River-Net:面向河道提取的 Refined-Lee Kernel 深度神經(jīng)網(wǎng)絡(luò)模型

　　摘 要:高精度提取合成孔徑雷達(dá)(SAR)圖像中的河流邊界，對(duì)河流水勢(shì)監(jiān)測(cè)具有重要意義。以檢測(cè)鄭州 7·20 暴雨后黃河的健康狀況為實(shí)施例，本文融合精致 Lee 濾波思想與卷積操作的濾波特性，提出了基于河道幾何特性的優(yōu)化內(nèi)部權(quán)值卷積核 Refined-Lee Kernel，進(jìn)而提出了一種新型河道提取深度神經(jīng)網(wǎng)絡(luò)模型，即 River-Net。為驗(yàn)證所提模型的有效性，本文獲取了鄭州 7·20 暴雨前后兩景歐空局 Sentinel-1 衛(wèi)星 20m 分辨率干涉寬幅(IW)影像數(shù)據(jù)，利用暴雨前的影像對(duì)模型進(jìn)行訓(xùn)練，用于提取暴雨后的黃河河道，分析黃河在暴雨后的漲勢(shì)情況。實(shí)驗(yàn)結(jié)果表明，相比主流語(yǔ)義分割模型，所提模型能夠更精確地在 SAR 圖像中提取河道，對(duì)洪水災(zāi)害的檢測(cè)與評(píng)估有重要應(yīng)用價(jià)值。

　　關(guān)鍵詞: 合成孔徑雷達(dá)(SAR);Refined-Lee Kernel;精致 Lee 濾波;神經(jīng)網(wǎng)絡(luò);河道提取

　　李寧; 郭志順; 毋琳; 趙建輝 雷達(dá)學(xué)報(bào)2021-12-05

　　1. 引言

　　大型河流穩(wěn)定行河對(duì)人民安居樂(lè)業(yè)有著舉足輕重的作用。近年來(lái)，國(guó)內(nèi)水患頻發(fā)，準(zhǔn)確、及時(shí)地檢測(cè)河流健康狀況對(duì)洪澇預(yù)警、災(zāi)后評(píng)估有重要意義。隨著遙感技術(shù)的迅猛發(fā)展，衛(wèi)星遙感技術(shù)已成為研究人員對(duì)自然環(huán)境的日常檢測(cè)和對(duì)災(zāi)害的及時(shí)感知的重要手段[1,2]。相比實(shí)地勘察，遙感手段在節(jié)省大量人力物力的同時(shí)，還避免了實(shí)地調(diào)研過(guò)程中的各種風(fēng)險(xiǎn)。因此，基于衛(wèi)星遙感技術(shù)開(kāi)發(fā)相應(yīng)的河流檢測(cè)方法具有重要的應(yīng)用價(jià)值。

　　與光學(xué)影像不同，合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)能夠提供全天時(shí)全天候的觀測(cè)數(shù)據(jù)[3,4]。其主動(dòng)發(fā)射的微波可穿透云與霧，已在道路提取[5]、艦船檢測(cè)[6]等大放異彩。同時(shí) SAR 發(fā)出的微波對(duì)于水和陸地散射特性有所差異，可以為湖泊水域分割、海岸線提取等任務(wù)提供較好的數(shù)據(jù)資源[7,8]。基于 SAR 的這一特點(diǎn)，許多優(yōu)秀的對(duì)現(xiàn)代河流和湖泊的研究工作頗有成效[9,10]。傳統(tǒng)水域分割方法有閾值分割法、主動(dòng)輪廓模型法、聚類分割法等。自適應(yīng)閾值分割算法[11,12]通過(guò)圖像不同區(qū)域的灰度值分布來(lái)自動(dòng)生成閾值，該類方法運(yùn)算效率高，但易受 SAR 圖像中相干斑噪聲的影響;主動(dòng)輪廓模型法 [13,14]一般先對(duì)水域進(jìn)行粗分割，再根據(jù)梯度信息對(duì)粗分割結(jié)果多次迭代，最終得到更加精確的分割結(jié)果，但該類算法運(yùn)算量較大且易受粗分割精度的影響;聚類算法 [15]根據(jù)數(shù)據(jù)的分布按照某種距離(歐氏距離、曼哈頓距離等)來(lái)評(píng)估當(dāng)前像素與類別中心之間的相似程度，如 K-means， Wishart 分類器，該類方法可實(shí)現(xiàn)較為高效的無(wú)監(jiān)督分類，但仍易受相干斑噪聲的影響。

　　以上傳統(tǒng)算法的本質(zhì)是人工設(shè)計(jì)一種映射或判據(jù)，并以此判定圖像中像素點(diǎn)的類別。對(duì)于存在大量相干斑噪聲的 SAR 圖 像來(lái)說(shuō)，這些映射很難適應(yīng)整幅 SAR 圖像中所有的像素。而神經(jīng)網(wǎng)絡(luò)技術(shù)通過(guò)不停迭代模型中的共享權(quán)值，最終構(gòu)建出能夠適應(yīng)所有像素的映射模型。近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)技術(shù)在遙感領(lǐng)域大放異彩[16,17]。越來(lái)越多的學(xué)者開(kāi)始對(duì)相關(guān)模型進(jìn)行一定的改進(jìn)，使其更適合 SAR 遙感影像的分類、目標(biāo)檢測(cè)、語(yǔ)義分割等任務(wù)。2012 年，文獻(xiàn)[18]提出脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)，并探討了該模型在 C 波段和 X 波段 SAR 圖像中提取海岸線的能力。2015 年，文獻(xiàn) [19]提出了全卷積神經(jīng)網(wǎng)絡(luò)(FCN)模型，隨著該模型的出現(xiàn)，神經(jīng)網(wǎng)絡(luò)技術(shù)開(kāi)始具備實(shí)現(xiàn)像素級(jí)端到端語(yǔ)義分割任務(wù)的能力，如文獻(xiàn)[20]曾利用 FCN 模型在印度沿海地區(qū) SAR 影像中成功分割出了當(dāng)?shù)睾恿鳌Ｈ欢M管 FCN 中有多層上采樣操作，但是其對(duì)于淺層網(wǎng)絡(luò)所提取的圖像特征信息沒(méi)有充足的利用。2015 年，隨著 U 型神經(jīng)網(wǎng)絡(luò)(U-Net)的提出[21]，淺層網(wǎng)絡(luò)的特征信息通過(guò)跳躍連接傳遞到深層網(wǎng)絡(luò)與對(duì)應(yīng)的特征信息融合起來(lái)，如文獻(xiàn)[22] 以遷移學(xué)習(xí)的方式將U-Net應(yīng)用于SAR圖像水域分割;文獻(xiàn)[23]利用 U-Net 和 Deeplab 對(duì)印度沿海地區(qū)部分河流進(jìn)行識(shí)別，但存在邊界信息缺失現(xiàn)象。2019 年，文獻(xiàn)[24] 結(jié)合可分離式卷積和擴(kuò)張卷積搭建網(wǎng)絡(luò)模型進(jìn)行 SAR 圖像水域分割，使得網(wǎng)絡(luò)能夠參考更多的語(yǔ)義信息，從而達(dá)到更好的分割表現(xiàn)。

　　然而，上述方法更多關(guān)注模型設(shè)計(jì)，而忽略了河流本身幾何特性與網(wǎng)絡(luò)模型之間的聯(lián)系。本文針對(duì)河道的精確提取問(wèn)題，提 出 一 種 改 進(jìn) 的 卷 積 核 Refined-Lee Kernel(RLK)。進(jìn)而提出一種更加精確地提取河道的語(yǔ)義分割模型 River-Net，用于提取 SAR 圖像中的河道。最后以黃河為實(shí)施例，基于黃河語(yǔ)義分割結(jié)果來(lái)判斷黃河在 7·20 暴雨后的行河情況。本文的主要貢獻(xiàn)總結(jié)如下：

　　(1)提出了一種新型卷積核 RLK，可以根據(jù)目標(biāo)幾何特點(diǎn)來(lái)強(qiáng)化自身特征提取能力。 (2)設(shè)計(jì)了一種新型的水域分割網(wǎng)絡(luò) River-Net，可以對(duì) SAR 圖像中的河流執(zhí)行更加精細(xì)的語(yǔ)義分割任務(wù)。 (3)利用所提網(wǎng)絡(luò)模型，以檢測(cè)黃河河道為實(shí)施例，分析了黃河在 7·20 暴雨后的行河情況。

　　2. 相關(guān)方法與模型

　　2.1 Deeplab

　　DeepLab 模型[25]以空洞卷積(Dilated convolution)的形式增加卷積層感受野，從而獲得更多的上下文語(yǔ)義信息。在深度卷積神經(jīng)網(wǎng)絡(luò)模型中，下采樣過(guò)程往往伴隨著分辨率的丟失，而空洞卷積可實(shí)現(xiàn)不增加參數(shù)量的前提下提高感受野。如圖 1 所示，在正常卷積中引入“擴(kuò)張率”作為超參數(shù)，該參數(shù)定義了卷積核處理數(shù)據(jù)時(shí)權(quán)值之間的間距。該方法能有效提高模型的感受野，使得模型能學(xué)習(xí)更多的上下文信息。然而，Kernel 的不連續(xù)可能導(dǎo)致輸入圖像的一些像素點(diǎn)不參與計(jì)算，模型輸出結(jié)果中類別邊界“鋸齒”效應(yīng)嚴(yán)重。因此在 Deeplab 模型末端通常引入條件隨機(jī)場(chǎng)(CRF)，通過(guò)二元?jiǎng)莺瘮?shù)描述像素點(diǎn)與像素點(diǎn)之間的關(guān)系，鼓勵(lì)“距離”相近的像素分配相同的標(biāo)簽，而相差較大的像素分配不同標(biāo)簽，而這個(gè)“距離” 的定義與像素值和實(shí)際相對(duì)距離有關(guān)。 CRF 能夠使空洞卷積在分割邊界導(dǎo)致的鋸齒效應(yīng)得到較大的改善。

　　2.2 PSPNet

　　在神經(jīng)網(wǎng)絡(luò)執(zhí)行語(yǔ)義分割任務(wù)中，一些特殊場(chǎng)景很容易使得網(wǎng)絡(luò)模型產(chǎn)生錯(cuò)誤的判斷，如汽車在岸邊可能被網(wǎng)絡(luò)判定為船，電腦顯示器與電視機(jī)顯示器容易存在類別混淆。此時(shí)需要引入更多的上下文語(yǔ)義信息來(lái)解決問(wèn)題。當(dāng)判定層能夠考慮更多的全局語(yǔ)義信息時(shí)，出現(xiàn)誤判的可能性就會(huì)低很多。與 Deeplab 網(wǎng)絡(luò)模型采用空洞卷積增加感受野的方式不同，PSPNet [26] 通過(guò)金字塔池化(Spatial Pyramid Pooling, SPP)模塊來(lái)增加感受野，從而使得網(wǎng)絡(luò)模型能兼顧更多的上下文信息。如圖 2 所示，SPP 模塊融合了幾種不同尺度下的特征。SPP 模塊中不同層級(jí)輸出不同尺度的特征圖，為了保持全局特征的權(quán)重，在每個(gè)金字塔層級(jí)后使用 1×1 的卷積核，當(dāng)某個(gè)層級(jí)維數(shù)為 n 時(shí)，即可將語(yǔ)境特征的維數(shù)降到原始特征的 1/n。然后，通過(guò)雙線性插值直接對(duì)低維特征圖進(jìn)行上采樣，使其與原始特征圖尺度相同。最后，將不同層級(jí)的特征圖拼接為最終的金字塔池化全局特征。

　　3. 自適應(yīng)卷積核

　　以上神經(jīng)網(wǎng)絡(luò)模型中卷積核被認(rèn)為是感知圖像特征的“眼睛”，其機(jī)制類似于人眼的感受野。從數(shù)學(xué)的角度看，卷積核本質(zhì)上是一種參數(shù)可訓(xùn)練的濾波算子。和其他濾波方式類似，它的運(yùn)算方式具有很關(guān)鍵的特點(diǎn)——線性且具有平移不變性。同時(shí)它還有一般濾波器所不具備的特點(diǎn)，即權(quán)值共享特性。現(xiàn)有的研究[24]更多地關(guān)注卷積核的感受野，以求獲取更多有效的上下文信息，然而卻忽略了卷積核的線性平移不變性。另一方面，由于河流在 SAR 圖像中多為連續(xù)的細(xì)長(zhǎng)曲線，對(duì)于河流相關(guān)的語(yǔ)義分割任務(wù)來(lái)說(shuō)，河流邊界信息是首要的。而且 SAR 圖像中相干斑噪聲隨處可見(jiàn)，精致 Lee 濾波也常常被用來(lái)過(guò)濾該噪聲、保留 SAR 圖像中目標(biāo)的邊界信息。于是，借用精致 Lee 濾波的思想，本文提出了 RLK 模塊，基于卷積核的濾波器特性來(lái)更有效地提取圖像特征，保留目標(biāo)更多的邊界信息。

　　3.1 RLK 模塊原理

　　精致 Lee 濾波通過(guò)定義 8 種非正方形局部窗口，將均勻區(qū)域像素值等于其平均值，將非均勻區(qū)域近似于局部窗口中心像素值。基于精致 Lee 濾波的思想改進(jìn)卷積核，增強(qiáng)其邊界特征提取能力。定義 8 種非正方形局部窗口，如圖 3 所示，通過(guò)定義中心像素的鄰域來(lái)提高邊界估計(jì)的準(zhǔn)確性。濾波后的卷積核權(quán)值可以寫(xiě)成如下公式：