23、利用基于层次和轮廓的多尺度特征进行遥感卫星图像水体分割

利用基于层次和轮廓的多尺度特征进行遥感卫星图像水体分割

1. 引言

在水资源监测中，自然水体至关重要，它对于灾难预测和自然保护都有着重要意义，这些都依赖于对水体变化的测量。通过遥感图像详细识别水体并监测其变化是一项关键任务。本研究旨在在复杂环境中准确识别水体，采用了高分辨率的遥感影像。

然而，遥感影像的解读存在一定困难。水体退化往往归因于水生生物，水体岸边可能被植被、淤泥和船只阻挡，周围高大树木的阴影也会影响成像。此外，影像条件和水质会导致水体呈现独特颜色，微生物也会参与其中。因此，获取水体形状是一个重大挑战。

现有的遥感图像提取方法主要集中在各波段的光谱特征和手动构建的算法上，如波段截止点法、基于监督分类的方法、基于水和植被指数的方法以及光谱交互方法等。但这些方法不太关注水体的地理信息（如形状、大小、纹理、边缘、阴影和上下文语义），这对分类精度有很大影响，且传统方法自动化程度低，不利于大规模遥感影像处理。

卷积神经网络（CNNs）在图像分类、目标识别和语义分割方面具有强大的卷积能力。Long等人开创了全卷积网络（FCN），用卷积层取代了最后全连接层进行整体语义分割，端到端的FCN在语义分割领域得到广泛应用和发展，成为主流技术。基于深度学习的遥感图像水体分割最近引起了广泛关注，FCN方法的特征融合结合了高语义特征和精确位置特征，便于识别水体和精确提取水体边界。本技术主要考虑三个部分：特征提取、预测优化以及浅层和深层的融合。

2. 方法

2.1 MECNet的基础网络架构

MECNet由三个主要组件组成：
- 首先构建多特征提取和组合（MEC）模块，以提供更丰富多样的编码特征。MEC模