研討會(huì)上，中國(guó)科學(xué)家提出的以青藏高原冰川和湖泊為核心的第三極水塔計(jì)劃[2]受到廣泛關(guān)注，青藏高原冰川及湖泊變化情況已成為國(guó)際水資源研究與實(shí)踐探索的熱點(diǎn)之一。實(shí)現(xiàn)冰川和湖泊的準(zhǔn)確監(jiān)測(cè)是青藏高原水資源科學(xué)化管理的必要前提[3]。由于青藏高原區(qū)域自然環(huán)境惡劣，實(shí)地調(diào)查測(cè)繪等工作受制約情況明顯，利用遙感影像進(jìn)行高原湖泊邊界及面積監(jiān)測(cè)成為目前最高效的手段之一。合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)主要反映地物的后向散射信息[4]，使得以鏡面反射為主的湖泊呈現(xiàn)出完全不同于冰川和陸地等其他地物的特征。由于不受天氣、晝夜和季節(jié)的影響，SAR圖像已成為現(xiàn)階段湖泊勘測(cè)的重要數(shù)據(jù)源。

基于閾值分割的SAR圖像湖泊信息提取方法是國(guó)內(nèi)外較早一批發(fā)展完善的高效提取方法，2010年，安成錦等[5]利用典型Otsu算法閾值分割處理RadarSat-1影像，證明了多閾值SAR圖像水域分割的使用價(jià)值，最終分割結(jié)果精度達(dá)93.47%； 2013年,李智慧等[6]利用混合閾值法處理Envisat ASAR影像實(shí)現(xiàn)了陽(yáng)澄湖輪廓提取，精度達(dá)99.41%，證明了其精度高于傳統(tǒng)單純一維或二維算法。值得注意的是，閾值分割方法簡(jiǎn)單、運(yùn)算速度快，能進(jìn)行快速水體提取，但在區(qū)分與水體散射特征相似的地物時(shí)誤分情況較為明顯且缺乏空間特征考量。

為進(jìn)一步提高湖泊提取精度，部分學(xué)者開(kāi)始將SAR圖像中的水體紋理和形態(tài)特征引入用于辨識(shí)水體。Hahmann T等[7]利用Snake主動(dòng)輪廓模型實(shí)現(xiàn)了TerraSAR-X數(shù)據(jù)中的湖泊分割，精度相較于閾值分割法提升明顯； 王慶等[8]將紋理特征與第一主成分閾值相結(jié)合，實(shí)現(xiàn)基于SAR數(shù)據(jù)的鄱陽(yáng)湖水體變化監(jiān)測(cè)； Jin H等[9]和鄧瀅等[10]均提出結(jié)合紋理特征與極化特征進(jìn)行極化SAR圖像水體識(shí)別，精度達(dá)98.89%，同一實(shí)驗(yàn)區(qū)相較于基于像素的分類(lèi)算法提高約6%； 冷英等[11]利用模糊C均值聚類(lèi)法(Fuzzy C-Means,FCM)提取哨兵1A數(shù)據(jù)中的水體區(qū)域，實(shí)現(xiàn)速度提升明顯，精度可達(dá)97.60%； Sghaier M O等[12]提出局部紋理描述子與形態(tài)學(xué)相結(jié)合提取湖泊輪廓曲線的算法，利用RADARSAT-2圖像實(shí)現(xiàn)了加拿大多個(gè)地區(qū)湖泊提取，精度達(dá)到98.50%； Li N等[13]提出了噪聲過(guò)濾器與改進(jìn)的幾何輪廓模型組合算法，基于高分三號(hào)和Sentinel-1A數(shù)據(jù)實(shí)現(xiàn)了丹江口水庫(kù)的水線提取與動(dòng)態(tài)監(jiān)測(cè)。值得注意的是，上述多種方法還缺乏高級(jí)語(yǔ)義特征的加入，且實(shí)驗(yàn)區(qū)差異性較大，各算法推廣性存在較大障礙。

由于對(duì)深層高維特征的挖掘能力和高應(yīng)用泛化能力，深度學(xué)習(xí)算法逐步成為時(shí)下基于SAR圖像湖泊提取的熱點(diǎn)算法。Zhang Y等[14]利用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了基于高分三號(hào)影像的中國(guó)山西省岱海湖泊邊界提取，精度相較于傳統(tǒng)算法提升明顯； Shang F等[15]利用四元數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了PolSAR圖像的復(fù)雜地表下湖區(qū)提取； Yang F Y等[16]利用Mask R-CNN實(shí)例分割算法[17]對(duì)包括SAR數(shù)據(jù)在內(nèi)的多種數(shù)據(jù)集進(jìn)行訓(xùn)練，生成檢測(cè)模型在提取規(guī)則形狀的水體時(shí)準(zhǔn)確度達(dá)90%，提取不規(guī)則水體準(zhǔn)確度達(dá)76%，但在結(jié)論中發(fā)現(xiàn)Mask R-CNN在提取多水體樣本時(shí)檢測(cè)效果不佳。

上述各類(lèi)算法均為低維或高維特征單一分析水體提取，已實(shí)現(xiàn)較高準(zhǔn)確度的SAR圖像湖泊提取，但當(dāng)進(jìn)行大范圍多湖泊提取時(shí)，部分算法會(huì)受相似特征地物干擾，影響最終提取準(zhǔn)確度。實(shí)現(xiàn)高維特征與低維特征的結(jié)合會(huì)使分類(lèi)精度繼續(xù)有提升的可能。基于此，本文提出結(jié)合Faster R-CNN和MorphACWE的湖泊提取算法，使用歐洲航天局哥白尼計(jì)劃(GMES)中的Sentinel-1A衛(wèi)星的C波段合成孔徑雷達(dá)數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)源，通過(guò)Faster R-CNN的目標(biāo)檢測(cè)算法分析高維特征，實(shí)現(xiàn)大范圍區(qū)域內(nèi)的湖泊中心點(diǎn)確定，再通過(guò)MorphACWE輪廓模型結(jié)合低維湖泊紋理特征完成湖泊邊界劃分，綜合實(shí)現(xiàn)大范圍區(qū)湖泊端對(duì)端語(yǔ)義分割，在綜合干擾下多湖泊提取結(jié)果精度達(dá)99.71%。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于中國(guó)西藏自治區(qū)那曲市南部至日喀則市北部，如圖1所示，范圍為30°40′～ 33°01′N(xiāo)、86°37′～ 92°19′E。覆蓋面積約為17萬(wàn)km2，平均海拔約4 600 m，擁有面積50 km2以上的湖泊38個(gè)，1 km2以上湖泊70多個(gè)。湖泊多為咸水湖，分布較為密集，同時(shí)又由于藏西地區(qū)植被稀少，較小時(shí)間跨度下湖泊變化情況不明顯，環(huán)境干擾因素較少。重點(diǎn)檢測(cè)區(qū)共包含1 km2以上湖泊6個(gè)，其中面積最大的為面積244.7 km2的達(dá)則措。

圖1 研究區(qū)概況示意圖Fig.1 Research area overview

1.2 數(shù)據(jù)源

實(shí)驗(yàn)數(shù)據(jù)選擇歐空局Sentinel-1A干涉寬幅模式(TOPS Mode)的斜距單視復(fù)數(shù)產(chǎn)品(SLC)，空間分辨率為5 m×20 m。共選擇研究區(qū)范圍內(nèi)VV和VH極化影像13幅，成像時(shí)間為2019年7月1日至2019年8月18日，數(shù)據(jù)列表如表1所示。上述數(shù)據(jù)均進(jìn)行輻射定標(biāo)、地形校正、地理編碼和噪聲去除等預(yù)處理。研究區(qū)內(nèi)影像為目標(biāo)檢測(cè)模塊訓(xùn)練樣本集數(shù)據(jù)來(lái)源，重點(diǎn)檢測(cè)區(qū)內(nèi)影像為輸出模型檢測(cè)數(shù)據(jù)。

表1 研究使用數(shù)據(jù)Tab.1 Data in the study area

參考數(shù)據(jù)為歐空局Sentinel-2A的多光譜影像經(jīng)正射校正和亞像元級(jí)幾何精校正后的大氣表觀反射率產(chǎn)品(Level-1C)數(shù)據(jù)，該影像共13個(gè)波段，空間分辨率為10 m。由于云霧影響，僅選取4幅影像，成像時(shí)間為2019年7月22日和2019年9月22日。完成輻射定標(biāo)和大氣校正等預(yù)處理后，對(duì)其進(jìn)行人機(jī)交互解譯，分類(lèi)解譯成果是后期進(jìn)行多方法分類(lèi)結(jié)果精度評(píng)價(jià)的重要參考數(shù)據(jù)。

2 研究方法

2.1 改進(jìn)型Faster R-CNN目標(biāo)檢測(cè)算法

2.1.1 基于VGG16的Faster R-CNN

在R-CNN和Fast R-CNN目標(biāo)檢測(cè)算法基礎(chǔ)上，Ren S Q等提出了Faster R-CNN算法[18]。該算法由兩個(gè)重要部分組成，分別是基于全卷積的區(qū)域生成網(wǎng)絡(luò) (region proposal networks，RPN)和基于區(qū)域的目標(biāo)識(shí)別網(wǎng)絡(luò)Fast R-CNN。兩個(gè)網(wǎng)絡(luò)結(jié)構(gòu)共享卷積層參數(shù)，使得Faster R-CNN算法的檢測(cè)速度和精度都獲得大幅提高。

Faster R-CNN的工作流程分4步，如圖2所示，第一步將圖像輸入VGG16卷積神經(jīng)網(wǎng)絡(luò)，提取出圖像的各項(xiàng)特征，輸出特征圖像； 第二步將特征圖像輸入RPN網(wǎng)絡(luò)中，通過(guò)Anchors(候選框種類(lèi)k=9)輸出大量候選區(qū)域框； 第三步將第一步的特征圖像和第二步RPN輸出的候選區(qū)域框共同輸入Fast R-CNN框架； 第四步結(jié)合Softmax層的候選框中各類(lèi)別概率分析和全連接層的候選區(qū)域精確校正，最終輸出目標(biāo)檢測(cè)結(jié)果。

圖2 Faster R-CNN結(jié)構(gòu)圖Fig.2 Structure of Faster R-CNN

2.1.2 改進(jìn)型特征提取器

VGG16網(wǎng)絡(luò)的池化層位于卷積層后，主要目的為降低圖像維度，改善過(guò)擬合情況。原版特征提取器VGG16中所使用的多個(gè)最大池化層可以較好地保留圖像區(qū)域特征和紋理信息。但值得注意的是由于本文所需處理的影像數(shù)據(jù)為SAR數(shù)據(jù)，該數(shù)據(jù)中極易出現(xiàn)大量噪聲信息，雖然對(duì)原始數(shù)據(jù)已進(jìn)行LEE濾波等去噪處理，但離完全去除噪聲仍有部分距離，所以此時(shí)利用最大池化層進(jìn)行池化操作可能會(huì)導(dǎo)致部分高噪聲區(qū)域的信息誤判，由于前向傳播的連續(xù)性，這一信息誤判會(huì)一直影響到最終結(jié)果的輸出； 此外池化層在增大感受野的同時(shí)會(huì)導(dǎo)致部分信息缺失，這對(duì)基于像元任務(wù)的結(jié)果預(yù)測(cè)有一定的影響[19]。基于上述問(wèn)題，本文將原版特征提取器VGG16中的4個(gè)最大池化層更換為步長(zhǎng)為2的卷積層，卷積核大小為3×3，如圖3所示。更換后的特征提取器可以更好地保留圖像的背景信息，也可以在一定程度上實(shí)現(xiàn)去噪功能，3×3的卷積核可以在保持原始數(shù)據(jù)的紋理信息基礎(chǔ)上減少特征損失。

圖3 改進(jìn)型VGG16結(jié)構(gòu)圖Fig.3 Structure of Improved VGG16

2.2 MorphACWE輪廓模型

無(wú)邊界主動(dòng)輪廓模型(Active Contours without Edges，ACWE)是一種全局最優(yōu)的輪廓提取模型，于2001年由Chan和Vese提出[20],故又稱CV模型。CV模型假設(shè)圖像可以分為均勻同質(zhì)區(qū)域，利用目標(biāo)和背景的灰度值與各自對(duì)應(yīng)的平均灰度值差的平方來(lái)構(gòu)建驅(qū)動(dòng)函數(shù)。

假設(shè)一幅圖像為I(x)，則其無(wú)邊界主動(dòng)輪廓能量泛函可表示為:

(1)

式中：C為輪廓曲線內(nèi)區(qū)域；c1和c2分別為輪廓線內(nèi)外部區(qū)域的灰度均值；μ為約束邊界長(zhǎng)度的參數(shù)； ν為約束閉合輪廓面積的常數(shù)；λ1和λ2為控制輪廓線內(nèi)外能量權(quán)重的參數(shù)； inside(C)為目標(biāo)區(qū)域，outside(C)為背景區(qū)域； 長(zhǎng)度約束L和面積約束A用于控制輪廓線的光滑度和規(guī)則度。

公式右側(cè)第一和第二項(xiàng)均為輪廓曲線內(nèi)力，在迭代過(guò)程中可以控制過(guò)分割和誤分割產(chǎn)生的多余輪廓； 第三項(xiàng)和第四項(xiàng)為外力，用來(lái)引導(dǎo)曲線收斂到目標(biāo)邊界處。

當(dāng)F(C)取最小值時(shí)，輪廓線即為實(shí)際區(qū)域邊界。引入水平集可簡(jiǎn)化極小化能量函數(shù)，演化曲線用水平集函數(shù)u表示，同時(shí)加入一維Dirac測(cè)度函數(shù)及Heaviside函數(shù)，可得：

(2)

值得注意的是原始CV模型需要使用數(shù)值積分方法來(lái)求解偏微分方程和水平集，計(jì)算成本相對(duì)較高，且存在一定穩(wěn)定性問(wèn)題。基于此，2014年Marquez-Neila P等[21]提出一種基于曲率形態(tài)算子的無(wú)邊界主動(dòng)輪廓模型(MorphACWE) ，通過(guò)在二元水平集上定義一組具有等價(jià)無(wú)窮小行為的形態(tài)算子來(lái)實(shí)現(xiàn)偏微分方程的數(shù)值解。

假設(shè)第n次迭代后輪廓曲線變?yōu)閡n，則第n+1次函數(shù)變?yōu)椋?/p>

(3)

式中：Dd為擴(kuò)張運(yùn)算；Ed為收縮運(yùn)算；SId°ISd為平滑操作中的曲率形態(tài)算子。

MorphACWE模型相較于原版CV模型運(yùn)算速度更快，計(jì)算成本更低，穩(wěn)定性更強(qiáng)，相較于Snake模型和GAC模型則具有更好的抗噪性能[22]，并且通過(guò)獲取全局最優(yōu)值可以更好地處理有模糊邊緣甚至離散狀邊界的目標(biāo)，故成為現(xiàn)階段最為高效的輪廓提取算法之一。但CV系列模型的缺陷在于在對(duì)區(qū)域分割時(shí)分割結(jié)果過(guò)于依賴初始值[23]，MorphACWE模型的初始值確定對(duì)分割精度和速度影響較大。

2.3 FR-MorphACWE算法構(gòu)建

現(xiàn)有算法通過(guò)低維或高維特征單一分析水體提取，已實(shí)現(xiàn)較高準(zhǔn)確度的SAR圖像湖泊提取，但當(dāng)處理大范圍多湖泊提取時(shí)，部分算法會(huì)受相似特征地物干擾，影響最終提取準(zhǔn)確度； 此外嘗試將高維深層特征與低維特征結(jié)合可以使分類(lèi)精度進(jìn)一步提升。

基于上述問(wèn)題，本文提出的FR-MorphACWE(Faster Region-based Convolution Neural Network-MorphACWE)算法以改進(jìn)的Faster R-CNN目標(biāo)檢測(cè)算法和MorphACWE輪廓模型為基礎(chǔ)進(jìn)行構(gòu)建。首先利用改進(jìn)型Faster R-CNN對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，利用訓(xùn)練結(jié)果模型對(duì)檢測(cè)數(shù)據(jù)進(jìn)行分類(lèi)檢測(cè)，刪去原有算法中的識(shí)別輸出層，對(duì)接MorphACWE模型，直接將識(shí)別區(qū)域的中心點(diǎn)坐標(biāo)位置作為輪廓曲線膨脹初始點(diǎn)，再通過(guò)輪廓曲線的內(nèi)外力引導(dǎo)膨脹，最終迭代出最佳輪廓線，精準(zhǔn)劃分湖泊邊界，實(shí)現(xiàn)湖泊與非湖泊的語(yǔ)義分割，架構(gòu)如圖4所示。上述模型設(shè)計(jì)既可以保留原有Faster R-CNN目標(biāo)識(shí)別的準(zhǔn)確度，同時(shí)由于直接輸出識(shí)別區(qū)域中心點(diǎn)，避免了候選框與初始回歸位置的偏差； 此外利用MorphACWE模型提取輪廓可以較好地保證目標(biāo)的內(nèi)部同質(zhì)性和空間一致性。

圖4 FR-MorphACWE算法架構(gòu)圖Fig.4 Structure of FR-MorphACWE

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)步驟

為驗(yàn)證本文方法有效性，具體實(shí)驗(yàn)步驟(圖5)共分以下3步。第一，對(duì)研究區(qū)內(nèi)Sentinel-1A影像進(jìn)行預(yù)處理，裁剪為小塊后建立L-SAR數(shù)據(jù)集進(jìn)行檢測(cè)模型訓(xùn)練； 第二，利用引言中所提到SAR圖像湖泊提取發(fā)展各階段典型算法： OTSU閾值分割算法、模糊C均值分類(lèi)、Mask R-CNN算法和本文提出FR-MorphACWE算法從綜合干擾下的多湖泊提取角度進(jìn)行分類(lèi)實(shí)驗(yàn)； 第三通過(guò)計(jì)算準(zhǔn)確率、精準(zhǔn)率、召回率、F1分?jǐn)?shù)和Kappa系數(shù)實(shí)現(xiàn)湖泊提取效果定量評(píng)價(jià)。

圖5 實(shí)驗(yàn)流程Fig.5 Experimental procedures

3.2 模型訓(xùn)練與超參數(shù)設(shè)置

3.2.1 L-SAR數(shù)據(jù)集

樣本集是深度學(xué)習(xí)模型的血液。本文以PASCAL VOC數(shù)據(jù)集為藍(lán)本構(gòu)建高原湖泊SAR數(shù)據(jù)集(L-SAR數(shù)據(jù)集)，數(shù)據(jù)源為13景完成預(yù)處理后的Sentinel-1A影像，選取大小湖泊共73個(gè)，利用圖像裁剪和數(shù)據(jù)增強(qiáng)處理共生成樣本數(shù)據(jù)共1 200景，訓(xùn)練湖泊累計(jì)1 872個(gè)，單景樣本數(shù)據(jù)尺寸在147像元×285像元到357像元×500像元范圍內(nèi)且保持每景中存在1～5個(gè)湖泊。為使最終輸出模型擁有更好魯棒性，L-SAR數(shù)據(jù)集包含不同極化方式、尺寸和區(qū)域位置等成像條件的樣本數(shù)據(jù)。將數(shù)據(jù)集中的960景作為Faster R-CNN的訓(xùn)練數(shù)據(jù)集(占比70%)，240景作為測(cè)試數(shù)據(jù)集(占比20%)，120景作為驗(yàn)證數(shù)據(jù)集(占比10%)。

3.2.2 模型超參數(shù)及訓(xùn)練

本文模型基于Tensorflow框架，進(jìn)行CUDA8.0加速后在GPU(NVIDIA GTX 1050ti 4 GB顯存)中實(shí)現(xiàn)檢測(cè)模型訓(xùn)練，具體參數(shù)如表2，訓(xùn)練時(shí)長(zhǎng)為12 h25 min。模型損失率折線圖如圖6，損失率最終收斂至0.047 3～0.051 4。

表2 FR-MorphACWE超參數(shù)設(shè)置表Tab.2 FR-MorphACWE super parameter settings

圖6 損失率折線圖Fig.6 Loss rate line chart

3.3 綜合干擾多湖泊提取

多湖泊提取的主要問(wèn)題在于多干擾因素的綜合影響，主要干擾因素包括高原冰川和湖心島，高原冰川多呈雪白色且整體表面光滑[24]，在接收到微波傳感器發(fā)射的信號(hào)時(shí)后向散射極低； 湖心島是湖泊中露出水面的陸地，其上土壤水分含量相對(duì)高，后向散射系數(shù)也與水體近似[25]。此外研究區(qū)內(nèi)湖泊數(shù)量、大小差異性較大，形態(tài)復(fù)雜度和水質(zhì)變異度較高。受影像分辨率限制，研究范圍內(nèi)僅選取6個(gè)1 km2以上湖泊作為分類(lèi)目標(biāo)進(jìn)行綜合精度評(píng)價(jià)，其中最大的湖泊為達(dá)則錯(cuò)，面積244.7 km2，面積最小的湖泊位于研究區(qū)中部偏東南方向，面積為4.95 km2。

(a) 強(qiáng)度值對(duì)比 (b) 湖泊影像1 (c) 湖泊影像2

對(duì)比各湖泊的強(qiáng)度值不難發(fā)現(xiàn)，在選取各湖泊深水區(qū)的情況下，其強(qiáng)度值存在部分差異，其中湖泊4的強(qiáng)度峰值最小，整體湖泊平均值為0.004 806； 湖泊3的強(qiáng)度峰值最大，整體湖泊平均值為0.015 124； 同時(shí)存在冰川、湖心島等其他多種干擾地物影響下，各分類(lèi)算法均出現(xiàn)小范圍誤分情況，各分類(lèi)方法結(jié)果如表3所示； 各分類(lèi)方法結(jié)果準(zhǔn)確率、精準(zhǔn)率、召回率、F1指標(biāo)和Kappa系數(shù)如表4所示； 各分類(lèi)方法結(jié)果與真實(shí)值差異圖如圖8所示。

表3 各分類(lèi)方法提取結(jié)果對(duì)比Tab.3 Comparison of extraction results of different classification methods

表4 各分類(lèi)方法精度對(duì)比Tab.4 Accuracy comparison ofdifferent classification methods

總結(jié)表3、表4和圖8各項(xiàng)指標(biāo)可得，如表4中 OTSU閾值分割算法在處理大范圍且存在冰川、湖心島等干擾地物的區(qū)域時(shí)召回率僅為69.244 7%，大量干擾地物無(wú)法與湖泊區(qū)分出來(lái)。如表3研究區(qū)1號(hào)范圍內(nèi)的大量冰川和山體陰影等非湖泊區(qū)域被劃分為湖泊，但研究區(qū)2號(hào)范圍內(nèi)的湖心島整體識(shí)別情況較為良好。由于OTSU閾值分割算法是基于像素和閾值的分類(lèi)算法，極易受到影像椒鹽噪聲的影響，分類(lèi)結(jié)果湖泊內(nèi)部的同質(zhì)性受影響降低明顯，整體準(zhǔn)確率、精準(zhǔn)率和召回率相較于后續(xù)深度學(xué)習(xí)算法還存在明顯差距。

模糊C均值算法分類(lèi)結(jié)果準(zhǔn)確率低于其他3種分類(lèi)算法，召回率低于50%，研究區(qū)北部幾乎無(wú)法實(shí)現(xiàn)干擾排除，大量高原冰川被劃分為湖泊，且多湖泊內(nèi)部同質(zhì)性受噪聲影響明顯。主要原因?yàn)槟：鼵均值算法是一種無(wú)監(jiān)督聚類(lèi)算法，通過(guò)迭代求解目標(biāo)函數(shù)最小化的過(guò)程來(lái)確定每一個(gè)樣本分類(lèi)隸屬度，其對(duì)初始值和噪聲值非常敏感，迭代極易陷入局部極值, 導(dǎo)致偏離全局最優(yōu)。

Mask R-CNN實(shí)例分割算法是基于Faster R-CNN的重要改進(jìn)算法，整體框架與Faster R-CNN保持一致，其創(chuàng)新性地加入了全連接的分割子網(wǎng)，實(shí)現(xiàn)了目標(biāo)的實(shí)例分割。由于挖掘地物高維特征信息，結(jié)果準(zhǔn)確度相較于OTSU閾值分割算法和模糊C均值算法有大幅提升，湖泊內(nèi)部同質(zhì)性非常強(qiáng)。其準(zhǔn)確度高達(dá)98.79%，精準(zhǔn)率和召回率也均高于94%，證明了提升高維特征挖掘能力對(duì)提取精度的顯著影響。但從圖8中不難發(fā)現(xiàn)，其分類(lèi)結(jié)果中的湖泊邊界較為圓滑，與真實(shí)情況差距較大，未實(shí)現(xiàn)精準(zhǔn)湖泊邊界勾畫(huà)，湖泊內(nèi)湖心島也被誤分為湖泊。其原因主要由于分割子網(wǎng)利用反卷積操作來(lái)實(shí)現(xiàn)湖泊面提取，無(wú)法提供精度更高的邊界信息。

結(jié)合深度學(xué)習(xí)高維特征分析和邊緣輪廓模型目標(biāo)邊緣分割算法的FR-MorphACWE算法最大特點(diǎn)在于自適應(yīng)能力較強(qiáng)，在處理綜合干擾下的多湖泊提取情況下分類(lèi)精度達(dá)到99%以上，且精準(zhǔn)率和召回率均保持在98%以上，均明顯高于其他3種分類(lèi)算法。由于結(jié)合了MorphACWE輪廓模型的邊緣提取算法，湖泊外部輪廓清晰、內(nèi)部同質(zhì)性較強(qiáng)，不會(huì)受到影像椒鹽噪聲的影響。此外本文提出算法運(yùn)行步驟較少，人為后續(xù)干預(yù)度低，優(yōu)勢(shì)更為明顯。

4 結(jié)論

本文提出的FR-MorphACWE算法綜合改進(jìn)型Faster R-CNN目標(biāo)檢測(cè)算法的高維特征分析和MorphACWE輪廓模型的邊界提取算法，實(shí)現(xiàn)了SAR圖像的高原湖泊端對(duì)端語(yǔ)義分割。本文在西藏自治區(qū)那曲市南部至日喀則市北部展開(kāi)實(shí)驗(yàn)，實(shí)現(xiàn)了多干擾、大尺度影響下的高精度湖泊提取，通過(guò)與OTSU閾值分割、模糊C均值和Mask R-CNN算法的對(duì)比可明顯發(fā)現(xiàn)，本文提出的FR-MorphACWE算法整體參數(shù)設(shè)置少、需求數(shù)據(jù)量小、運(yùn)行周期短、自適應(yīng)能力強(qiáng)、泛化性能好，可以作為SAR圖像湖泊提取的新算法加以推廣和應(yīng)用。

本文FR-MorphACWE算法的普適性還有待在中國(guó)地形二級(jí)階梯和三級(jí)階梯湖泊密集區(qū)做進(jìn)一步檢驗(yàn)，同時(shí)在下一階段的研究中可選擇以多源遙感數(shù)據(jù)作為數(shù)據(jù)源，在高準(zhǔn)確度提取的基礎(chǔ)上，實(shí)現(xiàn)多時(shí)相變化檢測(cè)。