CN113763396B - 一种基于深度学习的遥感图像地块提取方法及系统 - Google Patents
一种基于深度学习的遥感图像地块提取方法及系统 Download PDFInfo
- Publication number
- CN113763396B CN113763396B CN202111028054.5A CN202111028054A CN113763396B CN 113763396 B CN113763396 B CN 113763396B CN 202111028054 A CN202111028054 A CN 202111028054A CN 113763396 B CN113763396 B CN 113763396B
- Authority
- CN
- China
- Prior art keywords
- block
- image
- boundary
- remote sensing
- map
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于深度学习的遥感图像地块提取方法及系统,本发明包括将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图;对地块边界概率图二值化、进行霍夫变换检测直线补充边界,得到地块边界;对地块区域概率图首先进行二值化得到二值化地块区域图,然后将二值化地块区域图基于地块边界进行粘连地块的分离,得到最终的遥感图像地块提取结果。本发明由深度神经网络提取初始地块及地块边界,在提取地块边界的基础上,利用地块的边界先验信息,通过霍夫变换检测边界直线对断开处进行补充完善,最终获得完整闭合的地块边界,从而对粘连地块进行修正分离,达到进一步优化地块结果的目的,有效解决地块粘连问题。
Description
技术领域
本发明涉及遥感影像分析与人工智能领域,具体涉及一种基于深度学习的遥感图像地块提取方法及系统。
背景技术
地块是一种典型的地物要素,它能够反映出相对一致的地物特征,并且具有明显的边界轮廓,例如被田埂、道路等围绕起来,在农业中具有十分重要的研究意义。传统的地块提取方法经过是经由人工实地勘探,对地块进行测量标注进而绘制为地块图样,这种方式损耗了大量的人力物力,效率严重低下,对测量人员也有很高的要求。
随着深度学习技术的发展以及遥感影像分辨率的逐步提高,在高分辨遥感影像上依靠深度学习方法进行地块提取的研究也越来越多,高分辨率遥感影像使得地块间的道路、田埂等边界清晰可见,深度学习方法则能大大提高地块自动化提取的精度与效率。然而,目前深度学习的地块提取方法仍存在一定的问题,由于地块间间距过近,分布较为密集,提取过程中很容易造成地块间的粘连。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于深度学习的遥感图像地块提取方法及系统,本发明旨在解决遥感图像地块提取方法中的传统地块粘连问题。本发明由深度神经网络提取初始地块及地块边界,在提取地块边界的基础上,利用地块的边界先验信息,通过霍夫变换方法检测边界直线对断开处进行补充完善,最终获得完整闭合的地块边界,从而对粘连地块进行修正分离,达到进一步优化地块结果的目的,最终获得独立提取的地块结果,可有效解决地块粘连问题。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于深度学习的遥感图像地块提取方法,包括:
1)将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图;
2)对地块边界概率图二值化、进行霍夫变换检测直线补充边界,得到地块边界;
3)对地块区域概率图首先进行二值化得到二值化地块区域图,然后将二值化地块区域图基于地块边界进行粘连地块的分离,得到最终的遥感图像地块提取结果。
可选地,步骤1)中的深度神经网络为由编码部分和解码部分串联构成编码-解码结构的深度神经网络,其中编码部分用于对输入图像提取特征,解码部分用于根据编码器提取的特征恢复原图大小实现对地块区域及地块边界的预测,所述编码部分包括依次串行连接的输入模块、特征下采样模块以及空间引导模块,所述输入模块用于对输入图像处理以提取图像特征,特征下采样模块用于对输入模块提取的图像特征进行多次下采样以丰富语义信息,空间引导模块用于基于输入图像的归一化植被指数NDVI作为引导进行多尺度的特征信息挖掘以提高地块提取能力。
可选地,所述输入模块对输入图像的处理步骤包括:首先对输入图像通过三个卷积层得到特征图a,将得到的特征图a分别进行池化、卷积处理后在合并得到特征图b,将得到的特征图b一方面通过四个卷积层得到特征图c、另一方面通过两个卷积层得到特征图d,然后将特征图c和特征图d合并后再通过一个卷积层获得特征图e。
可选地,所述特征下采样模块为ResNeSt50残差网络,用于将特征图e进行多次下采样以丰富语义信息得到特征图f。
可选地,空间引导模块针对特征图f的处理步骤包括:将特征图f分别进行池化、卷积以及空洞比率分别为1、2、4、8的四个空洞卷积模块在进行合并得到特征图g,再将特征图g进行卷积后再与输入图像的归一化植被指数NDVI相乘得到编码部分最终提取得到的特征图h。
可选地,所述解码部分包括多个级联连接的上采样模块,且每一级上采样模块的输入包含上一级上采样模块的输出以及编码部分中同一分辨率的编码层特征。
可选地,步骤2)包括:
2.1)对地块边界概率图进行二值化得到地块边界二值图像;
2.2)针对地块边界二值图像,通过逐次去除边界的细化方法得到地块边界的骨架;
2.3)在得到的地块边界的骨架的基础上进行边界补充与去除,其中进行边界补充是指进行霍夫变换检测直线,通过检测的直线对边界中断续的部分进行补充,得到完整的地块边界;进行去除是指对未闭合边界的部分检测进行清除;
2.4)针对完成补充与去除后的地块边界的骨架,根据首尾已有边界的宽度进行宽度扩展,最终得到具有一致宽度的地块边界。
可选地,步骤3)包括:对地块区域概率图二值化;在地块区域概率图的二值化图像中,将位于所述地块边界上的地块进行清除,从而得到最终的遥感图像地块提取结果。
此外,本发明还提供一种基于深度学习的遥感图像地块提取系统,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行所述基于深度学习的遥感图像地块提取方法的步骤。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行所述基于深度学习的遥感图像地块提取方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明包括将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图;对地块边界概率图二值化、进行霍夫变换检测直线补充边界,得到地块边界;对地块区域概率图首先进行二值化得到二值化地块区域图,然后将二值化地块区域图基于地块边界进行粘连地块的分离,得到最终的遥感图像地块提取结果,能够实现对粘连地块进行修正分离,达到进一步优化地块结果的目的,能有效避免各地块之间的错误粘连,大大提高地块提取的准确性与独立性。
2、本发明将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图,通过可同时提取高分辨率遥感图像地块与地块边界的深度神经网络,充分利用了地块与边界紧密的空间关系,提取得到更加准确的地块信息。
3、结合地块边界本身特点,利用霍夫变换检测地块边界缺失的部分,在已提取地块边界的基础进行补充完善,对分离地块起到了至关重要的作用。
附图说明
图1为本发明实施例方法的核心步骤示意图。
图2为本发明实施例中包含训练深度神经网络的完整步骤示意图。
图3为本发明实施例中输入模块的网络结构图。
图4为本发明实施例中特征下采样模块的网络结构图。
图5为本发明实施例中空间引导模块的网络结构图。
图6为本发明实施例中深度神经网络的解码部分的结构示意图。
图7为本发明实施例中断裂边界处理的流程示意图。
图8为本发明实施例中的遥感影像示意图。
图9为本发明实施例中的地块提取结果示意图。
具体实施方式
如图1所示,本实施例基于深度学习的遥感图像地块提取方法包括:
1)将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图;
2)对地块边界概率图二值化、进行霍夫变换检测直线补充边界,得到地块边界;
3)对地块区域概率图首先进行二值化得到二值化地块区域图,然后将二值化地块区域图基于地块边界进行粘连地块的分离,得到最终的遥感图像地块提取结果。
本实施例中,步骤1)中的深度神经网络为由编码部分和解码部分串联构成编码-解码结构的深度神经网络,其中编码部分用于对输入图像提取特征,解码部分用于根据编码器提取的特征恢复原图大小实现对地块区域及地块边界的预测,所述编码部分包括依次串行连接的输入模块、特征下采样模块以及空间引导模块,所述输入模块用于对输入图像处理以提取图像特征,特征下采样模块用于对输入模块提取的图像特征进行多次下采样以丰富语义信息,空间引导模块用于基于输入图像的归一化植被指数NDVI作为引导进行多尺度的特征信息挖掘以提高地块提取能力。
图2为本发明实施例中包含训练深度神经网络的完整步骤示意图,参见图2可知,步骤1)之前还包括训练深度神经网络的步骤:S1)数据集构建:获取遥感影像,并进行人工标注获得标签,对遥感影像进行预处理,包括最大最小值归一化、对比度受限的自适应直方图均衡化及归一化植被指数的计算,并划分训练、测试区域构建地块提取训练数据集;S2)深度神经网络训练:搭建深度神经网络,使用步骤1)中构建的训练数据集对深度神经网络进行训练验证得到训练完成的深度神经网络。
本实施例中,步骤S1)包括:
S1.1)采用的影像为高分系列卫星中高分一号(GF-1)高分辨率卫星遥感影像。高分一号(GF-1)是国家高分辨率对地观测系统重大专项天基系统中的首发星,搭载的P/MS相机可以获取2m分辨率的全色黑白影像、8m分辨率的多光谱彩色影像,包括蓝、绿、红、近红外4个波段,以及全色与多光谱融合的2m分辨率的真彩影像。获取高分辨率遥感影像后对其进行人工标注,将影像上的地块准确地识别出来,得到二值图标签,地块区域标注为1,而非地块区域标注为0。另外,在地块标签的基础上,对地块二值图进行求导即可得到地块的边界标签,作为地块的边界监督信息,边界值为1,非边界值为0。
S1.2)获取的原始高分一号(GF-1)影像像元灰度值范围为0~65535,对其进行最大最小值归一化将其灰度值范围归一化到0~1,由于原始对比度较低,应用对比度受限的自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization,CLAHE)方法提高影像对比度。并且计算归一化植被指数(Normalized Difference VegetationIndex,NDVI)作为注意力掩膜添加到地块提取的深度神经网络中。归一化植被指数NDVI的计算函数表达式为:
NDVI=(NIR-R)/(NIR+R)
上式中,NIR为近红外波段,R为红外波段。
S1.3)在遥感影像上划分训练、测试区域,一般五分之四为训练样本,五分之一为测试样本。根据计算机性能,首先确定裁剪后的影像尺寸,对于训练样本的获取,对寻来你区域进行多次重叠裁剪采样,采样的遥感影像与地块标签及地块边界标签一一对应,遥感影像为输入,地块标签及地块边界标签为监督输出,得到训练数据集。对于测试样本的获取,对测试区域进行等步长采样,采样的遥感影像与地块标签一一对应,得到测试数据集。本实施例中,取遥感影像上方4/5区域为训练区域,下方1/5区域为测试区域,确定裁剪后的影像尺寸为768×768,对训练区域与测试区域进行裁剪采样,影像与标签图使用同种的采样方式,采用滑动框的方式进行采样,训练区域步长采用512,采样得到训练样本数量为1400,测试区域步长采用768,采样得到测试样本数量为168。
本实施例中,卷积神经网络具体采用边界引导的卷积神经网络,步骤S2)包括:
S2.1)搭建边界引导的卷积神经网络,主要包括输入模块、ResNeSt50、空间引导模块、解码层等。输入模块用于对输入数据处理,被设计用来提取输入影像的特征信息,一般由卷积、池化等操作组成,然后采用ResNeSt50网络,它在提取特征过程中进行了五次下采样,每次下采样后特征分辨率逐渐降低,语义信息逐渐丰富,在通过ResNeSt50提取特征后,利用空间引导模块进行多尺度的特征信息挖掘,这个模块由四个空洞卷积(空洞比率分别为1、2、4、8)串联形成,同时增加了注意力机制,NDVI图将特征图的注意力堆加在植被区域,在这个过程,图像尺寸逐步增大,得到与输入图像尺寸相同的地块区域及地块边界的预测结果,其后添加Sigmoid层得到预测概率图。
S2.2)大尺寸遥感影像经过分块裁剪得到的影像分别预测拼接得到最终的预测结果,采用的拼接方法为:在影像周围宽度为p进行填充,填充值为0,对裁剪后的影像预测得到结果以后,忽略周围宽度在p范围内的预测值,只取中间位置的预测结果作为最终结果进行拼接。另外地,在裁剪过程中,采用等步长有重叠区域裁剪,重叠区域内对预测结果的概率值进行平均作为最终预测结果,得到最终影像的地块及地块边界的概率预测结果。
输入模块用于对输入数据处理,被设计用来提取输入影像的特征信息。参见图3,本实施例中输入模块对输入图像的处理步骤包括:首先对输入图像通过三个卷积层得到特征图a,将得到的特征图a分别进行池化、卷积处理后在合并得到特征图b,将得到的特征图b一方面通过四个卷积层得到特征图c、另一方面通过两个卷积层得到特征图d,然后将特征图c和特征图d合并后再通过一个卷积层获得特征图e。本实施例中,输入模块具体采用google提出的Inceptionln模块实现。参见图3,输入图像为B×H×W×4,最终获得特征图e为B×H/4×W/4×64,特征图的参数中,B为波段数,H为高度,W为宽度,4/64表示4/64个通道,图3中各卷积的参数中,第一个参数为卷积核尺寸,第二个参数为卷积核数量,可选的第三个参数为进行卷积时的步长。
参见图4,本实施例中特征下采样模块为ResNeSt50残差网络,用于将特征图e进行多次下采样以丰富语义信息得到特征图f。ResNeSt50残差网络继续提取特征时,提取过程中共进行了五次下采样,每次下采样后特征分辨率逐渐降低,语义信息逐渐丰富,最终得到尺寸为24×24,通道数为512的特征图f。参见图4,ResNeSt50残差网络输入特征大小为B×H×W×C,输出特征图f大小为B×H×W×C,其中B为波段数,H为高度,W为宽度,C为通道数。图4中各卷积的参数中,第一个参数为卷积核尺寸,第二个参数为卷积核数量,c为模块中卷积过程中卷积核的通道数,k,r分别为ResNeSt50残差网络中残差块的三个超参数。
参见图5,本实施例中空间引导模块针对特征图f的处理步骤包括:将特征图f分别进行池化、卷积以及空洞比率分别为1、2、4、8的四个空洞卷积模块在进行合并得到特征图g,再将特征图g进行卷积后再与输入图像的归一化植被指数NDVI相乘得到编码部分最终提取得到的特征图h。在通过ResNeSt50残差网络提取特征后,利用图5的空间引导模块进行多尺度的特征信息挖掘,这个模块由四个空洞卷积(空洞比率分别为1、2、4、8)串联形成,同时增加了注意力机制,NDVI图能使得特征更多的关注地块植被区域,地块边界输出能加强其对地块轮廓的注意力,将这两者乘上到特征图上以进一步提高地块提取能力。参见图5,空间引导模块输入特征大小为B×H×W×C,输出特征图f大小为B×H×W×C/2,其中B为波段数,H为高度,W为宽度,C为通道数。图5中各卷积的参数中,第一个参数为卷积核尺寸,第二个参数为卷积核数量,可选的第三个参数为进行卷积时的步长,c为模块中卷积或者池化过程中卷积核或者池化层的通道数。
参见图6,本实施例中解码部分包括多个级联连接的上采样模块,且每一级上采样模块的输入包含上一级上采样模块的输出以及编码部分中同一分辨率的编码层特征。在特征提取的基础上,通过解码层对特征图进行一步步复原,直到恢复原图大小实现对地块区域及地块边界的预测。解码层在传统解码结构的基础上增加了一个边界注意力模块,用来同时进行对地块边界的预测。在解码层每一次的上采样的过程中,都跟随着一个边界注意力模块,该模块结合同一分辨率的编码层特征,经过一次上采样的解码层特征以及上一层的地块边界输出对地块边界进行逐步细化,最终得到输入图像大小的地块边界预测输出。在对地块的预测过程中,边界概率图及归一化植被指数图都作为注意力掩膜乘到每层解码层特征上,这样在每一次解码层上采样的过程中特征注意力能够更加集中于地块区域,从而最终提升地块区域的预测结果。在地块区域及地块边界的输出都经过Sigmoid层得到其概率值输出,用于神经网络的迭代优化及后续处理。在训练得到卷积神经网络之后,即可应用该卷积神经网络对测试区域进行测试,由于计算机显存限制,对尺寸很大的遥感影像无法直接输入预测得到预测结果,需对其进行分块预测后拼接,采用滑动窗口的方式进行分块。具体而言,测试遥感影像尺寸为20800×4420,滑动窗大小为768×768,即单个测试影像的尺寸,滑动窗步长为512,对每个窗口经过预测后,忽略周围宽度32的预测结果,即取中间704×704的预测结果进行拼接。对于预测的重叠区域,由于预测得到的结果为概率值,则对重叠区域计算平均值作为最终预测结果,这样得到地块区域概率图及地块边界概率图。
参见图7,本实施例中步骤2)包括:
2.1)对地块边界概率图进行二值化得到地块边界二值图像,本实施例中此处的二值化方法具体采用自适应阈值二值化方法;
2.2)针对地块边界二值图像,通过逐次去除边界的细化方法得到地块边界的骨架;
2.3)在对地块边界的先验统计中可以得知,地块边界通常表现为一条直线,因此可通过霍夫变换检测直线的方法进行断裂边界的补充;在得到的地块边界的骨架的基础上进行边界补充与去除,其中进行边界补充是指进行霍夫变换检测直线,通过检测的直线对边界中断续的部分进行补充,得到完整的地块边界;进行去除是指对未闭合边界的部分检测进行清除;
2.4)针对完成补充与去除后的地块边界的骨架,根据首尾已有边界的宽度进行宽度扩展,最终得到具有一致宽度的地块边界。
本实施例中,步骤3)包括:对地块区域概率图二值化,本实施例中此处的二值化方法具体采用局部阈值二值化方法;在地块区域概率图的二值化图像中,将位于所述地块边界上的地块进行清除,从而得到最终的遥感图像地块提取结果。图8为本实施例方法中输入的遥感图像示例,图9为针对图8所示的遥感图像,采用本实施例方法最终提取得到的最终的遥感图像地块提取结果。
经过在山东省嘉祥县高分一号卫星影像上的训练测试,将本实施例的技术方法与对比方法ExtendedDFANet算法(详见Shuangpeng Z,Tao F,Hong H.Farmland Recognitionof High Resolution Multispectral Remote Sensing Imagery using Deep LearningSemantic Segmentation Method[C].Proceedings of the 2019the InternationalConference on Pattern Recognition and Artificial Intelligence.2019:33-40.)进行分析对比,采用经典的指标准确率、召回率、F1分数以及平均交并比进行结果比较,用时为衡量地块独立性对每个独立地块计算交并比进行综合平均或加权得到块平均交并比与块加权交并比指标,在这些指标中数值越大表明地块提取效果越好,本实施例方法与ExtendedDFANet算法得到的地块提取结果指标参见表1。
表1本实施例方法与Extended DFANet算法得到的地块提取结果指标。
表1中“边界后处理”是指本实施例方法的步骤3)。由表1可知,本实施例在地块提取效果上明显优于ExtendedDFANet算法,特别是提取的地块边界进行后处理后能够大幅提升地块提取的性能,表现在地块粘连减少,提取的地块独立性更强。
综上所述,本实施例基于深度学习的遥感图像地块提取方法考虑在地块提取应用环境中,各独立地块由于农作物不同而在影像上特征不一、且地块间的间隔距离较短容易造成粘连等情况,由深度神经网络提取初始地块及地块边界,在提取地块边界的基础上,利用地块的边界先验信息,通过霍夫变换方法检测边界直线对断开处进行补充完善,最终获得完整闭合的地块边界,从而对粘连地块进行修正分离,达到进一步优化地块结果的目的,这种方式能有效避免各地块之间的错误粘连,大大提高地块提取的准确性与独立性,大大提升了地块提取的性能,为地块提取提供了有效的技术手段。
此外,本实施例还提供一种基于深度学习的遥感图像地块提取系统,包括相互连接的微处理器和存储器,该微处理器被编程或配置以执行前述基于深度学习的遥感图像地块提取方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行前述基于深度学习的遥感图像地块提取方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于深度学习的遥感图像地块提取方法,其特征在于,包括:
1)将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图;
2)对地块边界概率图二值化、进行霍夫变换检测直线补充边界,得到地块边界;
3)对地块区域概率图首先进行二值化得到二值化地块区域图,然后将二值化地块区域图基于地块边界进行粘连地块的分离,得到最终的遥感图像地块提取结果;
步骤1)中的深度神经网络为由编码部分和解码部分串联构成编码-解码结构的深度神经网络,其中编码部分用于对输入图像提取特征,解码部分用于根据编码器提取的特征恢复原图大小实现对地块区域及地块边界的预测,所述编码部分包括依次串行连接的输入模块、特征下采样模块以及空间引导模块,所述输入模块用于对输入图像处理以提取图像特征,特征下采样模块用于对输入模块提取的图像特征进行多次下采样以丰富语义信息,空间引导模块用于基于输入图像的归一化植被指数NDVI作为引导进行多尺度的特征信息挖掘以提高地块提取能力;所述输入模块对输入图像的处理步骤包括:首先对输入图像通过三个卷积层得到特征图a,将得到的特征图a分别进行池化、卷积处理后在合并得到特征图b,将得到的特征图b一方面通过四个卷积层得到特征图c、另一方面通过两个卷积层得到特征图d,然后将特征图c和特征图d合并后再通过一个卷积层获得特征图e;所述特征下采样模块为ResNeSt50残差网络,用于将特征图e进行多次下采样以丰富语义信息得到特征图f;空间引导模块针对特征图f的处理步骤包括:将特征图f分别进行池化、卷积以及空洞比率分别为1、2、4、8的四个空洞卷积模块在进行合并得到特征图g,再将特征图g进行卷积后再与输入图像的归一化植被指数NDVI相乘得到编码部分最终提取得到的特征图h。
2.根据权利要求1所述的基于深度学习的遥感图像地块提取方法,其特征在于,所述解码部分包括多个级联连接的上采样模块,且每一级上采样模块的输入包含上一级上采样模块的输出以及编码部分中同一分辨率的编码层特征。
3.根据权利要求1所述的基于深度学习的遥感图像地块提取方法,其特征在于,步骤2)包括:
2.1)对地块边界概率图进行二值化得到地块边界二值图像;
2.2)针对地块边界二值图像,通过逐次去除边界的细化方法得到地块边界的骨架;
2.3)在得到的地块边界的骨架的基础上进行边界补充与去除,其中进行边界补充是指进行霍夫变换检测直线,通过检测的直线对边界中断续的部分进行补充,得到完整的地块边界;进行去除是指对未闭合边界的部分检测进行清除;
2.4)针对完成补充与去除后的地块边界的骨架,根据首尾已有边界的宽度进行宽度扩展,最终得到具有一致宽度的地块边界。
4.根据权利要求1所述的基于深度学习的遥感图像地块提取方法,其特征在于,步骤3)包括:对地块区域概率图二值化;在地块区域概率图的二值化图像中,将位于所述地块边界上的地块进行清除,从而得到最终的遥感图像地块提取结果。
5.一种基于深度学习的遥感图像地块提取系统,包括相互连接的微处理器和存储器,其特征在于,该微处理器被编程或配置以执行权利要求1~4中任意一项所述基于深度学习的遥感图像地块提取方法的步骤。
6.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~4中任意一项所述基于深度学习的遥感图像地块提取方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028054.5A CN113763396B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像地块提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028054.5A CN113763396B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像地块提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763396A CN113763396A (zh) | 2021-12-07 |
CN113763396B true CN113763396B (zh) | 2023-07-25 |
Family
ID=78792741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028054.5A Active CN113763396B (zh) | 2021-09-02 | 2021-09-02 | 一种基于深度学习的遥感图像地块提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763396B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114037832B (zh) * | 2021-12-17 | 2023-05-12 | 北京中宇瑞德建筑设计有限公司 | 一种卫星遥感图像中典型区域的提取方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
CN109325451A (zh) * | 2017-12-31 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 一种基于深度学习的高空间分辨率耕地地块全自动提取技术 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 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 |
CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及系统 |
CN112990112A (zh) * | 2021-04-20 | 2021-06-18 | 湖南大学 | 边缘引导的循环卷积神经网络建筑物变化检测方法及系统 |
WO2021133310A1 (en) * | 2019-12-26 | 2021-07-01 | Agrovisio Tarim Bilisim Ltd. Sti. | Agricultural decision support system |
CN113298816A (zh) * | 2021-06-21 | 2021-08-24 | 江苏建筑职业技术学院 | 一种遥感图像语义分割方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10664702B2 (en) * | 2016-12-30 | 2020-05-26 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
-
2021
- 2021-09-02 CN CN202111028054.5A patent/CN113763396B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325451A (zh) * | 2017-12-31 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 一种基于深度学习的高空间分辨率耕地地块全自动提取技术 |
CN108376232A (zh) * | 2018-01-04 | 2018-08-07 | 北京星衡科技有限公司 | 一种用于遥感影像的自动解译的方法与装置 |
WO2021133310A1 (en) * | 2019-12-26 | 2021-07-01 | Agrovisio Tarim Bilisim Ltd. Sti. | Agricultural decision support system |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 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 |
CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及系统 |
CN112884764A (zh) * | 2021-03-24 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 提取图像中地块的方法、装置、电子设备及存储介质 |
CN112990112A (zh) * | 2021-04-20 | 2021-06-18 | 湖南大学 | 边缘引导的循环卷积神经网络建筑物变化检测方法及系统 |
CN113298816A (zh) * | 2021-06-21 | 2021-08-24 | 江苏建筑职业技术学院 | 一种遥感图像语义分割方法、装置和计算机设备 |
Non-Patent Citations (6)
Title |
---|
Jack Dyson 等.Deep Learning for Soil and Crop Segmentation from Remotely Sensed Data.《remote sensing》.2019,1-23. * |
Qingpeng Li 等.HOUGH TRANSFORM GUIDED DEEP FEATURE EXTRACTION FOR DENSE BUILDING DETECTION IN REMOTE SENSING IMAGES.《ICASSP 2018》.2018,1872-1876. * |
Rokgi Hong 等.Development of a Parcel-Level Land Boundary Extraction Algorithm for Aerial Imagery of Regularly Arranged Agricultural Areas.《remote sensing》.2021,1-20. * |
宋建涛 等.基于遥感影像的地块边界半自动提取.《北京测绘》.2019,第33卷(第10期),1171-1175. * |
赵伟昱 等.基于深度学习的遥感影像地块分割方法.《数据与计算发展前沿》.2021,第3卷(第2期),133-141. * |
黄来锋.结合形状先验的高分辨遥感影像道路与地块提取方法研究.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2022,(第9期),C028-59. * |
Also Published As
Publication number | Publication date |
---|---|
CN113763396A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
Kestur et al. | MangoNet: A deep semantic segmentation architecture for a method to detect and count mangoes in an open orchard | |
CN110298266B (zh) | 基于多尺度感受野特征融合的深度神经网络目标检测方法 | |
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN111784642B (zh) | 一种图像处理方法、目标识别模型训练方法和目标识别方法 | |
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 | |
Liu et al. | A robust automated flower estimation system for grape vines | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN105389586A (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
Poliyapram et al. | Deep learning model for water/ice/land classification using large-scale medium resolution satellite images | |
Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
CN113763396B (zh) | 一种基于深度学习的遥感图像地块提取方法及系统 | |
CN109886081A (zh) | 一种车道线形点串提取方法和装置 | |
CN111007013A (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN111914596B (zh) | 车道线检测方法、装置、系统及存储介质 | |
Zeng et al. | Algorithm based on marker-controlled watershed transform for overlapping plant fruit segmentation | |
CN112396594B (zh) | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 | |
CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
Chiu et al. | Semantic segmentation of lotus leaves in UAV aerial images via U-Net and deepLab-based networks | |
Prabhakar et al. | Cdnet++: Improved change detection with deep neural network feature correlation | |
CN116883650A (zh) | 一种基于注意力和局部拼接的图像级弱监督语义分割方法 | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
CN115018926A (zh) | 车载相机的俯仰角确定方法、装置、设备和存储介质 | |
CN114429564A (zh) | 一种基于双支路的高光谱和LiADR数据协同分类方法 | |
CN113408356A (zh) | 基于深度学习的行人重识别方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |