基于深度学习的黄海海岸线提取方法研究.pdfVIP

摘要

海岸线提取的遥感技术对于监测侵蚀率、地表水文和生态系统结构的变化至关

重要。近年来，卷积神经网络（CNN）作为一种先进的深度学习技术，由于其独特

的特征提取能力，已广泛应用于遥感图像的海岸线提取中。他们正在逐步取代这一

领域的传统方法。然而，大多数CNN模型只关注局部接受域的特征，而忽略了对

全局上下文信息的考虑，这将阻碍模型对边界和小对象进行精确分割，从而导致分

割结果不理想。为了解决这一问题，本文以中国黄海海岸带作为研究区，使用

GF6-WFV国产多光谱遥感卫星和Landsat8OLI作为遥感图像来源，对基于深度学

习的光学图像海岸线检测展开研究，具体研究内容如下：

(1)针对传统的仅使用卷积神经网络作为编码器使得模型忽略图像全局上下文

信息，从而导致岸线定位模糊问题。本文提出了一种结合CNN和Transformer的并

行语义分割网络TCU-Net，从多光谱遥感图像中提取海岸线，提高提取精度。首先，

TCU-Net导入PVTV2网络和ResNet，分别作为Transformer分支和CNN分支的骨

干，形成一个并行的双编码器结构，用于提取全局和局部特征。同时本文还设计了

一个特征交互模块（FeatureInteractionModule，FIM）来实现两个分支之间的信息

交换和特征的互补优势。

(2)针对模型对岸线边界和小目标存在误分漏查，从而导致分割结果不理想情况，

在TCU-Net基础上，对于解码器部分，本文提出了一个跨尺度的多源特征融合模块

(Cross-ScaleMulti-LevelFeatureFusionModule,CMFFM)来替代原始的UNet解码器

块。CMFFM建立了通道与空间上的长距离特征依赖关系，实现了多尺度上下文信

息的精确融合，能够更有效地聚合多尺度的语义特征。

(3)此外，通过对高分六号（GF6）遥感图像的三个场景的处理，构建了覆盖黄

海区域的海洋-陆地分割数据集（GF数据集）。本文在GF数据集上进行了一系列

全面实验，将本文提出的网络与主流语义分割模型作比较。结果表明，TCU-Net优

于竞争模型在所有三个评价指标：PA（像素精度），F1-score，MIoU（平均交集在

联盟），而需要明显更少的参数和计算资源与其他模型相比。这些结果表明，本文

提出的TCU-Net模型能够更有效地从遥感图像中提取海岸线，且时间更短，计算

开销更低。

关键词：遥感影像；岸线提取；深度学习；语义分割；高分六号

Abstract

Remotesensingtechnologyforextractingcoastlineiscrucialformonitoringchanges

inerosionrate,surfacehydrology,andecosystemstructure.Inrecentyears,

ConvolutionalNeuralNetwork(CNN),asanadvanceddeeplearningtechnique,have

beenwidelyusedincoastlineextractionofremotesensingimagesduetotheirunique

featureextractioncapabilities.Theyaregraduallyreplacingtraditionalmethodsinthis

field.However,mostCNNmodelsonlyfocusonthefeaturesofthelocalreceptive

domainandignoretheconsiderationofglobalcontextualinformation.Thislimitation

impedesthemodelsabilitytoaccuratelydelineateboundariesand