如何构建独特图形轮廓权重图优化U-Net卫星影像建筑提取轮廓精度

你需要的边界加权逻辑本质是基于距离变换的权重映射，以下是可直接落地的完整实现流程：

1. 生成边界掩码 #

首先从标注的建筑物二值掩码（建筑物区域为1、背景为0）中提取轮廓边界，用基础形态学运算即可实现：

import cv2
import numpy as np
from scipy.ndimage import distance_transform_edt

def get_boundary_mask(label_mask, kernel_size=3):
    # label_mask为单通道uint8格式的二值标注，取值0/1
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_size, kernel_size))
    # 膨胀结果减腐蚀结果得到边界区域
    dilated = cv2.dilate(label_mask, kernel, iterations=1)
    eroded = cv2.erode(label_mask, kernel, iterations=1)
    boundary = dilated - eroded
    return boundary.astype(np.bool_)

2. 生成距离衰减权重图 #

基于边界掩码计算全局像素到最近边界的欧式距离，按规则映射为权重值，边界处取最高值、向两侧线性/非线性衰减：

def generate_boundary_weight_map(label_mask, max_weight=10, decay_width=5):
    # max_weight：边界处的最高权重值；decay_width：权重从最大值衰减到1的像素距离
    h, w = label_mask.shape
    boundary = get_boundary_mask(label_mask)
    # 计算所有像素到最近边界的距离
    dist_to_boundary = distance_transform_edt(~boundary)
    # 生成权重：衰减范围内的像素按距离计算权重，其余区域权重为1
    weight_map = np.ones((h, w), dtype=np.float32)
    decay_region = dist_to_boundary <= decay_width
    # 线性衰减逻辑，可替换为指数衰减适配不同需求
    weight_map[decay_region] = max_weight - (max_weight - 1) * (dist_to_boundary[decay_region] / decay_width)
    return weight_map

可根据你的卫星影像分辨率调整decay_width参数，高分影像可设为5-10，低分影像可设为2-3。

3. 嵌入U-Net训练流程 #

将生成的权重图与交叉熵损失结合，边界位置的预测错误会产生更高的损失，迫使模型学习更精准的轮廓：

import torch
import torch.nn as nn

class WeightedCELoss(nn.Module):
    def __init__(self):
        super().__init__()
        self.base_ce = nn.CrossEntropyLoss(reduction='none') # 保留单像素损失值
    
    def forward(self, pred, target, weight_map):
        ce_loss = self.base_ce(pred, target)
        weighted_loss = ce_loss * weight_map
        return weighted_loss.mean()

调优提示 #

• 如果优化后边界仍然模糊，可适当提高max_weight到12-15
• 如果建筑物内部出现漏判，可适当缩小decay_width或降低max_weight，避免边界权重过高挤压内部分类的优化优先级

内容的提问来源于stack exchange，提问作者Marlon Teixeira