基于注意力增强ResUNet的遥感图像道路提取与语义分割

简介：这是一份面向遥感图像处理与深度学习方向学习者的毕业设计源码包，基于注意力增强卷积的 ResUNet 模型实现道路提取与语义分割。定位清晰，适合高校学生用于毕设或课程设计，也适合工程师快速上手遥感分割项目。压缩包共9个文件，以7个Python脚本为主体，涵盖模型构建、注意力增强卷积、数据增强、损失函数与评估指标等核心模块，另含依赖清单与README说明文档，整体仅13KB，轻量且结构完整。目前已有70人学习下载。通过源码与部署教程，使用者可直接在本地运行，复现论文级分割效果；各模块拆分细致，便于按需修改和二次开发，能帮助理解 ResUNet、注意力机制与遥感道路提取的完整流程。对于需要快速搭建基线或探索改进方向的研究者，这是一份实用的参考实现。 拿一景高分遥感影像，屏幕里的道路肉眼看得清清楚楚，可模型分割出来的路网却断成一截一截，建筑物阴影和树冠遮挡的地方更是糊成一团。这个问题我折腾了整整一个学期，最后发现瓶颈不在网络深度，而在模型对“细长目标”的空间关系建模能力上。后来换成了ResUNet骨架，同时把注意力机制嵌进卷积模块，路网的连通性才真正提上来。这篇文章就以“基于注意力增强卷积的ResUNet用于遥感图像道路提取和语义分割”这个毕业设计项目为主线，把原理、源码结构和本地部署的完整细节都摊开讲清楚。无论你是正在选毕业设计题目的学生，还是想快速复现一套遥感分割流程的开发者，这篇文章应该能省下你不少查资料的时间。

项目本身是完整的毕业设计成果，包含训练好的模型权重、可运行的推理代码、带图形界面的操作面板，以及一份从零开始的部署教程。拿到手之后，本地跑起来就能直接对遥感影像做道路提取和语义分割，不需要自己再从头搭模型。下面我从任务难点讲起，一步步拆解这个项目的设计思路和实操过程。

1. 道路提取为什么难：细长目标的语义分割困境

遥感图像里的道路提取，表面看是个像素级二分类问题——把每个像素判定为“道路”或“非道路”，但真正做过的人都知道，这个任务比通用语义分割棘手得多。

先看目标形态。道路是典型的细长结构，在高分影像里通常只占几个像素到几十个像素的宽度，而长度却可能横跨整幅图像。这种极端的长宽比，让普通分割网络非常难受。卷积神经网络的感受野是方形的，提取的特征天然偏向“团块状”目标——房子、操场、水体这类东西很好分割，但道路这种线性目标，特征响应经常是断断续续的，稍微遇到树荫遮挡或者车辆遮挡，分割图就断了。

再看类别不平衡。在一幅典型的城区遥感影像里，道路像素占比通常只有5%到15%。这意味着模型就算把所有像素都预测成背景，准确率也有85%以上。如果用普通的交叉熵损失，模型根本学不到道路的细节特征，因为背景类的梯度完全淹没了前景类。这也是很多入门教程里用UNet跑遥感影像，结果输出一片黑的原因——不是网络结构错了，是损失函数和样本权重没处理到位。

还有一类困难来自成像本身。遥感影像是俯视视角，地物之间的遮挡关系和高空视角下的形态变化，让道路和背景的边界常常是模糊的。比如林荫道被树冠盖住，从正上方看，道路完全被绿色覆盖；又比如立交桥、高架路，在影像上断成了好几层叠在一起的碎片。这些情况光靠颜色特征根本分不出来，模型必须学会利用上下文信息——知道树的旁边大概率有路、房子连成排的区域中间必然有通道——才能给出合理的判断。

ResUNet之所以适合这个任务，是因为它把ResNet的残差连接和UNet的编码器-解码器结构结合在了一起。残差连接保证了网络加深时梯度能顺畅回传，让模型有足够深度去建模长距离上下文；而UNet结构通过跳跃连接把浅层细节和深层语义拼接起来，正好弥补了道路边缘细节容易丢失的问题。但光有ResUNet还不够，要达到“路网基本连通、边缘整齐”的效果，还需要注意力机制来解决特征选择的问题。

注意力增强卷积做的事情，可以理解成给网络装了一个“聚焦机制”。普通卷积对特征图上的每个位置一视同仁，而注意力模块会动态计算每个位置、每个通道的重要性权重，让模型把计算资源集中到真正重要的区域。对于道路分割来说，这个能力尤其关键：道路占像素少，但信息密度高，注意力机制能压制背景噪声的响应，增强道路区域的信号，让分割结果在视觉上连续得多。

2. 项目结构与本地部署：从零把环境跑起来

这个毕业设计项目拿到手之后，第一件事不是看代码，而是把环境搭好。源码里附带的部署教程已经把大部分依赖写清楚了，我把我实测的部署过程完整过一遍，你按照这个顺序来，基本不会卡壳。

2.1 硬件与软件环境清单

先说硬件底线。训练阶段如果你要用源码从头训，建议显存不低于8GB，GTX 1080 Ti、RTX 2070 Super、RTX 3060 12G这个级别够用。如果只是跑推理，也就是用作者给好的权重文件做预测，那4GB显存就绰绰有余，CPU模式也能跑，就是慢一些。

软件环境建议如下：

• 操作系统：Windows 10/11 或 Ubuntu 20.04/22.04 均可
• Python：3.8 或 3.9（3.10以上某些依赖可能编译报错，不推荐）
• CUDA：11.3 到 11.8 之间（如果显卡驱动太新，可以装CUDA 12.x配对应版本的PyTorch）
• PyTorch：1.12 到 2.1 均可，项目本身不挑版本，但建议用2.0以上，编译省事

我在Windows 11上用Python 3.9 + PyTorch 2.0.1 + CUDA 11.8跑通，全程没改过源码。

2.2 依赖安装与可能的坑

项目依赖的核心库就几个：torch、torchvision、opencv-python、numpy、tifffile、matplotlib，如果带图形界面还需要PyQt5或tkinter。

创建虚拟环境是个好习惯，避免把系统Python搞乱。命令如下：

conda create -n resunet python=3.9 conda activate resunet pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 pip install opencv-python tifffile matplotlib numpy pillow

这里最容易出问题的是opencv-python的版本。如果装到4.8以上，某些旧代码里cv2.findContours的返回值数量变了，会直接报错。项目源码如果用了旧版OpenCV的接口，建议固定版本：

pip install opencv-python==4.5.5.64

2.3 权重文件与数据目录的摆放

训练好的模型权重通常以.pth或.pt结尾，拿到手之后要放到项目里指定的weights/或者checkpoints/目录下。源码里的推理脚本一般会写死权重路径，比如weights/resunet_road.pth，你只需要保证文件名和它一致就行。

如果出现FileNotFoundError或者No such file or directory，大概率是权重路径和脚本里写的不一致，检查一下当前工作目录是不是项目根目录。很多人习惯在IDE里直接点运行，但工作目录跑到了别处，导致相对路径全部失效。解决办法是在项目根目录打开终端运行脚本，或者把脚本里的相对路径改成绝对路径。

2.4 跑通一张测试图

环境配好之后，先用项目自带的测试影像验证一下。一般源码里会有一个test.py或者inference.py，输入参数包括影像路径、权重路径、输出路径。命令行示例：

python inference.py --input test_images/a.png --weights weights/resunet_road.pth --output results/

跑通之后你会得到一张与原图同尺寸的分割掩膜，道路区域为白色或高亮色。这一步很重要，先确认“模型能跑”，再去折腾界面和批量预测。

3. 数据准备与预处理：遥感影像不能被当作普通图片处理

很多同学复现失败，不是模型写错了，是数据喂进去的格式不对。遥感影像和手机拍的照片有本质区别，这一步必须说清楚。

3.1 多波段TIF与三通道RGB

常见的遥感影像分为两类。一类是经过处理的RGB正射影像，三通道，直接用cv2.imread或PIL就能读；另一类是原始的4波段或者8波段TIF文件，包含红、绿、蓝、近红外等波段，此时要先用tifffile库读取，再从中截取RGB三个波段：

import tifffile import numpy as np img = tifffile.imread('image.tif') # 假设波段顺序是 R, G, B, NIR rgb = img[:, :, :3] # 归一化到0-255并转成uint8，模型才能正常处理 rgb = (rgb - rgb.min()) / (rgb.max() - rgb.min()) * 255 rgb = rgb.astype(np.uint8)

这种“忽略预处理、直接喂原始TIF”的做法是经典报错来源。有些TIF是16位深度的，像素值范围到65535，模型如果期望0-255的输入，预测结果会完全乱掉。所以做推理之前，先打印一下img.dtype和img.max()，心里有数。

3.2 切片与大图推理策略

遥感影像动不动就是几万乘几万像素，一次性塞进显卡直接内存爆炸。标准的做法是把大图切分成512×512或1024×1024的小块，逐块预测，再拼回原图尺寸。切片时有两点要注意：

• 切片之间要有重叠区域，比如切512的块，步长设256，这样边缘处的道路不会因为切块而被切断。拼接时对重叠区域取平均值，能有效避免拼接缝。
• 预测完成后合并小图时，注意坐标对齐。推荐记录每个切片的左上角坐标，用数组索引直接填回大图对应区域。

源码里如果带了滑动窗口推理工具，直接用就行。没有的话，这个逻辑自己写也就几十行，但拼接错位的问题非常隐蔽，检查的时候要盯住输出图的道路线是不是连续。

3.3 数据增强：让有限样本发挥更多价值

遥感道路提取的数据集通常不大，Massachusetts Roads Dataset也就一千多张，DeepGlobe Road Extraction略多但也有限。想要模型泛化好，离线或在线数据增强是必要的。

常用的增强手段包括：

• 随机水平翻转、垂直翻转、旋转90度、180度、270度
• 随机亮度、对比度调整，模拟不同光照条件下的成像差异
• 随机尺度缩放，让模型适应不同地面分辨率

这里特别提醒一点：遥感图像是俯视视角，翻转和旋转90度不改变语义，可以放心用；但裁剪的时候不要让目标变形，尽量不要用随机裁剪加缩放这种对普通自然图像很友好的操作，因为道路的细长结构经不起非等比变换，容易学出畸变特征。

3.4 标签处理细节：255还是1

训练用的标签图，不同数据集的设定不一样。Massachusetts Roads Dataset里道路像素是255，背景是0；有些自制数据集里道路像素是1，背景是0。如果模型输出层用的是Sigmoid加二值交叉熵，标签取0-1之间即可，用255当正类会导致损失计算时数值异常，很多人的模型训练Loss突然变成nan就是这个原因。

如果源码自带标签读取逻辑，不要自己想当然地去改，先看清楚它的预处理是怎么写的。我见过不少人“好心”把标签除以255，但源码里已经在数据集类里做过一次了，结果双重归一化把道路像素变成了0.0039，模型直接学了个寂寞。

4. 训练与调参：理解源码里的核心机制

如果你不只是想跑通推理，还想自己重新训练或者微调模型，那源码里训练相关的逻辑就是关键了。这部分不仅关系到你毕业设计的“工作量”，更是答辩时的核心讲解素材。

4.1 骨干网络与注意力模块的组合逻辑

这个项目的模型结构，典型的组合方式是：ResNet作为编码器骨干，UNet风格的解码器负责逐步恢复分辨率，注意力模块嵌入在编码器的不同stage之间，让每层特征图都经过通道或空间维度的重标定。

以坐标注意力为例，它的思路和SENet、CBAM都不一样。SE模块只做通道注意力，把特征图压缩成一个向量再激励回来，丢失了空间位置信息；CBAM在通道注意力之后加了空间注意力，但捕捉的是局部关系，对长距离依赖无能为力。而坐标注意力把位置信息嵌入到通道注意力中，分别沿水平方向和垂直方向做全局池化，再把两个方向的特征拼接起来生成注意力权重。这个设计对道路这种水平或垂直走向明显的目标非常友好。

源码里的实现大致流程是：

# 输入特征图 x，shape: (B, C, H, W) # 水平方向池化 x_h = x.mean(dim=3, keepdim=True) # 沿W方向求平均，得到 (B, C, H, 1) # 垂直方向池化 x_w = x.mean(dim=2, keepdim=True) # 沿H方向求平均，得到 (B, C, 1, W) # 拼接、卷积、非线性变换，生成注意力权重 # 再与原特征图逐元素相乘

这种双向池化的好处是，道路如果是东西走向的，水平方向池化能捕捉到“这条路很连续”的信号，垂直方向的响应则较弱，两者拼接后，模型能同时感知到方向和位置。

4.2 损失函数设计：为什么要BCE加Dice

前面说过，道路分割的类别不平衡问题很严重，只用普通的交叉熵损失，模型容易偏向预测背景。源码里通常会用加权交叉熵或者组合损失。

我自己实测下来效果最好的是BCE Loss + Dice Loss的组合。BCE保证每个像素的预测尽量准确，Dice Loss则从整体重叠度上约束预测结果和标注的相似性，两者结合能兼顾像素级精度和目标级形态。计算方式大致是：

import torch.nn.functional as F def dice_loss(pred, target, smooth=1.0): pred = torch.sigmoid(pred) pred = pred.contiguous().view(-1) target = target.contiguous().view(-1) intersection = (pred * target).sum() dice = (2. * intersection + smooth) / (pred.sum() + target.sum() + smooth) return 1 - dice

其中smooth参数是为了防止分母为零导致除零错误，一般取1.0就够了。如果训练过程中Dice Loss出现NaN，检查一下是不是标签里有NaN值，或者是学习率太大导致梯度爆炸。

4.3 训练超参经验值

基于这个项目的结构，一套经过验证的训练参数可以这样设置：

• 输入尺寸：512×512（显存不够就降到384或256，但精度会有小幅下降）
• Batch Size：8（8GB显存用4，12GB以上可以用8）
• 优化器：AdamW，初始学习率1e-4，权重衰减1e-5
• 学习率策略：余弦退火或者ReduceLROnPlateau，patience设5-8轮
• Epoch数：60到100之间，配合早停，patience 10-15轮
• 骨干网络预训练权重：强烈建议使用ImageNet预训练的ResNet权重，遥感影像虽然和自然图像有差异，但底层纹理特征还是通用的，能省大量训练时间

如果你是从零开始在自己的数据集上训练，先跑10个epoch看Loss曲线。正常情况下，BCE+Dice的组合损失应该在前几个epoch内从0.9左右下降到0.5以下，如果Loss一点都不动，检查数据加载是不是出了问题，或者标签和图像是否对齐。

4.4 显存不足的破解方法

很多人的显卡只有6GB甚至4GB显存，训练512×512的图加ResNet34编码器刚好能跑，但要换ResNet50或者加注意力模块之后，显存可能直接爆掉。几个降显存的手段：

• 把输入尺寸降到384×384或者320×320
• 减小Batch Size到2或4
• 开启梯度累积，每4个step做一次反向传播，等效于Batch Size乘4
• 用混合精度训练，PyTorch自带torch.cuda.amp，能省约40%显存，速度还能提升

最后一个方法几乎是无损的，强烈建议在训练脚本里加上。

5. 推理效果评估与后处理：光有模型还不够

模型训练完，直接输出的分割图通常是灰度概率图，每个像素的值表示该点属于道路的概率。要想拿得出手，还得做后处理和指标评估。

5.1 阈值分割与形态学处理

默认情况下，概率图经过argmax或者sigmoid之后取0.5阈值就能得到二值掩膜。实际使用中，0.5这个阈值不一定最优，可以自己调。我测试过Massachusetts数据集上的模型，阈值在0.4到0.55之间变动，IoU会有1到2个百分点的差异，具体最优值建议在验证集上扫一遍。

二值掩膜出来后，用OpenCV做一步形态学操作能让路网干净很多：

import cv2 import numpy as np kernel = np.ones((3, 3), np.uint8) # 先开运算：去除小噪点，断开细小的错误连接 mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 再闭运算：填补道路内部的细小空洞，让路网更连续 mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)

开运算的核不要太大，3×3或5×5就够了，太大容易把细窄巷道直接抹掉。闭运算对道路连续性非常有帮助，林荫道造成的断裂很多时候靠这一步就能修复一部分。

5.2 评价指标：IoU比准确率真实得多

答辩或者写论文时，评价指标一定要选对。准确率在道路分割这个任务上没有意义，因为背景占比太大。核心指标是IoU（Intersection over Union），计算方式是预测正类和真实正类的交集除以并集。

还有一种指标是F1分数，特别是针对道路中心线提取任务，常用OIS（Optimal Image Scale）和AUC（Area Under Curve）。如果只用IoU，它对细长目标比较苛刻——差一个像素，IoU就掉1个百分点，但这并不一定代表提取结果不好。所以写论文时建议同时汇报IoU和F1，两个维度一起看才有说服力。

5.3 你可能会碰到的典型失败场景

遥感道路分割虽然模型能跑，但总有一些场景会让模型糊涂。我总结了几个高频翻车点：

• 立交桥：多层道路在影像上堆叠，模型容易把上下层混在一起，输出成一团乱线。这本质上是“道路拓扑”问题，纯像素级分割很难根治。
• 停车场：大面积硬化地面，颜色纹理和道路特别接近，模型经常误判为道路。处理办法是加后处理规则：道路通常有延伸方向，是细长结构，而停车场是块状结构，可以通过连通域的长宽比做过滤。
• 树荫遮挡：树木遮住道路时，模型只能靠上下文猜，容易断裂。这一步除了靠闭运算弥补，更有效的手段是引入多时相影像，或者结合NDVI指标把植被区域排除。
• 阴影：高楼阴影的边缘有一条明显的暗色区域，模型容易把阴影边界当成道路。因为阴影的形状通常和建筑物轮廓一致，可以用形态学知识辅助判断。

如果论文需要定量评估，建议在测试集上把这几种典型场景单独切片统计，会显示出你深入分析过模型的能力，答辩时这就是加分项。

6. 部署实操中的高频报错与排查链路

这部分内容是给那些“配好环境但跑不起来”的同学准备的。我把部署过程中最高频的几个报错和完整排查思路写在这里，按这个链路走，能省不少时间。

6.1 ModuleNotFoundError: No module named 'torchvision'

这个错误虽然看着简单，但出现的频率很高。原因通常是当前Python环境里没有PyTorch全家桶，或者装的时候用的是系统环境而不是虚拟环境。排查方法：

pip list | grep torch

输出为空，说明torch没装，回到前面依赖安装步骤。输出有torch但没有torchvision，单独补装pip install torchvision即可。还有一种情况是conda环境乱了——系统里装了多个conda，导致当前终端用的不是项目所在的环境，输入which python确认一下路径。

6.2 RuntimeError: CUDA out of memory

这个错误在推理时也可能出现，特别是大图拼接推理时。排查步骤：

1. 确认是不是有其他程序占用显卡，Windows上用nvidia-smi查看，Linux上同样适用，找出占用显存的进程并释放。
2. 降低Batch Size到1。
3. 如果是大图推理，检查切块尺寸是不是设得太夸张，把滑动窗口尺寸从1024降到512。
4. 使用torch.no_grad()包住推理过程，释放梯度计算占用的显存。

代码层面可以这样优化：

with torch.no_grad(): pred = model(input_tensor)

这一步对显存的影响非常大，不加的话即使预测也会因为构建计算图而占用额外显存。

6.3 输出结果全黑或者全白

模型跑起来没报错，但分割图一片黑，这种情况通常是数据预处理出了偏差。排查链路：

1. 先打印输入张量的均值和标准差，确认输入像素值在0-1还是0-255。训练时用了Normalize的话，推理时也必须走同样的归一化流程。
2. 查看权重文件是不是和模型结构匹配。你可以加载权重后打印model.state_dict()的key数量，和权重文件的key数量对比一下。
3. 确认推理时数据是不是走在了model.eval()模式下。忘了加model.eval()会导致BatchNorm层推理行为不一致，输出概率图质量直线下降。

一个口诀是：训练和推理的预处理必须严格一致，任何归一化参数（均值、方差）都不允许在两端不一致。

6.4 界面程序打不开

这个项目的“界面美观”标签，通常意味着源码里带了一个GUI面板，多为PyQt5或Tkinter实现。双击或者运行启动脚本没反应，大概率是缺了GUI库。查看源码里的import语句，把对应库装上：

pip install PyQt5

如果在Linux服务器上跑还缺显示环境，需要加xvfb-run前缀来伪装显示环境。如果在Windows上双击没反应，先到终端里用python main.py查看报错信息，这是最直接的诊断方式。

7. 基于个人实操的一些补充建议

最后聊点代码之外的东西。这个项目做完之后，我最大的体会是：遥感方向的深度学习毕业设计，真正决定上限的往往不是模型结构有多新颖，而是数据链路是否通畅。环境配置、数据预处理、训练一致性这三块，任何一环出问题，模型效果都会大打折扣，而且这类问题排查起来特别耗时，因为报错信息往往不在模型代码里，而在数据格式和工程细节里。

对于打算拿这个项目做毕业设计的同学，我有几条具体建议。第一，不要只停留在跑通源码，至少自己动手调整一下注意力模块的位置或者通道数，记录对比实验数据，这就是可讲的增量工作。第二，答辩前准备好一景与训练集分布不同的测试影像，现场跑一遍推理并分析效果好坏的原因，这比背PPT有说服力得多。第三，源码里的每个关键技术点——残差连接、坐标注意力、Dice Loss——都要能用两三句话解释清楚原理，面试或答辩时这些基础问题是最容易被追问的。

我自己的经验是，把项目的目录结构整理清楚能省很多事。模型定义放models/、数据集处理放datasets/、训练脚本放train.py、推理脚本放inference.py、权重统一放weights/。这种规范本身不是什么高深技术，但会让你调试和修改时少掉很多头发。最后再分享一个小技巧：训练时定期把验证集上的预测结果渲染成彩色图存下来，人眼扫一眼往往比盯着曲线图更能发现问题——模型偶尔会给你一个看似涨点的模型，但可视化之后才发现它是在靠投机取巧的方式把IoU刷上去。这个习惯，远比追求那零点几的指标提升要重要。

本文还有配套的精品资源，点击获取