CN110717420A - 一种基于遥感图像的耕地提取方法、系统及电子设备 - Google Patents

一种基于遥感图像的耕地提取方法、系统及电子设备 Download PDF

Info

Publication number
CN110717420A
CN110717420A CN201910912941.5A CN201910912941A CN110717420A CN 110717420 A CN110717420 A CN 110717420A CN 201910912941 A CN201910912941 A CN 201910912941A CN 110717420 A CN110717420 A CN 110717420A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
network model
data set
hru
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910912941.5A
Other languages
English (en)
Inventor
徐文娜
陈劲松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910912941.5A priority Critical patent/CN110717420A/zh
Publication of CN110717420A publication Critical patent/CN110717420A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于遥感图像的耕地提取方法、系统及电子设备。包括：步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；步骤b：构建基于HRU‑Net结构的网络模型，所述基于HRU‑Net结构的网络模型包括卷积层和反卷积层；步骤c：将所述数据集输入构建好的基于HRU‑Net结构的网络模型，得到所述数据集的耕地提取结果。本申请通过构建基于HRU‑Net结构的网络模型，针对保持图像高分辨率信息进行了改进，使之能更好的适应遥感图像地物细节丰富的特点，克服了耕地提取同物异谱的难点，能够保持住更多的遥感图像细节信息，使得耕地提取结果的细节更为丰富准确。

Description

一种基于遥感图像的耕地提取方法、系统及电子设备
技术领域
本申请属于遥感影像处理技术领域，特别涉及一种基于遥感图像的耕地提取方法、系统及电子设备。
背景技术
传统的提取耕地信息方法主要包括目视解译、非监督分类和监督分类。目视解译虽然分类精度高但耗时长、工作量大、效率低；非监督分类方法适仅用于对研究区没有深入了解但需快速得到分类结果的情况；监督分类需要用户选择并根据训练样区进行分类，当对研究区域比较了解时可以使用该方法。
支持向量机方法(SVM)是目前应用较多且效果较好的监督分类方法，但在通过遥感图像分类来提取耕地信息的过程中，由于耕地上种植的作物类型多种多样，灌溉方式和土壤类型存在差异，同时存在未覆盖地物的休耕期耕地，导致不同耕地的光谱特征差别明显，存在严重的同物异谱现象，对传统遥感分类方法(如SVM)的提取效果产生了很大的影响，不能很好的适应覆盖不同地物的耕地提取要求。
近年来，深度学习在遥感图像分类领域发展也很迅速。Makantasis等提出的两层卷积神经网络在四个多光谱的遥感影像数据集上测试都有很好的性能。Yue J等提出了一种结合主成分分析，逻辑回归和卷积神经网络的混合方法对多光谱影像分类。Nogueira和Miranda等对Brazilian Coffee Scenes数据集和UCMerced Land-use数据集进行分类时，提出了一种新的卷积神经网络模型，并与传统分类算法进行了对比，实验结果表明了卷积神经网络可对遥感数据进行分类，且相较于人工设计的算子在分类时有更好的表现。
也有学者将卷积神经网络作为提取特征的工具，将卷积网络的某一层输出作为特征，结合其他分类器分类。如Penatti等人提取Brazilian Coffee Scenes数据集中影像的低层特征(颜色相关图、局部颜色直方图、HOG等七种)和中层描述特征(结合OpponentSIFT的词袋模型)，与使用卷积神经网络提取的特征进行对比，证明卷积神经网络的提取到的特征不仅在自然图像分类中有良好的性能，在遥感影像分类中也较传统算法表现的好。2014年全卷积网络FCN提出，相比于卷积神经网络，全卷积网络把全连接层换为了卷积层，可适应任意尺寸输入，还加入了增大数据尺寸的反卷积层，使之能够输出更加精确的结果。随后，Olaf Ronneberger等人提出U-net(Olaf，2015)，网络基于FCN构造，因其网络结构为U型，所以称为U-net。与FCN不同的是，U-net网络在上采样部分依然有大量的特征通道，这使得网络可以将环境信息向更高的分辨率层传播，在医学图像分类上取得了很好的效果。目前，基于深度学习的遥感图像耕地提取方法中，虽然U-Net网络所需训练数据少，效果好，然而，在遥感图像分类过程中，需要将高分辨率图像转化为低分辨率图像来提取抽象的语义信息，会丢失图像的细节和边缘信息，使得耕地提取结果细节不够丰富准确。
发明内容
本申请提供了一种基于遥感图像的耕地提取方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种基于遥感图像的耕地提取方法，包括以下步骤：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
本申请实施例采取的技术方案还包括：所述步骤a还包括：获取遥感影像，并对所述遥感影像进行辐射校正和空间域增强处理滤波。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集包括：选择遥感影像的绿、红、近红外波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述卷积层具体为：不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，通过所述卷积层对特征图进行特征提取；并利用步长为2的卷积模块对特征图进行下采样，得到不同分辨率层；所述不同分辨率层包括5层，用于在每个分辨率层保留相应的分辨率信息；
所述反卷积层用于对特征图进行上采样，将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图，并对特征图进行多尺度融合，将高分辨率信息融入低分辨率特征层。
本申请实施例采取的技术方案还包括：在所述步骤c中，所述将数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果具体包括：将所述训练集输入构建好的网络模型，设定学习率、迭代次数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，得到训练好的网络参数模型；并将所述测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。
本申请实施例采取的另一技术方案为：一种基于遥感图像的耕地提取系统，包括：
数据集构建模块：用于对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
模型构建模块：用于构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
结果提取模块：用于将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
本申请实施例采取的技术方案还包括数据处理模块，所述数据处理模块用于获取遥感影像，并对所述遥感影像进行辐射校正和空间域增强处理滤波。
本申请实施例采取的技术方案还包括：所述数据集构建模块对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集包括：选择遥感影像的绿、红、近红外波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
本申请实施例采取的技术方案还包括：所述HRU-Net结构的网络模型包括卷积层和反卷积层，所述卷积层具体为：不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，通过所述卷积层对特征图进行特征提取；并利用步长为2的卷积模块对特征图进行下采样，得到不同分辨率层；所述不同分辨率层包括5层，用于在每个分辨率层保留相应的分辨率信息；
所述反卷积层用于对特征图进行上采样，将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图，并对特征图进行多尺度融合，将高分辨率信息融入低分辨率特征层。
本申请实施例采取的技术方案还包括：所述结果提取模块包括：
模型训练单元：用于将所述训练集输入构建好的网络模型，设定学习率、迭代次数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，得到训练好的网络参数模型；
模型测试单元：用于将所述测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于遥感图像的耕地提取方法的以下操作：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的基于遥感图像的耕地提取方法、系统及电子设备通过构建基于HRU-Net结构的网络模型，在U-net网络的基础上，针对保持图像高分辨率信息进行了改进，使之能更好的适应遥感图像地物细节丰富的特点，在一定程度上克服了耕地提取同物异谱的难点，相对于现有技术，本申请能够保持住更多的遥感图像细节信息，使得耕地提取结果的细节更为丰富准确。
附图说明
图1是本申请实施例的基于遥感图像的耕地提取方法的流程图；
图2为U-Net网络结构图；
图3为基于HRU-Net结构的网络模型结构图；
图4是本申请实施例的基于遥感图像的耕地提取系统的结构示意图；
图5为对于两组输入图像，支持向量机(SVM)方法与本申请的(HRU-Net)网络模型的提取结果对比图；
图6为对于两组输入图像，U-Net方法与本申请的(HRU-Net)网络模型的提取结果对比图；
图7是本申请实施例提供的基于遥感图像的耕地提取方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的基于遥感图像的耕地提取方法的流程图。本申请实施例的基于遥感图像的耕地提取方法包括以下步骤：
步骤100：获取遥感影像，并对遥感影像进行预处理；
步骤100中，获取的遥感影像为Landset(卫星名称)影像，具体也可以是其他类型的遥感影像；遥感影像预处理具体为：利用arcgis和ENVI对遥感影像进行辐射校正和空间域增强处理滤波。
步骤200：对预处理后的遥感图像进行波段选择及图像裁剪，并按照一定比例构建训练集和测试集；
步骤200中，波段选择及图像裁剪具体为：选择遥感影像的第2(绿)、3(红)、4(近红外)波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
步骤300：构建基于HRU-Net结构的网络模型，搭建训练框架；
步骤300中，本申请实施例的基于HRU-Net结构的网络模型包括卷积层和反卷积层，相比于卷积神经网络，去掉了全连接层。相比于U-Net网络(U-Net网络结构如图2所示)，去掉了池化层，从而增加了高分辨率信息保持结构和多尺度信息融合结构。基于HRU-Net结构的网络模型结构如图3所示，其具体包括卷积层和反卷积层，各层功能包括：
(1)利用卷积层进行特征提取；如图3所示，不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，用于进行特征提取。
(2)利用步长为2的卷积模块进行下采样，得到不同分辨率层；如图3所示，斜向下箭头表示步长为2的卷积模块，用来替代U-Net网络的池化层，在得到不同分辨率层的同时，减少高分辨率信息的丢失。
(3)利用反卷积层进行上采样；如图3所示，斜向上的箭头表示网络的反卷积层，用于将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图。
(4)不同分辨率层各自保持其分辨率信息；从结构图中可以看出，本网络包含5层不同分辨率层，相比于U-Net网络简单的利用跳跃连接融合原始分辨率特征图和上采样后得到的特征图(如图2中灰色箭头所示)，HRU-Net网络在每个分辨率层全程保留相应分辨率信息，更好地保持遥感图像地物细节信息。
(5)多尺度融合：将高分辨率信息融入低分辨率特征层；如图3所示，网络外围的斜向下箭头主要作用是产生不同分辨率层，内部的斜向下箭头则主要是进行多尺度融合，把高分辨率信息融入低分辨率特征层，进一步保持遥感影像的地物细节信息。
步骤400：将训练集输入构建好的基于HRU-Net结构的网络模型进行训练，得到网络参数模型；
步骤400中，将建好的训练集输入构建好的网络模型，设定学习率、迭代次数等超参数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，最终得到训练好的网络参数模型。
步骤500：将测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。
步骤500中，可根据测试集图像的耕地提取结果对网络结构进行评价。
请参阅图4，是本申请实施例的基于遥感图像的耕地提取系统的结构示意图。本申请实施例的基于遥感图像的耕地提取系统包括数据处理模块、数据集构建模块、模型构建模块、模型训练模块和模型测试模块。
数据处理模块：用于获取遥感影像，并对遥感影像进行预处理；其中，获取的遥感影像为Landset(卫星名称)影像，具体也可以是其他类型的遥感影像；遥感影像预处理具体为：利用arcgis和ENVI对遥感影像进行辐射校正和空间域增强处理滤波。
数据集构建模块：用于对预处理后的遥感图像进行波段选择及图像裁剪，并按照一定比例构建训练集和测试集；其中，波段选择及图像裁剪具体为：选择遥感影像的第2(绿)、3(红)、4(近红外)波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
模型构建模块：用于构建基于HRU-Net结构的网络模型，搭建训练框架；其中，本申请实施例的基于HRU-Net结构的网络模型包括卷积层和反卷积层，相比于卷积神经网络，去掉了全连接层。相比于U-Net网络，去掉了池化层，从而增加了高分辨率信息保持结构和多尺度信息融合结构。基于HRU-Net结构的网络模型结构如图3所示，其具体包括卷积层和反卷积层，各层功能包括：
(1)利用卷积层进行特征提取；如图3所示，不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，用于进行特征提取。
(2)利用步长为2的卷积模块进行下采样，得到不同分辨率层；如图3所示，斜向下箭头表示步长为2的卷积模块，用来替代U-Net网络的池化层，在得到不同分辨率层的同时，减少高分辨率信息的丢失。
(3)利用反卷积层进行上采样；如图3所示，斜向上的箭头表示网络的反卷积层，用于将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图。
(4)不同分辨率层各自保持其分辨率信息；从结构图中可以看出，本网络包含5层不同分辨率层，相比于U-Net网络简单的利用跳跃连接融合原始分辨率特征图和上采样后得到的特征图(如图2中灰色箭头所示)，HRU-Net网络在每个分辨率层全程保留相应分辨率信息，更好地保持遥感图像地物细节信息。
(5)多尺度融合：将高分辨率信息融入低分辨率特征层；如图3所示，网络外围的斜向下箭头主要作用是产生不同分辨率层，内部的斜向下箭头则主要是进行多尺度融合，把高分辨率信息融入低分辨率特征层，进一步保持遥感影像的地物细节信息。
结果提取模块：用于将数据集输入训练好的网络模型，并输出数据集对应的耕地提取结果；具体的，结果提取单元包括：
模型训练单元：用于将训练集输入构建好的基于HRU-Net结构的网络模型进行训练，得到网络参数模型；其中，将建好的训练集输入构建好的网络模型，设定学习率、迭代次数等超参数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，最终得到训练好的网络参数模型。
模型测试单元：用于将测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。其中，可根据测试集图像的耕地提取结果对网络结构进行评价。
为了验证本申请的可行性和有效性，利用Landset影像构成的训练集和测试集对本申请提出的HRU-Net网络模型进行了训练与测试，同时与支持向量机(SVM)以及U-Net全卷积网络的耕地提取结果进行了对比，具体试验结果如图5、图6所示，图5为对于两组输入图像，支持向量机(SVM)方法与本申请的(HRU-Net)网络模型的提取结果对比图；其中，图5a和图5d分别为两组输入图像，图5b和图5e分别为针对两组图像的(SVM)提取结果，图5c和图5f分别为针对两组图像的(HRU-Net)提取结果。由图可知，SVM只能识别出有植被覆盖的耕地，而本申请的(HRU-Net)网络可以识别出有植被和无植被覆盖的不同状态的耕地。图6为对于两组输入图像，U-Net方法与本申请的(HRU-Net)网络模型的提取结果对比图；其中，图6a和图6e分别为两组输入图像，图6b和图6f分别为针对两组图像的U-Net方法提取结果，图6c和图6g分别为针对两组图像的(HRU-Net)提取结果，图6d和图6h分别为U-Net方法与本申请的(HRU-Net)网络的提取标签。由图可知，相比利用U-Net网络，本申请的(HRU-Net)网络模型保持住了更多的遥感图像细节信息，使得耕地提取结果的细节更为丰富准确。
图7是本申请实施例提供的基于遥感图像的耕地提取方法的硬件设备结构示意图。如图7所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
本申请实施例的基于遥感图像的耕地提取方法、系统及电子设备通过构建基于HRU-Net结构的网络模型，在U-net网络的基础上，针对保持图像高分辨率信息进行了改进，使之能更好的适应遥感图像地物细节丰富的特点，在一定程度上克服了耕地提取同物异谱的难点，相对于现有技术，本申请能够保持住更多的遥感图像细节信息，使得耕地提取结果的细节更为丰富准确。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种基于遥感图像的耕地提取方法，其特征在于，包括以下步骤：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
2.根据权利要求1所述的基于遥感图像的耕地提取方法，其特征在于，所述步骤a还包括：获取遥感影像，并对所述遥感影像进行辐射校正和空间域增强处理滤波。
3.根据权利要求2所述的基于遥感图像的耕地提取方法，其特征在于，在所述步骤b中，所述对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集包括：选择遥感影像的绿、红、近红外波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
4.根据权利要求1至3任一项所述的基于遥感图像的耕地提取方法，其特征在于，在所述步骤b中，所述卷积层具体为：不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，通过所述卷积层对特征图进行特征提取；并利用步长为2的卷积模块对特征图进行下采样，得到不同分辨率层；所述不同分辨率层包括5层，用于在每个分辨率层保留相应的分辨率信息；
所述反卷积层用于对特征图进行上采样，将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图，并对特征图进行多尺度融合，将高分辨率信息融入低分辨率特征层。
5.根据权利要求3所述的基于遥感图像的耕地提取方法，其特征在于，在所述步骤c中，所述将数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果具体包括：将所述训练集输入构建好的网络模型，设定学习率、迭代次数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，得到训练好的网络参数模型；并将所述测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。
6.一种基于遥感图像的耕地提取系统，其特征在于，包括：
数据集构建模块：用于对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
模型构建模块：用于构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
结果提取模块：用于将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
7.根据权利要求6所述的基于遥感图像的耕地提取系统方法，其特征在于，还包括数据处理模块，所述数据处理模块用于获取遥感影像，并对所述遥感影像进行辐射校正和空间域增强处理滤波。
8.根据权利要求7所述的基于遥感图像的耕地提取系统，其特征在于，所述数据集构建模块对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集包括：选择遥感影像的绿、红、近红外波段，裁剪成一定大小，构建数据集，再按照4:1的比例将数据集分为训练集和测试集。
9.根据权利要求6至8任一项所述的基于遥感图像的耕地提取系统，其特征在于，所述HRU-Net结构的网络模型包括卷积层和反卷积层，所述卷积层具体为：不同特征图中间均包含卷积模块，每个卷积模块由两层卷积核为3*3的卷积层组成，通过所述卷积层对特征图进行特征提取；并利用步长为2的卷积模块对特征图进行下采样，得到不同分辨率层；所述不同分辨率层包括5层，用于在每个分辨率层保留相应的分辨率信息；
所述反卷积层用于对特征图进行上采样，将特征图从最低分辨率层恢复成输入图片大小，最终得到和输入图片同样大小的提取结果图，并对特征图进行多尺度融合，将高分辨率信息融入低分辨率特征层。
10.根据权利要求8所述的基于遥感图像的耕地提取系统，其特征在于，所述结果提取模块包括：
模型训练单元：用于将所述训练集输入构建好的网络模型，设定学习率、迭代次数，并设置用于优化网络参数的损失函数，根据训练的损失曲线调整训练过程，得到训练好的网络参数模型；
模型测试单元：用于将所述测试集输入训练好的网络参数模型，得到测试集图像的耕地提取结果。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至5任一项所述的基于遥感图像的耕地提取方法的以下操作：
步骤a：对遥感图像进行波段选择及图像裁剪，得到用于构建网络模型的数据集；
步骤b：构建基于HRU-Net结构的网络模型，所述基于HRU-Net结构的网络模型包括卷积层和反卷积层；
步骤c：将所述数据集输入构建好的基于HRU-Net结构的网络模型，得到所述数据集的耕地提取结果。
CN201910912941.5A 2019-09-25 2019-09-25 一种基于遥感图像的耕地提取方法、系统及电子设备 Pending CN110717420A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910912941.5A CN110717420A (zh) 2019-09-25 2019-09-25 一种基于遥感图像的耕地提取方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910912941.5A CN110717420A (zh) 2019-09-25 2019-09-25 一种基于遥感图像的耕地提取方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN110717420A true CN110717420A (zh) 2020-01-21

Family

ID=69210881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910912941.5A Pending CN110717420A (zh) 2019-09-25 2019-09-25 一种基于遥感图像的耕地提取方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN110717420A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428781A (zh) * 2020-03-20 2020-07-17 中国科学院深圳先进技术研究院 遥感影像地物分类方法及系统
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备
CN111539403A (zh) * 2020-07-13 2020-08-14 航天宏图信息技术股份有限公司 农业大棚的识别方法、装置及电子设备
CN112132193A (zh) * 2020-09-10 2020-12-25 中国科学院深圳先进技术研究院 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质
CN112580484A (zh) * 2020-12-14 2021-03-30 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN113011294A (zh) * 2021-03-08 2021-06-22 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN114419430A (zh) * 2021-12-09 2022-04-29 华南农业大学 一种基于SE-U-Net++模型的耕地地块提取方法及装置
CN114529825A (zh) * 2022-04-24 2022-05-24 城云科技（中国）有限公司 用于消防通道占用目标检测的目标检测模型、方法及应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537192A (zh) * 2018-04-17 2018-09-14 福州大学 一种基于全卷积网络的遥感影像地表覆盖分类方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537192A (zh) * 2018-04-17 2018-09-14 福州大学 一种基于全卷积网络的遥感影像地表覆盖分类方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN109446992A (zh) * 2018-10-30 2019-03-08 苏州中科天启遥感科技有限公司 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备
CN110120033A (zh) * 2019-04-12 2019-08-13 天津大学 基于改进的U-Net神经网络三维脑肿瘤图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SISI WEI等: "Multi-Temporal SAR Data Large-Scale Crop Mapping Based on U-Net Model", 《REMOTE SENSING》 *
顾炼: "基于深度学习的遥感图像建筑物检测及其变化检测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备
CN111428781A (zh) * 2020-03-20 2020-07-17 中国科学院深圳先进技术研究院 遥感影像地物分类方法及系统
WO2021184891A1 (zh) * 2020-03-20 2021-09-23 中国科学院深圳先进技术研究院 遥感影像地物分类方法及系统
CN111539403A (zh) * 2020-07-13 2020-08-14 航天宏图信息技术股份有限公司 农业大棚的识别方法、装置及电子设备
CN112132193A (zh) * 2020-09-10 2020-12-25 中国科学院深圳先进技术研究院 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质
CN112580484A (zh) * 2020-12-14 2021-03-30 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN112580484B (zh) * 2020-12-14 2024-03-29 中国农业大学 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN113011294A (zh) * 2021-03-08 2021-06-22 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN113011294B (zh) * 2021-03-08 2023-11-07 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN114419430A (zh) * 2021-12-09 2022-04-29 华南农业大学 一种基于SE-U-Net++模型的耕地地块提取方法及装置
CN114529825A (zh) * 2022-04-24 2022-05-24 城云科技（中国）有限公司 用于消防通道占用目标检测的目标检测模型、方法及应用
CN114529825B (zh) * 2022-04-24 2022-07-22 城云科技（中国）有限公司 用于消防通道占用目标检测的目标检测模型、方法及应用

Similar Documents

Publication Publication Date Title
CN110717420A (zh) 一种基于遥感图像的耕地提取方法、系统及电子设备
WO2021184891A1 (zh) 遥感影像地物分类方法及系统
Hou et al. Change detection based on deep features and low rank
WO2019091459A1 (zh) 图像处理方法、处理装置和处理设备
CN111986099A (zh) 基于融合残差修正的卷积神经网络的耕地监测方法及系统
CN113609889B (zh) 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN109344883A (zh) 一种基于空洞卷积的复杂背景下果树病虫害识别方法
CN111259905A (zh) 一种基于下采样的特征融合遥感图像语义分割方法
CN113343789A (zh) 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN110458201B (zh) 一种遥感影像面向对象分类方法及分类装置
CN107239759A (zh) 一种基于深度特征的高空间分辨率遥感图像迁移学习方法
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
US20220215656A1 (en) Method, apparatus, device for image processing, and storage medium
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
Fang et al. Aerial-BiSeNet: A real-time semantic segmentation network for high resolution aerial imagery
Zhan et al. Vegetation land use/land cover extraction from high-resolution satellite images based on adaptive context inference
KR102526846B1 (ko) 생성적 적대 신경망을 이용한 과수 병충해 분류 시스템 및 방법
Pan et al. FDPPGAN: remote sensing image fusion based on deep perceptual patchGAN
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN114529832A (zh) 一种预设遥感图像重叠阴影分割模型训练方法及装置
CN112132145B (zh) 一种基于模型扩展卷积神经网络的图像分类方法及系统
CN113989649A (zh) 一种基于深度学习的遥感地块识别方法
Mendoza-Bernal et al. A Convolutional Neural Network approach for image-based anomaly detection in smart agriculture
Li et al. Land cover classification for high resolution remote sensing images with atrous convolution and bfs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200121