一种基于深度学习语义分割的流域划分方法

1.本发明属于地形地貌学技术领域，涉及流域划分，具体涉及一种基于深度学习语义分割的流域划分方法。


背景技术：

2.流域是雨水分散汇合与集中排出的区域，是由确定的分水岭所围成的有机自然地理单元，是地质灾害、水文气象灾害的承载体。流域具有明显的等级划分和尺度效应，一个流域可以按照水系等级分成多个小流域，同时该小流域又是其所在大流域的一部分。流域是水流及其他物质汇集，并从一个共同出水口流出的区域，又叫做盆地、汇流区域或集水区。一般通过给定倾泻点或出水口来获得流域集水区总的区域。其特征包括流域的形状、面积、方向、高度、河网密度等。将一个流域划分为若干个子流域的过程叫做流域分割。根据流域集水区地貌形态的多样性和空间组合的复杂性，如何解决流域分割是应用的关键。
3.现有的流域划分方法虽然细节上有所不同，但是整体来看，有着大体上相同的步骤。首先是对数字高程模型(dem)中的洼地进行填充处理，保证后续过程分析能够得到正确的流向。第二步是确定dem各网格单元内水流的流向。第三步是提取汇流累积量及河网。地表径流模型中，径流是根据径流累积量来获得。径流累积量是根据流向计算得到的。第四步就是聚水区的形成和流域分割。确定一个出水口点，即集水区的最低点，然后结合流向数据，对流经出水口上游的所有网格进行分析和搜索，直到确定了集水区的所有网格，即搜索流域边界流域的位置。给定不同的阈值得到不同尺度的河网，从而得到不同尺度的流域划分结果。然而现有方法主要存在以下几个问题。
4.第一个问题是流域划分数据预处理洼地填充的计算复杂度高。dem是一个比较平滑的地表模型，由于数据噪声、各种内插方法的影响，dem数据中常常包含有一些洼地信息。洼地可能是地表的真实形态，也可能是dem生产过程中带来的数据错误，洼地在水文分析中会导致根据dem提取的河流水流不畅，不能形成完整的流域河网，因此首先对dem数据中的洼地进行填充处理，保证后续过程分析能够得到正确的流向。在早期的工作中，常用洼地去除方法主要是对dem数据进行平滑处理，然后再进行洼地填充，利用一个小窗口在整个dem上进行遍历，判断窗口中心点与四周点进行高程值比较，如果中心点低，则中心点是洼地，得到洼地点，就将洼地点的高程值改为相邻4个方向中高程最小的值。由于嵌套搜索，这种方法的计算复杂度高达o(n2)。当网格数量因近年来高分辨率dem的出现而大幅度增加时，虽然已经提出了一些改进的方法，例如，模拟地表漫流过程使洼地点网格被淹没，其复杂度为o(n1.5)，或者利用溢出高程和最小成本搜索将复杂性降低到o(nlogn)，尽管如此，洼地填充预处理仍然耗时。
5.第二个问题是流量累积阈值的不确定性使流域划分结果不可靠。一般需要不断凭借经验尝试不同阈值来得到不同的流域结果，同时借助于现有参照资料来比较确定阈值的选择。详细地说，河道像素被认为是主要受运输限制的，坡度逐渐下降，而相反，山坡像素受分离作用控制，并经历平行后退；这些区别很难通过具有单一阈值的子集水区的大小来把
握。为了解决这个问题，一些研究引入了几何特征，如地形曲率，并使用测地线最小化原则来识别河道像素，以及其他研究使用了当地坡度和集水区之间的关系对像素进行分类。然而，第一种解决方案仅使用了一小组预定义特征而其他几何特征也有可能被使用。此外，第二种解决方案仍然使用单一阈值，该阈值可以随着水文和侵蚀过程中的空间和时间变化而变化。


技术实现要素：

6.针对现有技术存在的不足，本发明的目的在于，提供一种基于深度学习语义分割的流域划分方法，以解决现有技术中的流域划分方法的效率和精度有待进一步提升的技术问题。
7.为了解决上述技术问题，本发明采用如下技术方案予以实现：
8.一种基于深度学习语义分割的流域划分方法，该方法按照以下步骤进行：
9.步骤s1，采集预设数量的不同地貌类型的流域图像数据样本，并进行预处理得到多个预设尺寸的子图像样本；对多个子图像样本进行标注得到多个标注流域区域的子图像标注样本，形成流域特征数据集。
10.步骤s2，将步骤s1中获得的子图像标注样本划分为训练集和验证集。
11.步骤s3，对步骤s1中获得的流域特征数据集进行标注和增强。
12.所述的标注包括采用canny算子提取边界以及后处理；所述的增强括随机变换以及结合语义信息进行增强；所述的语义信息为流域边缘信息。
13.步骤s4，对于经过步骤s3标注和增强后的流域特征数据集中的流域图像数据，提取流域图像数据的多通道特征信息，所述的多通道特征信息包括tpi、坡度、坡向、流向、剖面曲率、局部高点、坡度变率、坡向变率、坡长和高程变异系数。
14.步骤s5，将步骤s2得到的训练集以及步骤s4得到的多通道特征信息输入到改进的深度学习图像语义分割网络中进行训练，获得训练后的深度学习语义分割模型。
15.步骤s6.采集不同地貌类型的待检测流域图像数据，并按照步骤s1的预处理方法进行预处理，得到多个预设尺寸的待测子图像，待测子图像输入到经过步骤s5训练后的深度学习语义分割模型，得到对应的预测图像，从而实现待测流域的分割图像结果。
16.本发明还具有如下技术特征：
17.步骤s1中，所述的流域图像数据采用dem高程数据。
18.步骤s1中，所述的预处理包括：
19.步骤s101，采用高斯滤波方法去除噪声。
20.步骤s102，采用克里金插值填补，异常值通过使用聚类方法进行修复。
21.步骤s103，采用global mapper栅格处理软件进行裁剪和重采样。
22.步骤s104，采用最小－最大归一化方法进行归一化处理。
23.步骤s3具体包括以下步骤：
24.步骤s301，提取边界：
25.首先将流域特征数据集中的dem高程数据导入global mapper软件中进行伪彩色晕染图的可视化，导出为8位的单通道灰度图，利用边缘检测方法canny算子来提取边界信息。
26.步骤s302，后处理边界：
27.后处理过程采用阈值参数为10，去除边界上的骨刺以及边界断裂，后处理的结果生成山地背景和流域边界的二值图；其中山地背景像素值设置为0，流域边界像素值设置为1。
28.步骤s303，增强：
29.采用两种增强方法，一是引入随机变换，二是结合语义信息进行增强。
30.所述的随机变换包括镜像翻转、旋转变换、随机平移、随机旋转和随机缩放。
31.所述的结合语义信息进行增强包括在流域边界提取任务中，通过随机删除部分流域边界像素，模拟实际流域中噪声和缺失数据，以增加模型对噪声和缺失数据的鲁棒性。
32.步骤s5中，所述的深度学习图像语义分割网络的改进过程为：
33.步骤s501，编码层共经过5个阶段，每个阶段由两层卷积层+归一化层+relu层，一层瓶颈注意力机制模块，最后一层是最大池化层，使用的是2
×
2的卷积核，步长为2。
34.骤s502，解码层和编码层中间添加池化模块，该模块为四层卷积核组成，其大小分别为1
×
1，2
×
2，3
×
3，6
×
6。
35.步骤s503，解码层与编码层相对应，一共分为5个阶段，每个阶段由一层瓶颈注意力机制模块，一层是最大池化层，两层卷积层+归一化层+relu层组成。
36.步骤s504，对于原segnet主干网络架构中的损失函数进行优化，采用复合加权损失函数loss,最终优化的适用于流域划分任务的损失函数为：
[0037][0038][0039]
loss＝σ
×
crossentropyloss+(1-σ)
×
diceloss
[0040]
式中：
[0041]
crossentropyloss表示像素类别二分类的交叉熵损失函数；
[0042]
diceloss表示dice损失函数；
[0043]
loss表示复合加权损失函数；
[0044]
i表示第i个像素点，i＝1，
…
，n；
[0045]
n表示像素点个数；
[0046]
yi表示像素标签值；
[0047]y′i表示单个像素的预测值；
[0048]
σ表示加权超参数，设置为0.7。
[0049]
本发明与现有技术相比，具有如下技术效果：
[0050]
(ⅰ)本发明通过共享权重以及端到端的深度学习模型训练，有效解决了上述洼地填充预处理耗时以及以及流量累积阈值的不确定性使流域划分结果不可靠问题。
[0051]
(ⅱ)本发明的算法采用改进的网络分割模型以及损失计算的优化保证了流域划分的高效，在针对大尺度流域分割时效率尤其显著。
[0052]
(ⅲ)本发明在满足高效分割的同时，通过结合多通道信息特征可以实现相较于传
统方法更加准确的流域划分，相较于传统方法下的流域划分结果更加和实际地形相吻合。
附图说明
[0053]
图1是改进的深度学习语义分割模型megnet网络结构示意图。
[0054]
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
[0055]
需要说明的是，本发明中的所有的算法，如无特殊说明，全部均采用现有技术中已知的算法。
[0056]
随着深度学习的快速发展，图像处理技术取得重大突破。。图像分割可以表述为带有语义标签的像素分类问题(语义分割)或单个对象分割问题(实例分割)。将深度学习语义分割技术与流域划分任务结合起来，通过训练数据、网络架构的选择、损失函数、训练策略，可以有效地解决上述问题。例如，可以采用一组滤波器去除凹陷来平滑dem；结合多通道信息，可以自动提取几何特征以识别流域。此外，共享权重以及端到端的深度学习模型训练，使得流域划分在时间和空间上都更加高效。
[0057]
本发明提供了一种基于深度学习语义分割的流域划分方法，其通过采集预设数量的不同地貌类型的流域图像数据样本，并进行预处理得到多个预设尺寸的子图像样本，标注后得到多个流域图像标注样本；通过将多个子图像样本和对应的子图像标注样本划分为训练集和验证集，建立深度学习语义分割模型；分别利用训练集训练深度学习语义分割模型的各变量值和利用验证集验证深度学习语义分割模型的accuracy，mpa和fwiou准确度，得到最佳的深度学习语义分割模型；采集不同地貌类型的待检测图像数据，并进行预处理得到多个预设尺寸的待测子图像，待测子图像利用最佳的深度学习语义分割模型预测得到对应流域划分预测图像。
[0058]
遵从上述技术方案，以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本技术技术方案基础上做的等同变换均落入本发明的保护范围。
[0059]
实施例：
[0060]
本实施例给出一种基于深度学习语义分割的流域划分方法，该方法包括以下步骤：
[0061]
步骤s1，采集预设数量的不同地貌类型的流域图像数据样本，并进行预处理得到多个预设尺寸的子图像样本；对多个子图像样本进行标注得到多个标注流域区域的子图像标注样本，形成流域特征数据集。
[0062]
步骤s1中，所述的流域图像数据采用dem高程数据。采集不同地貌类型的流域图像数据样本，从卫星遥感数据、地图数据或气象数据的数据源中选取可靠准确的数据，确保可以提供足够的信息用于流域划分。数据集中不同流域的分布情况也需要考虑，需要保证不同流域的分布均匀，以避免模型对某些流域的过度拟合。综合考虑此处选取dem高程数据。
[0063]
步骤s1中，所述的预处理包括：
[0064]
步骤s101，dem高程数据中存在噪声，会影响数据的精度和可靠性。本步骤采用高斯滤波方法去除噪声。
[0065]
步骤s102，dem数据中存在缺失值和异常值，需要进行修补。本发明缺失值采用克里金插值填补，异常值通过使用聚类方法进行修复。
[0066]
步骤s103，dem数据的范围和分辨率需要进行裁剪和重采样来满足需求，本发明采用global mapper栅格处理软件进行裁剪和重采样。
[0067]
步骤s104，此外，dem数据的高程值范围不同，需要进行归一化处理，以提高数据的可比性和精度。本发明采用最小－最大归一化方法进行归一化处理。
[0068]
步骤s2，将步骤s1中获得的子图像标注样本划分为训练集和验证集。
[0069]
本步骤中，训练集用于深度学习模型的训练，验证集用于调整模型参数和防止过拟合。
[0070]
本实施例中，具体的，为满足训练数据的需要，首先将dem高程数据重采样至60m分辨率，这样做的好处是可以使样本中尽可能包含较多的流域边界信息。按照10％的重复率进行裁剪，对于大区数据分幅处理为512
×
512像素的单个样本，剔除含有边界无值区的数据后一共得到40445张有效原始样本，按照7：3随机划分为训练集，验证集。
[0071]
步骤s3，对步骤s1中获得的流域特征数据集进行标注和增强。
[0072]
所述的标注包括采用canny算子提取边界以及后处理；所述的增强括随机变换以及结合语义信息进行增强；所述的语义信息为流域边缘信息。
[0073]
步骤s3具体包括以下步骤：
[0074]
步骤s301，提取边界：
[0075]
首先将流域特征数据集中的dem高程数据导入global mapper软件中进行伪彩色晕染图的可视化，导出为8位的单通道灰度图，利用边缘检测方法canny算子来提取边界信息。由于dem数据的离散性，提取后的结果会产生边界断裂和重叠等问题，需要进行后处理来解决。
[0076]
步骤s302，后处理边界：
[0077]
后处理过程采用阈值参数为10，去除边界上的骨刺以及边界断裂，后处理的结果生成山地背景和流域边界的二值图；其中山地背景像素值设置为0，流域边界像素值设置为1。
[0078]
步骤s303，增强：
[0079]
为增加样本的多样性，提升模型的泛化和鲁棒性，需要对原始样本进行数据增强。采用两种增强方法，一是引入随机变换，二是结合语义信息进行增强。
[0080]
所述的随机变换包括镜像翻转、旋转变换、随机平移、随机旋转和随机缩放。
[0081]
所述的结合语义信息进行增强包括在流域边界提取任务中，通过随机删除部分流域边界像素，模拟实际流域中噪声和缺失数据，以增加模型对噪声和缺失数据的鲁棒性。
[0082]
步骤s4，对于经过步骤s3标注和增强后的流域特征数据集中的流域图像数据，提取流域图像数据的多通道特征信息，所述的多通道特征信息包括tpi、坡度、坡向、流向、剖面曲率、局部高点、坡度变率、坡向变率、坡长和高程变异系数。
[0083]
dem高程数据作为合成孔径雷达数据的衍生品，单个通道的表征能力较弱，为提升模型分割精度，需要进行多通道设计作为模型的输入。
[0084]
多通道特征信息的具体介绍如下：
[0085]
第一，tpi是局部区域内的中心栅格高程和邻域栅格高程均值之差，tpi数值大小
反映了局部区域的表面起伏程度。
[0086][0087]
式中：
[0088]
tpi表示局部区域内的中心栅格高程和邻域栅格高程均值之差；
[0089]
i表示第i个邻域栅格；
[0090]
r表示局部区域的区域半径；
[0091]
ec表示局部区域内的中心栅格高程；
[0092]ei
表示局部区域内的第i个邻域栅格高程。
[0093]
以下是计算tpi的一般步骤：
[0094]
(1.1)定义分析窗口大小和分辨率。分析窗口大小是指在地形表面上用于计算tpi的区域大小。分辨率是指分析窗口中每个像素的大小。
[0095]
(1.2)对dem数据进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0096]
(1.3)计算每个像素的高度值与其周围像素高度值的平均值之间的差异。这可以通过在分析窗口中计算平均高度值，并从中减去中心像素的高度值来实现。
[0097]
(1.4)对于每个像素，将差异值与一个定义的阈值进行比较。如果该值大于阈值，则认为该像素为高峰；如果该值小于阈值，则认为该像素为低谷。
[0098]
(1.5)根据高峰或低谷的数量和位置来计算tpi。如果高峰数量多于低谷，则tpi为正数；如果低谷数量多于高峰，则tpi为负数；如果高峰和低谷数量相等，则tpi为零。
[0099]
(1.6)需要注意的是，tpi的计算结果可能受到分析窗口大小和阈值的选择影响。
[0100]
本实施例中具体的，选择3
×
3的分析窗口大小和阈值为1，分辨率为60m。
[0101]
第二，坡度则是反映地表坡面的陡峭程度，一般在河道区域由于河床的泥沙传输沉积，其坡度相对平缓。以下是计算坡度的一般步骤：
[0102]
(2.1)对dem进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0103]
(2.2)计算每个像素的高度梯度。这可以通过计算像素周围高度值的差异来实现。
[0104]
(2.3)根据计算公式计算坡度。坡度的计算公式是将每个像素的高度梯度除以相应像素的水平分辨率(即dem的分辨率)并转换成百分比表示。该计算公式如下：
[0105]
slope＝arctan(rise/run)
×
100
[0106]
式中：
[0107]
arctan表示反正切函数；
[0108]
rise表示像素高度梯度(即上升高度)；
[0109]
run表示相应像素的水平分辨率(即dem的分辨率)。
[0110]
(2.4)需要注意的是，坡度的计算结果可能受到dem的分辨率和平滑程度的影响。
[0111]
本实施例中具体的，dem高程数据的分辨率为60m。
[0112]
第三，坡向指的是地表某一点在水平面上的方向，也可以称为坡面朝向。它是描述地形的一个重要指标，通常以角度或方位的形式表示。坡向可以用来计算河网的发育情况、预测水文过程、确定地形朝向等。本实例采用斜率法计算坡向，该方法基于地面坡度角和水平方向的余弦值之间的关系来计算坡向。
[0113]
假设dem中某一点的坐标为(x,y)，dem值为z，则该点的坡度角可以通过以下公式
计算：slope＝arctan(sqrt((dz/dx)^2+(dz/dy)^2))
[0114]
式中：
[0115]
dz/dx和dz/dy分别表示dem在x和y方向上的梯度。
[0116]
sqrt()表示平方跟函数；
[0117]
然后，通过以下公式计算坡向：
[0118]
aspect＝arctan2(dz/dy,-dz/dx)
[0119]
式中：
[0120]
aspect表示坡向；
[0121]
arctan2表示反正切函数，其返回值为以弧度表示的角度，可根据需求转化为以度表示的角度。
[0122]
第四，流向指的是水流在地表的流动方向。在数字高程模型(dem)中，流向是通过计算地表某一点周围的高程梯度来得到的。在确定了坡度和坡向后，使用d8算法计算流向。d8算法的基本思路是将水流沿着最陡峭的方向前进，直到遇到一个比它更陡峭的方向。在计算流向时，需要考虑邻近像元的坡度和坡向信息。d8算法的计算步骤如下：
[0123]
(4.1)对dem进行预处理，将dem中的异常值进行平滑处理，以免在计算过程中产生异常结果。
[0124]
(4.2)计算dem中每个像元的坡度和坡向。
[0125]
(4.3)对dem中的每个像元，计算其在d8算法中的出流方向。这通常是通过查找相邻像元的高程和坡向信息来实现的。
[0126]
(4.4)根据计算出的出流方向，将每个像元分类为相应的流域。
[0127]
第五，剖面曲率是对地形表面一点扭曲变化程度度量化的度量因子，是对地面坡度沿最大坡降方向地面高程变化率的度量。它是地面坡度的变化率，或称高程变化的二次导数，可以反映局部地形结构。以下是计算剖面曲率的一般步骤：
[0128]
(5.1)选择一条剖面线。剖面线是一条沿着地形表面的线，通常是由用户手动选择或从dem数据中提取的。
[0129]
(5.2)在剖面线上选择一些采样点。采样点应该足够密集以便表示剖面的曲率变化。
[0130]
(5.3)对每个采样点计算剖面曲率。这可以通过计算采样点周围高度值的二次函数拟合来实现。具体而言，可以使用三点二次函数拟合法来计算剖面曲率，即通过将采样点和其相邻的两个点形成的三个点作为拟合函数的输入值，得到二次函数的系数并计算曲率值。
[0131]
(5.4)可以选择使用不同的曲率计算方法。本实例采用的是平均曲率法。平均曲率法计算剖面上所有采样点的曲率平均值。
[0132]
第六，在dem中，局部高点通常是指在周围区域内具有最大高程值的点。计算局部高点遵循以下步骤：
[0133]
(6.1)对dem进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0134]
(6.2)对dem进行高度分析，以确定其中的最高高度值。
[0135]
(6.3)确定最高高度值所在的位置。本实例使用最高高度值的像素坐标来确定其位置。
[0136]
第七，坡度变率是指在一定区域内，地表坡度随距离或位置的变化率。可以用来分析地形的变化程度，比如判断地形的平缓程度和复杂程度等。计算坡度变率需要遵循以下步骤：
[0137]
(7.1)对dem进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0138]
(7.2)对dem进行坡度分析，以确定每个像素的坡度值。
[0139]
(7.3)计算相邻像素之间的坡度变化率。本实例使用以下公式计算每个像素的坡度变率：
[0140]
slope rate＝(slope(i,j)-slope(i-1,j-1))/slope(i-1,j-1)*100
[0141]
式中：
[0142]
slope rate表示坡度变率；
[0143]
slope(i,j)表示第(i,j)个像素的坡度值；
[0144]
slope(i-1,j-1)是其左下方像素的坡度值。
[0145]
在计算坡度变率时，需要使用相邻像素之间的坡度值来确定坡度变化率。
[0146]
第八，坡向变率是指在一定区域内，地表坡向随距离或位置的变化率。可以用来分析地形的变化程度，比如判断地形的平缓程度和复杂程度等。计算坡向变率需要遵循以下步骤：
[0147]
(8.1)对dem进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0148]
(8.2)对dem进行坡度分析，以确定每个像素的坡度值和坡向值。
[0149]
(8.3)计算相邻像素之间的坡向变化率。可以使用以下公式计算每个像素的坡向变率：
[0150]
aspect rate＝abs(aspect(i,j)-aspect(i-1,j-1))
[0151]
式中：
[0152]
aspect rate表示坡向变率；
[0153]
abs表示取绝对值；
[0154]
aspect(i,j)表示第(i,j)个像素的坡向值；
[0155]
aspect(i-1,j-1)是其左下方像素的坡向值。
[0156]
在计算坡向变率时，需要使用相邻像素之间的坡向值来确定坡向变化率。
[0157]
第九，坡长是指沿着地形坡面从上到下的水平距离。它表示了在垂直高程变化的过程中，水平方向上实际所经过的距离。坡长通常用于描述地形的陡峭程度和地形特征的持续性。较长的坡长通常与较平缓的地形特征相关，而较短的坡长则表示较陡峭的地形。计算坡长可以使用以下步骤：
[0158]
(9.1)对dem进行平滑处理，以减少噪声和细节，并使地形特征更容易识别。
[0159]
(9.2)确定要计算坡长的路径或区域。可以选择特定的线路或区域，或者根据需求自定义路径。
[0160]
(9.3)在选定的路径或区域上提取高程值。根据dem数据的分辨率和采样密度，以适当的间距或步长提取高程值。
[0161]
(9.4)计算相邻高程值之间的水平距离。可以使用直线距离或欧几里得距离来计算。
[0162]
(9.5)将相邻高程值之间的水平距离累积起来，得到路径或区域的总坡长。
[0163]
第十，高程变异系数(coefficient of variation of elevation，cve)是用于描述地形高程变化程度的一个指标，是指一定区域内高程标准差与平均高程之比，常用于地形变化和土地利用变化研究中。高程变异系数的计算步骤如下：
[0164]
(10.1)对dem进行平滑处理，以便减少噪声和细节，并使地形特征更容易识别。
[0165]
(10.2)计算dem数据的平均值μ和标准差σ。
[0166]
步骤s5，将步骤s2得到的训练集以及步骤s4得到的多通道特征信息输入到改进的深度学习图像语义分割网络中进行训练，获得训练后的深度学习语义分割模型。
[0167]
如图1所示，所述的深度学习图像语义分割网络的改进过程为：
[0168]
步骤s501，编码层共经过5个阶段，每个阶段由两层卷积层+归一化层+relu层，一层瓶颈注意力机制模块，最后一层是最大池化层，使用的是2
×
2的卷积核，步长为2。
[0169]
骤s502，解码层和编码层中间添加池化模块，该模块为四层卷积核组成，其大小分别为1
×
1，2
×
2，3
×
3，6
×
6。
[0170]
步骤s503，解码层与编码层相对应，一共分为5个阶段，每个阶段由一层瓶颈注意力机制模块，一层是最大池化层，两层卷积层+归一化层+relu层组成。
[0171]
步骤s504，对于原segnet主干网络架构中的损失函数进行优化，因为流域划分任务中正负样本比例严重失衡，需要依据此场景调整损失函数。损失函数设置为像素类别二分类的交叉熵损失(cross entropy loss)以及dice损失，dice损失可以缓解样本不平衡的影响，但是考虑到dice损失的不稳定性，采用复合加权损失函数loss，最终优化的适用于流域划分任务的损失函数为：
[0172][0173][0174]
loss＝σ
×
crossentropyloss+(1-σ)
×
diceloss
[0175]
式中：
[0176]
crossentropyloss表示像素类别二分类的交叉熵损失函数；
[0177]
diceloss表示dice损失函数；
[0178]
loss表示复合加权损失函数；
[0179]
i表示第i个像素点，i＝1，
…
，n；
[0180]
n表示像素点个数；
[0181]
yi表示像素标签值；
[0182]y′i表示单个像素的预测值；
[0183]
σ表示加权超参数，设置为0.7。
[0184]
本实施例中，检测图片先经过预处理，使图片的宽和高缩放至512像素同时结合多通道特征信息，将检测图片和10个多通道特征信息共11通道信息输入到改进后的主干网络中。
[0185]
本实施例中具体的，每训练10轮通过验证集测试训练模型的精度、召回率以检验模型检测效果；最终训练得到的模型通过测试集测试最终的模型检测精度，当且仅当模型
准确率高于95％认为该模型可取。
[0186]
步骤s6.采集不同地貌类型的待检测流域图像数据，并按照步骤s1的预处理方法进行预处理，得到多个预设尺寸的待测子图像，待测子图像输入到经过步骤s5训练后的深度学习语义分割模型，得到对应的预测图像，从而实现待测流域的分割图像结果。
[0187]
应用例：
[0188]
本应用例给出基于上述实施例的基于深度学习语义分割的流域划分方法。
[0189]
为验证本发明的有效性，本发明在包含28311张训练集，12133张验证集，4044张测试集的基础上，结合多通道信息(tpi、坡度、剖面曲率、坡向、流向、局部高点、坡度变率、坡向变率、坡长、高程变异系数)在改进的网络模型上进行了对比试验。对比实验的思路为将高程数据和多通道特征信息依次叠加进行实验，依次记录为对比方法1，对比方法2，...，对比方法10。
[0190]
采用深度学习常用的准确率(accuracy)、类别平均像素准确率mpa和加权交并比fwiou共3个指标来评估模型效果。其计算方式如下：
[0191][0192]
mpa＝sum(pi)/类别数
[0193][0194]
式中：
[0195]
t
p
表示模型标注结果和实际结果均为正样本的个数；
[0196]
tn表示模型标注结果为正样本和实际结果为负样本的个数；
[0197]
p表示实际为负样本，被模型标注为正样本的个数；
[0198]
n表示实际为正样本，被模型标注为负样本的个数；
[0199]
i表示第i个类别；
[0200]
j表示第j个类别；
[0201]
k表示共有k+1类，包括一个空类或背景；
[0202]
pi表示每个类别像素准确率；
[0203]
p
ii
表示真正的像素数量；
[0204]
p
ij
表示本属于第i类但被预测为第j类的像素数量。
[0205]
表1为不同模型之间的比较，从表中可以看到，本发明所提出的方法，相比较与对比方法，在准确率、类别平均像素准确率mpa和加权交并比fwiou三个评价标准基准上，都取得了最好的结果。
[0206]
表1本发明与两个对比方法的效果表
[0207]
方法accuracympafwiou对比方法170.2371.7771.20对比方法275.4973.2174.92对比方法372.1174.0070.76对比方法482.1744.3780.62
对比方法583.1984.3284.36对比方法685.1784.3482.82对比方法787.1184.5086.56对比方法888.1987.3888.12对比方法990.1193.0090.76对比方法1092.1794.3790.92本发明应用例95.6496.9294.51

技术特征：
1.一种基于深度学习语义分割的流域划分方法，其特征在于，该方法按照以下步骤进行：步骤s1，采集预设数量的不同地貌类型的流域图像数据样本，并进行预处理得到多个预设尺寸的子图像样本；对多个子图像样本进行标注得到多个标注流域区域的子图像标注样本，形成流域特征数据集；步骤s2，将步骤s1中获得的子图像标注样本划分为训练集和验证集；步骤s3，对步骤s1中获得的流域特征数据集进行标注和增强：所述的标注包括采用canny算子提取边界以及后处理；所述的增强括随机变换以及结合语义信息进行增强；所述的语义信息为流域边缘信息；步骤s4，对于经过步骤s3标注和增强后的流域特征数据集中的流域图像数据，提取流域图像数据的多通道特征信息，所述的多通道特征信息包括tpi、坡度、坡向、流向、剖面曲率、局部高点、坡度变率、坡向变率、坡长和高程变异系数；步骤s5，将步骤s2得到的训练集以及步骤s4得到的多通道特征信息输入到改进的深度学习图像语义分割网络中进行训练，获得训练后的深度学习语义分割模型；步骤s6.采集不同地貌类型的待检测流域图像数据，并按照步骤s1的预处理方法进行预处理，得到多个预设尺寸的待测子图像，待测子图像输入到经过步骤s5训练后的深度学习语义分割模型，得到对应的预测图像，从而实现待测流域的分割图像结果。2.如权利要求1所述的基于深度学习语义分割的流域划分方法，其特征在于，步骤s1中，所述的流域图像数据采用dem高程数据。3.如权利要求1所述的基于深度学习语义分割的流域划分方法，其特征在于，步骤s1中，所述的预处理包括：步骤s101，采用高斯滤波方法去除噪声；步骤s102，采用克里金插值填补，异常值通过使用聚类方法进行修复；步骤s103，采用global mapper栅格处理软件进行裁剪和重采样；步骤s104，采用最小－最大归一化方法进行归一化处理。4.如权利要求2所述的基于深度学习语义分割的流域划分方法，其特征在于，步骤s3具体包括以下步骤：步骤s301，提取边界：首先将流域特征数据集中的dem高程数据导入global mapper软件中进行伪彩色晕染图的可视化，导出为8位的单通道灰度图，利用边缘检测方法canny算子来提取边界信息；步骤s302，后处理边界：后处理过程采用阈值参数为10，去除边界上的骨刺以及边界断裂，后处理的结果生成山地背景和流域边界的二值图；其中山地背景像素值设置为0，流域边界像素值设置为1；步骤s303，增强：采用两种增强方法，一是引入随机变换，二是结合语义信息进行增强；所述的随机变换包括镜像翻转、旋转变换、随机平移、随机旋转和随机缩放；所述的结合语义信息进行增强包括在流域边界提取任务中，通过随机删除部分流域边界像素，模拟实际流域中噪声和缺失数据，以增加模型对噪声和缺失数据的鲁棒性。5.如权利要求1所述的基于深度学习语义分割的流域划分方法，其特征在于，步骤s5
中，所述的深度学习图像语义分割网络的改进过程为：步骤s501，编码层共经过5个阶段，每个阶段由两层卷积层+归一化层+relu层，一层瓶颈注意力机制模块，最后一层是最大池化层，使用的是2
×
2的卷积核，步长为2；骤s502，解码层和编码层中间添加池化模块，该模块为四层卷积核组成，其大小分别为1
×
1，2
×
2，3
×
3，6
×
6；步骤s503，解码层与编码层相对应，一共分为5个阶段，每个阶段由一层瓶颈注意力机制模块，一层是最大池化层，两层卷积层+归一化层+relu层组成；步骤s504，对于原segnet主干网络架构中的损失函数进行优化，采用复合加权损失函数loss，最终优化的适用于流域划分任务的损失函数为：数loss，最终优化的适用于流域划分任务的损失函数为：loss＝σ
×
crossentropyloss+(1-σ)
×
diceloss式中：crossentropyloss表示像素类别二分类的交叉熵损失函数；diceloss表示dice损失函数；loss表示复合加权损失函数；i表示第i个像素点，i＝1，...，n；n表示像素点个数；y
i
表示像素标签值；y
′
i
表示单个像素的预测值；σ表示加权超参数，设置为0.7。

技术总结
本发明提供了一种基于深度学习语义分割的流域划分方法，其通过采集预设数量的不同地貌类型的流域图像数据样本，并进行预处理得到多个预设尺寸的子图像样本，标注后得到多个流域图像标注样本；通过将多个子图像样本和对应的子图像标注样本划分为训练集和验证集，建立深度学习语义分割模型；分别利用训练集训练深度学习语义分割模型的各变量值和利用验证集验证深度学习语义分割模型的Accuracy，MPA和FwIou准确度，得到最佳的深度学习语义分割模型；采集不同地貌类型的待检测图像数据，并进行预处理得到多个预设尺寸的待测子图像，待测子图像利用最佳的深度学习语义分割模型预测得到对应流域划分预测图像。得到对应流域划分预测图像。得到对应流域划分预测图像。


技术研发人员：张宏鸣 孙雨薇 杨欢愉 任雨含 董良
受保护的技术使用者：西北农林科技大学
技术研发日：2023.06.06
技术公布日：2023/10/15