一种基于改进的DeepLabV3+网络的深度学习分割方法，用于热成像中的水岸线检测

《Digital Signal Processing》：An improved DeepLabV3+ network-based deep learning segmentation method for thermal image water-shorelines

水岸线分割热图像SE注意力机制DeepLabV3+改进ResNet101无人机应用|障碍物交互度|mIoU数据集构建|语义分割优化|热成像特征提取|多尺度特征融合|智能监测|图像增强算法|深度学习模型改进

　　水-岸线分割在热红外图像中的应用，对于无人水面航行器的环境感知与智能控制至关重要。随着无人水面航行器在湖泊、河流及海洋边界监测、水利工程和国土资源管理等领域的广泛应用，对热红外图像中水-岸线的精准分割需求日益增长。热红外图像具有独特的成像特性，能够捕捉物体的热辐射信息，相较于可见光图像，其在复杂光照条件、烟雾遮挡以及低能见度环境下的表现更为稳定。然而，热红外图像的水-岸线分割仍面临诸多挑战，例如不规则的岸线边缘、不同场景之间的差异性以及水面反射和波浪干扰等因素，这些都会显著影响分割的准确性与效率。

传统的语义分割算法在处理热红外图像的水-岸线时存在一定的局限性。这些算法主要依赖于低级特征，如像素颜色、纹理、边缘和对比度等，将图像划分为若干不重叠的区域。虽然这种方法能够在某些简单场景中实现较好的分割效果，但在面对复杂、多变的热红外图像时，其表现往往不够理想。此外，传统方法通常需要大量的样本标签进行监督学习，这在实际应用中可能带来较高的成本和难度。因此，开发一种适用于热红外图像水-岸线分割的高效、准确的方法显得尤为迫切。

近年来，基于深度学习的神经网络模型在图像分割领域取得了显著进展。与传统方法相比，这些模型能够自动学习图像特征，无需人工选择或调整参数，从而提高了模型对不同场景和任务的适应能力。其中，卷积神经网络（CNN）因其强大的特征提取能力，被广泛应用于图像分割任务。CNN通过多层卷积操作，能够扩大感受野，有效提取热红外图像的全局特征。然而，尽管CNN在分割性能上有所提升，其在不同区域的分割效果仍存在较大差异，主要由于水-岸线场景类别在不同区域的分布不均所致。

为了解决上述问题，本研究提出了一种改进的DeepLabV3+网络模型，用于热红外图像中的水-岸线分割。该模型在原有DeepLabV3+的基础上，引入了SE通道注意力机制，并将原有的MobileNetV2主干网络替换为ResNet101。SE通道注意力机制通过全局平均池化（Global Average Pooling）对特征通道进行权重分配和自适应调整，从而增强重要特征并抑制次要特征，提升模型对关键信息的识别能力。同时，ResNet101作为更深层次的主干网络，能够更精确地提取特征边缘信息，进一步提高分割的准确性。

为了验证所提出方法的有效性，本研究构建了一个专门用于水-岸线分割的样本图像数据集。该数据集包含水体区域、岸线区域以及障碍物等多种场景，通过图像增强和扩展技术，丰富了数据集的多样性，提升了模型的泛化能力。实验过程中，我们对多个传统分割方法进行了对比分析，包括基于阈值、区域生长、分水岭和图割等方法。结果显示，所提出的改进模型在障碍物交互度和平均交并比（mIoU）等评估指标上均表现出色，分别达到了72.03%和90.17%，相比原始DeepLabV3+模型分别提升了4.81%和1.55%。这一结果表明，该方法在处理热红外图像水-岸线分割任务时具有更高的准确性和效率。

在实验条件方面，本研究使用Python V3.8编程语言实现所提出的分割方法，并在配备NVIDIA GTX1650 GPU、Intel(R) Core (TM) i7第九代CPU、8GB RAM和8GB显存的商用笔记本电脑上进行测试。所有实验均基于增强后的样本图像数据集，其中包含3508张图像，其中3062张用于训练，466张用于测试。实验过程中，我们对模型的参数进行了细致调整，以确保其在不同场景下的稳定性和有效性。

通过实验分析，我们发现所提出的改进模型在处理热红外图像中的水-岸线分割任务时，不仅在整体分割精度上有所提升，而且在小障碍物的分割方面表现尤为突出。传统方法往往难以准确捕捉小尺度障碍物的边界信息，而改进后的模型通过引入SE通道注意力机制和更深层次的主干网络，能够更清晰地提取水-岸线的特征信息，从而实现更精确的分割结果。此外，该模型在处理复杂场景时，表现出更强的鲁棒性，能够有效应对水面反射、波浪干扰以及不同光照条件下的图像变化。

综上所述，本研究提出了一种基于改进DeepLabV3+网络模型的水-岸线分割方法，通过引入SE通道注意力机制和替换主干网络，显著提升了分割的准确性与效率。实验结果表明，该方法在多个评估指标上均优于传统分割方法和原始DeepLabV3+模型，特别是在小障碍物的分割和复杂场景的适应性方面表现突出。所构建的样本图像数据集也为后续相关研究提供了有价值的参考。未来，我们计划进一步优化模型结构，探索更高效的特征提取方法，并将其应用于更广泛的无人水面航行器环境感知任务中，以期在实际应用中取得更好的效果。