CN113569772A - 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 - Google Patents
遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN113569772A CN113569772A CN202110878020.9A CN202110878020A CN113569772A CN 113569772 A CN113569772 A CN 113569772A CN 202110878020 A CN202110878020 A CN 202110878020A CN 113569772 A CN113569772 A CN 113569772A
- Authority
- CN
- China
- Prior art keywords
- farmland
- remote sensing
- cultivated land
- sensing image
- boundary
- 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.)
- Withdrawn
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000012805 post-processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种遥感影像耕地实例掩膜提取方法及系统、终端设备、存储介质,该方法对耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的耕地样本集,级联语义分割网络与边缘检测网络对增强后的耕地样本集进行迭代训练,得到最优模型,基于最优模型对遥感影像作业区进行预测,得到遥感影像作业区的耕地面概率分布图与耕地边界强度图,对耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到遥感影像耕地的实例掩膜;该方法利用级联语义分割网络与边缘检测网络,利于抑制耕地内部噪声与背景噪声,并强化模糊耕地边界特征,在对耕地精细提取中避免了耕地边界模糊以及类别混淆等因素产生的影响。
Description
技术领域
本申请涉及遥感影像提取技术领域,尤其涉及一种遥感影像耕地实例掩膜提取方法及系统、终端设备、存储介质。
背景技术
耕地是人类生存和社会发展的物质基础。许多重要的应用,如作物产量估计和农业规划,需要耕地的位置和面积。利用高分辨率遥感,耕地的外观变得清晰和可辨,这将有利于耕地提取及应用。
虽然人工提取农田可以达到最高的精度,但人力资源成本过多,因此更需要自动提取方法。利用深度卷积神经网络(DCNN)可以很好地实现自动提取,这些网络在图像分类、对象检测、语义分割等许多计算机视觉领域都取得了显著的成功。但是深度卷积神经网络在提取对于遥感影像中的模糊耕地边界识别准确率低,在机耕路、水面、灌木林等类别上存在错提率高的问题。
发明内容
有鉴于此,本申请提供一种遥感影像耕地实例掩膜提取方法,该方法利用边界类增强提升模型的训练效果以及训练过程中引入聚焦权重,以提高模糊耕地边界识别的准确率。
为解决上述技术问题,本申请采用以下技术方案:
第一方面,根据本发明实施例提供一种遥感影像耕地实例掩膜提取方法,包括:
获取遥感影像耕地样本集,所述耕地样本集包括耕地面样本与耕地边界线样本;
对所述耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的所述耕地样本集;
级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型;
基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图;
对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜。
优选地,对所述耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的所述耕地样本集,包括:
将经过形态学处理的所述耕地边界线样本叠加到所述耕地面样本中,将耕地边界视为除背景和耕地外的第三个类别,得到增强后的所述耕地样本集;其中,所述形态学处理包括膨胀像素。
优选地,级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型,包括:
基于增强后的所述耕地样本集的掩膜,计算与之对应的聚焦权重;
将所述聚焦权重映射到训练过程中产生的像素级损失值上;
利用所述损失值优化级联语义分割网络与边缘检测网络,当所述损失值收敛时,得到所述最优模型。
优选地,基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图,包括:
先利用所述语义分割网络对所述遥感影像作业区的耕地面进行提取,得到所述耕地面概率分布图;
基于所述耕地面概率分布图对所述遥感影像作业区的耕地线进行提取,得到所述耕地边界强度图。
优选地,对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜,包括:
对所述耕地面概率分布图进行阈值分割处理,得到所述耕地面二值栅格图;以及
对所述耕地边界强度图进行骨架提取处理,得到所述耕地边界线二值栅格图。
优选地,对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜,还包括:
对所述耕地边界线二值栅格图进行矢量化处理,其中,所述矢量化处理包括先将所述耕地边界线二值栅格图转成线矢量,再进行闭合线转面处理,得到所述耕地边界线的面矢量数据。
优选地,利用GIS技术将所述耕地边界线的面矢量数据与所述耕地面二值栅格图进行结合,得到所述遥感影像耕地的实例掩膜。
第二方面,本发明实施例还提供一种遥感影像耕地实例掩膜提取系统,包括:
获取模块,其用于获取遥感影像耕地样本集,所述耕地样本集包括耕地面样本与耕地边界线样本;
增强模块,其用于对所述耕地面样本与耕地边界线样本进行边界类增强操作,得到增强后的所述耕地样本集;
训练模块,其用于级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型;
预测模块,其用于基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图;
后处理模块,其用于对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜。
第三方面,本发明实施例还提供一种终端设备,所述终端设备包括:
处理器;
存储器;以及程序,其中,所述程序被存储在所述存储器中,并且被配置成由处理器执行,以使得所述终端设备实现所述一种遥感影像耕地实例掩膜提取方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序:所述计算机程序被处理器执行实现所述一种遥感影像耕地实例掩膜提取方法。
本申请的上述技术方案至少具有如下有益效果之一:
根据本申请实施例的一种遥感影像耕地实例掩膜提取方法及系统,该方法通过对耕地样本集进行边界类增强处理,提升模型的训练效果;级联语义分割网络与边缘检测网络,利于抑制耕地内部噪声与背景噪声,并强化模糊耕地边界特征,在对耕地精细提取中避免了耕地边界模糊以及类别混淆等因素产生的影响;另外,通过在训练过程中引入聚焦权重,以使得遥感影像中重要但代表性不足的边缘像素得到聚焦训练,提高遥感影像耕地提取的精准性。
附图说明
图1为本申请实施例的遥感影像耕地实例掩膜提取方法的整体流程图;
图2为本申请实施例的遥感影像耕地实例掩膜提取方法的整体逻辑图;
图3为本申请实施例的遥感影像耕地实例掩膜提取方法的边界类增强后的掩膜图;
图4为本申请实施例的遥感影像耕地实例掩膜提取方法的获取最优模型的具体流程图;
图5为本申请实施例的遥感影像耕地实例掩膜提取方法的级联后的模型结构示意图;
图6为本申请实施例的遥感影像耕地实例掩膜提取方法中的耕地面二值栅格图;
图7为本申请实施例的遥感影像耕地实例掩膜提取方法中的耕地边界线二值栅格图;
图8a为本申请实施例中的待提取的遥感影像耕地影像;
图8b为利用本发明实施例提供的一种遥感影像耕地实例掩膜提取方法进行提取得到的遥感影像耕地的实例掩膜图;
图9为本申请实施例的遥感影像耕地实例掩膜提取系统的模块图。
附图标记:
21、获取模块;22、增强模块;23、训练模块;24、预测模块;25、后处理模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在现有技术中,对于遥感影像耕地的提取,人工提取的精度最高,但是需要投入的人力成本太大且效率过低。传统的农田提取方法通常依赖基于对象的分割,通常使用多分辨率分割算法,比如:区域增长与分水岭算法等,即将图像分割成多个最小的处理元素。基于区分地块和其他对象的特征,提取呈现地块部分的对象并合并在一起以构建完整的地块。然而,具有代表性的特征的设计需要研究人员付出艰苦的工作,但由于高分辨率带来的地面对象的复杂性和异质性,要在高分辨率遥感图像中取得成功变得更加困难。此外,高分辨率航空或遥感影像中农田的视觉外观因位置或时间的变化而不同,这些设计的特征可能无法很好地代表新出现的图像中的农田并产生令人满意的结果。虽然深度卷积神经网络可以实现自动提取,但是在高分遥感影像中的模糊耕地边界识别的准确率低下。
基于上述技术问题,本发明实施例提供一种遥感影像耕地实例掩膜提取方法,该方法利用边界类增强处理与聚焦权重训练策略重点关注遥感影像的耕地边界,再利用级联语义分割网络与边缘检测网络,该模型对消除山区复杂地形背景噪声具有较高的抑制作用,对模糊边界起到增强效果,提高遥感影像耕地边缘的提取精度。
下面通过结合具体的附图对本申请的各个实施例进行详细的说明。
在本申请的一个实施例中提供一种遥感影像耕地实例掩膜提取方法,如图1和图2所示,该方法具体包括如下步骤:
S1、获取遥感影像耕地样本集,耕地样本集包括耕地面样本与耕地边界线样本。遥感影像优选为高分遥感影像,其空间分辨率优选为0.53m。
也就是说,耕地样本集中的每张高分遥感影像有两种标签,即耕地面标签与耕地边界线标签。
S2、对耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的耕地样本集。
在一实施例中,如图3所示,对耕地边界线样本进行形态学处理,形态学处理优选为膨胀像素,进一步优选地对耕地边界线样本进行膨胀两个像素。应当理解为:将遥感影像中的背景与耕地面划为第一个类别与第二个类别,而将遥感影像的耕地边界线划分为第三个类别即边界类,在对耕地边界线进行膨胀像素处理后,并将其叠加到第二个类别即耕地面样本中,得到增强后的耕地样本集。使用边界类增强后的样本集进行模型训练,得到的概率分布图将会有额外的类来表示耕地边界的概率分布,使得语义分割能够更好区分耕地地块边缘和内部区域。
S3、级联语义分割网络与边缘检测网络对增强后的耕地样本集进行迭代训练,得到最优模型。
在一实施例中,如图4所示,在步骤S3中还包括如下步骤:
S31、基于步骤S2中得到的增强后的耕地样本集的掩膜,计算与之对应的聚焦权重。聚焦权重为一个与之对应的高分遥感影像耕地样本集的掩膜相同大小的矩阵,其用于集中学习遥感影像中重要但代表性不足的部分。
具体的,聚焦权重的计算公式包括:
S32、将聚焦权重映射到训练过程中产生的像素级损失值上。聚焦训练是借助加权交叉熵损失函数来集中学习高分辨率遥感影像中重要但代表性不足的边缘像素,提高边缘检测精度。
具体的,将权重映射到损失值的过程中,损失函数的数据计算公式为:
加权交叉熵损失函数的数学计算公式为:
losswm=(lossseg+lossedge)×W;
其中,lossseg是语义分割网络产生的损失值,lossedge为边缘检测网络产生的损失值,W为聚焦权重,losswm为聚焦权重映射后的损失值。
S33、利用损失值优化级联语义分割网络与边缘检测网络,当损失值收敛时,得到最优模型。
S4、基于最优模型对遥感影像作业区进行预测,得到遥感影像作业区的耕地面概率分布图与耕地边界强度图。
在一实施例中,级联语义分割网络与边缘检测网络,级联后的模型结构如图5所示,一般的,耕地面提取模型可以选用任意的语义分割网络,耕地边界线提取模型也可以选用任意的边缘检测网络,语义分割模型优选为U-Net,边缘检测模型优选为HED。
具体的,级联后的该模型视为两个阶段,先进行语义分割任务即利用语义分割网络对遥感影像作业区的耕地面进行提取,得到耕地面概率分布图。再进行边缘检测任务即基于耕地面概率分布图对遥感影像作业区的耕地线进行提取,得到耕地边界强度图。级联后的模型将耕地边界线和面的预测进行关联,改善网络的预测效果,以提高耕地的提取精度。
S5、对耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到遥感影像耕地的实例掩膜。
具体地,如图6所示,对耕地面概率分布图进行阈值分割处理,得到耕地面二值栅格图。
对耕地边界强度图进行骨架提取处理,得到耕地边界线二值栅格图。
进一步的,如图7所示,对耕地边界线二值栅格图进行矢量化处理,其中,矢量化处理包括先将耕地边界线二值栅格图转成线矢量,再进行闭合线转面处理,得到耕地边界线的面矢量数据。
进一步的,将耕地面二值栅格图与耕地边界线的面矢量数据进行结合,并利用GIS空间分析技术进行分区统计,对每一个面矢量的各类别栅格像素进行统计分析,比例最大的类别为该面矢量块的类别,得到遥感影像的耕地实例掩膜。如图8a和8b所示,图8a为待提取的遥感影像耕地影像;图8b为根据本发明实施例提供的一种遥感影像耕地实例掩膜提取方法进行提取得到的遥感影像耕地的实例掩膜图。
本发明实施例还提供一种遥感影像耕地实例掩膜提取系统,如图9所示,包括:
获取模块21,其用于获取遥感影像耕地样本集,所述耕地样本集包括耕地面样本与耕地边界线样本;
增强模块22,其用于对所述耕地面样本与耕地边界线样本进行边界类增强操作,得到增强后的所述耕地样本集;
训练模块23,其用于级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型;
预测模块24,其用于基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图;
后处理模块25,其用于对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜。
进一步的,增强模块22包括形态学单元,形态学单元用于将经过形态学处理的所述耕地边界线样本叠加到所述耕地面样本中,将耕地边界视为除背景和耕地外的第三个类别,得到增强后的所述耕地样本集;其中,所述形态学处理包括膨胀像素。
进一步的,训练模块23包括权重单元、映射单元和收敛单元;其中,
权重单元用于基于增强后的所述耕地样本集的掩膜,计算与之对应的聚焦权重;
映射单元用于将所述聚焦权重映射到训练过程中产生的像素级损失值上;
收敛单元用于利用所述损失值优化级联语义分割网络与边缘检测网络,当所述损失值收敛时,得到所述最优模型。
进一步的,预测模块24包括级联模型提取单元,级联模型提取单元用于先利用所述语义分割网络对所述遥感影像作业区的耕地面进行提取,得到所述耕地面概率分布图;
基于所述耕地面概率分布图对所述遥感影像作业区的耕地线进行提取,得到所述耕地边界强度图。
进一步的,后处理模块25包括分割单元与骨架提取单元,分割单元用于对所述耕地面概率分布图进行阈值分割处理,得到所述耕地面二值栅格图;骨架提取单元用于对所述耕地边界强度图进行骨架提取处理,得到所述耕地边界线二值栅格图。
进一步的,骨架提取单元包括提取子单元,提取子单元包括对所述耕地边界线二值栅格图进行矢量化处理,其中,所述矢量化处理包括先将所述耕地边界线二值栅格图转成线矢量,再进行闭合线转面处理,得到所述耕地边界线的面矢量数据。
进一步的,后处理模块25还包括结合单元,结合单元用于利用GIS技术将所述耕地边界线的面矢量数据与所述耕地面二值栅格图进行结合,得到所述遥感影像耕地的实例掩膜。
本发明实施例还提供一种终端设备,终端设备包括:处理器;存储器;以及程序,其中,程序被存储在存储器中,并且被配置成由处理器执行,以使得终端设备实现一种遥感影像耕地实例掩膜提取方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序:计算机程序被处理器执行实现一种遥感影像耕地实例掩膜提取方法。
需要说明的是,在本专利的示例和说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者系统中还存在另外的相同要素。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种遥感影像耕地实例掩膜提取方法,其特征在于,包括:
获取遥感影像耕地样本集,所述耕地样本集包括耕地面样本与耕地边界线样本;
对所述耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的所述耕地样本集;
级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型;
基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图;
对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜。
2.根据权利要求1所述的方法,其特征在于,对所述耕地面样本与耕地边界线样本进行边界类增强处理,得到增强后的所述耕地样本集,包括:
将经过形态学处理的所述耕地边界线样本叠加到所述耕地面样本中,将耕地边界视为除背景和耕地外的第三个类别,得到增强后的所述耕地样本集;其中,所述形态学处理包括膨胀像素。
3.根据权利要求2所述的方法,其特征在于,级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型,包括:
基于增强后的所述耕地样本集的掩膜,计算与之对应的聚焦权重;
将所述聚焦权重映射到训练过程中产生的像素级损失值上;
利用所述损失值优化级联语义分割网络与边缘检测网络,当所述损失值收敛时,得到所述最优模型。
4.根据权利要求1或2所述的方法,其特征在于,基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图,包括:
先利用所述语义分割网络对所述遥感影像作业区的耕地面进行提取,得到所述耕地面概率分布图;
基于所述耕地面概率分布图对所述遥感影像作业区的耕地线进行提取,得到所述耕地边界强度图。
5.根据权利要求1或2所述的方法,其特征在于,对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜,包括:
对所述耕地面概率分布图进行阈值分割处理,得到所述耕地面二值栅格图;以及对所述耕地边界强度图进行骨架提取处理,得到所述耕地边界线二值栅格图。
6.根据权利要求5所述的方法,其特征在于,对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜,还包括:
对所述耕地边界线二值栅格图进行矢量化处理,其中,所述矢量化处理包括先将所述耕地边界线二值栅格图转成线矢量,再进行闭合线转面处理,得到所述耕地边界线的面矢量数据。
7.根据权利要求6所述的方法,其特征在于,利用GIS技术将所述耕地边界线的面矢量数据与所述耕地面二值栅格图进行结合,得到所述遥感影像耕地的实例掩膜。
8.遥感影像耕地实例掩膜提取系统,其特征在于,包括:
获取模块,其用于获取遥感影像耕地样本集,所述耕地样本集包括耕地面样本与耕地边界线样本;
增强模块,其用于对所述耕地面样本与耕地边界线样本进行边界类增强操作,得到增强后的所述耕地样本集;
训练模块,其用于级联语义分割网络与边缘检测网络对增强后的所述耕地样本集进行迭代训练,得到最优模型;
预测模块,其用于基于所述最优模型对遥感影像作业区进行预测,得到所述遥感影像作业区的耕地面概率分布图与耕地边界强度图;
后处理模块,其用于对所述耕地面概率分布图与耕地边界强度图进行后处理操作,以提取得到所述遥感影像耕地的实例掩膜。
9.一种终端设备,其特征在于,所述终端设备包括:
处理器;
存储器;以及程序,其中,所述程序被存储在所述存储器中,并且被配置成由处理器执行,以使得所述终端设备实现根据权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现根据权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878020.9A CN113569772A (zh) | 2021-08-01 | 2021-08-01 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878020.9A CN113569772A (zh) | 2021-08-01 | 2021-08-01 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569772A true CN113569772A (zh) | 2021-10-29 |
Family
ID=78169798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878020.9A Withdrawn CN113569772A (zh) | 2021-08-01 | 2021-08-01 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569772A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
CN116168301A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
-
2021
- 2021-08-01 CN CN202110878020.9A patent/CN113569772A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
CN115205692B (zh) * | 2022-09-16 | 2022-11-29 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
CN116168301A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111986099B (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 | |
CN111369540B (zh) | 基于掩码卷积神经网络的植物叶片病害识别方法 | |
Tellaeche et al. | A computer vision approach for weeds identification through Support Vector Machines | |
Lu et al. | Land cover classification in a complex urban-rural landscape with QuickBird imagery | |
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 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN110458201B (zh) | 一种遥感影像面向对象分类方法及分类装置 | |
CN111126287A (zh) | 一种遥感影像密集目标深度学习检测方法 | |
CN111797712A (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN113569772A (zh) | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN106846322A (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
Maiya et al. | Slum segmentation and change detection: A deep learning approach | |
CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
Guo et al. | Dual-concentrated network with morphological features for tree species classification using hyperspectral image | |
Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
Matsuoka et al. | Automatic detection of stationary fronts around Japan using a deep convolutional neural network | |
CN112381144B (zh) | 非欧与欧氏域空谱特征学习的异构深度网络方法 | |
Ouzounis et al. | Interactive collection of training samples from the max-tree structure | |
Musyoka | Automatic delineation of small holder agricultural field boundaries using fully convolutional networks | |
Xu et al. | Infrared image semantic segmentation based on improved deeplab and residual network | |
Junior et al. | Optical images-based edge detection in synthetic aperture radar images | |
Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks | |
Hu et al. | Automatic building extraction based on high resolution aerial images |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211029 |
|
WW01 | Invention patent application withdrawn after publication |