[发明专利]一种基于MSDU-Net的海岸线检测算法

说明书

本发明属于深度学习技术领域，具体涉及一种基于MSDU‑Net的海岸线检测算法，包括如下步骤：S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建。S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果。S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建。S4、模型保存：当模型的损失函数不再降低之后，保存模型。本申请在U‑Net结构中融合不同尺度的纹理特征和生成的语义特征来支持海岸线检测任务，利用提取器与U‑Net网络相结合，实现浅层纹理信息与深层语义信息的融合。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于MSDU-Net的海岸线检测算法。

背景技术

与许多其他陆地不同的是，南极洲的海岸线被动态冰川和冰架前缘所包围，通过冰山的崩解不断改变海岸线的位置，这既受季节变化的影响，也受全球气候变化的影响。追踪冰川和冰架前缘的前进和后退是更好地了解冰川过程的重要因素。此外，监测崩解前缘的后退是必要的，因为崩解前缘由于支撑力减弱而增强了南极冰盖对海平面的贡献。

现有技术存在的问题或者缺陷：近年来，基于深度学习的海岸线检测算法开始超越传统的统计方法。然而，它们通常被训练成单一用途的模型，用于分割陆地和水域或勾画海岸线，导致其难以区分开阔的海洋和更高的冰原。

发明内容

本方案提出在传感器的超宽探测模式下进行拍摄，将拍摄获得的南极洲海岸线的Sentinel-1GRD进行场景裁剪，构建形成原始数据集中的图像。完成数据构建后，对数据进行预处理，预处理包括归一化、数据划分等。将预处理后的数据输入搭建好的MSDU-Net网络进行网络模型的训练，待到模型损失函数不再下降，保存模型，完成模型构建。

本申请公开的一种基于MSDU-Net的海岸线检测算法，包括如下步骤：

S1、数据采集：采集海岸线图像数据集，并对其边缘进行手工标注，完成模型训练所需数据集的构建。

S2、数据预处理：预处理包括归一化、数据划分，并且扩增数据集，保证模型训练效果。

S3、识别模型：采用深度学习相关技术搭建检测模型，输入训练数据，完成参数模型的搭建。

S4、模型保存：当模型的损失函数不再降低之后，保存模型。

进一步的，S2、数据预处理中，数据扩充：为了提高泛化性能，对训练集进行了4倍的数据增强，扩充方法为通过水平镜像或垂直镜像，以及旋转90、180度得到，将扩充后获得的扩充图像与原始图像进行合并，形成新的扩充图像数据集。

进一步的，S2、数据预处理中，数据划分：使用五折交叉验证法将数据集D划分为5个大小相似的互斥子集，每个子集都要尽可能保持数据分布的一致性，然后用4个子集的并集作为训练集，余下的子集作为测试集。

进一步的，S2、数据预处理中，图像缩放：由于获取的数据集中图像大小不同，为保证模型的分割性能，统一将其大小调整为(768×768)。

进一步的，S3、识别模型中，包括模型构建：构建一种基于MSDU-Net改进的检测模型用于海岸线的检测，所述检测模型由一组提取器和一个U-Net组成，所述检测模型具体运行步骤为：

第一步，使用一组提取器从图像中获取多尺度纹理特征信息，其中提取器为多尺度纹理特征提取器，将原图像送入空洞卷积层进行特征提取，该层在不同提取器中的空洞率分别为1、2、2、2，卷积核大小都是3×3。将生成后的特征图输入到正常卷积层，之后利用ReLU函数进行特征激活，然后，分别利用步长为1、2、4、8的最大池化层来缩小特征图的大小，使输出的特征图与Unet的输入特征图大小相同，