CN113989649A - 一种基于深度学习的遥感地块识别方法 - Google Patents
一种基于深度学习的遥感地块识别方法 Download PDFInfo
- Publication number
- CN113989649A CN113989649A CN202111410494.7A CN202111410494A CN113989649A CN 113989649 A CN113989649 A CN 113989649A CN 202111410494 A CN202111410494 A CN 202111410494A CN 113989649 A CN113989649 A CN 113989649A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- deep learning
- data set
- image
- plots
- 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
Links
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
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度学习的遥感地块识别方法,包括:标注遥感地块影像,构建深度学习所需数据集;对深度学习所需数据集进行数据增强处理;将增强处理后的数据集进行图像压缩和预处理;将数据集进行划分,获得不同波段图像组合的数据集;进行分类模型的训练,根据训练结果,获得最佳波段组合结果;将制作好的抗干扰数据集在最佳波段组合结果中继续训练分类模型;通过训练好的分类模型对陌生遥感地块影像进行识别。本发明在U‑Net框架结构中融合了金字塔池化模块对跳跃连接层进行改造,并使用全连接条件随机场进一步处理框架尾部输出,可以更好地表征遥感图像中复杂的细节信息,从而提高识别结果精度和效果。
Description
技术领域
本发明属于图像处理和模式识别领域,涉及遥感地块识别技术,具体涉及一种基于深度学习的遥感地块识别方法。
背景技术
我国自古以来农业用地复杂丰富,近年来,人口的不断增长和耕地资源的减少,促使我国现代化农业生产向集约化、精准化方向发展,因此及时了解农作物空间分布、长势、产量以及农业灾害等信息,对于实现科学管理和农作物增产、辅助政府决策者宏观掌握粮食生产和调控农产品贸易具有重要意义。但基于传统方法的图像处理技术很难在多波段,高分辨率的遥感影像中取得较好的结果。
传统遥感影像的分类方法有非监督分类和监督分类两种。其中被广泛使用的方法主要有:支持向量机的高光谱遥感图像分类方法、基于极大似然分类的高光谱遥感图像分类方法和基于随机森林的高光谱遥感图像分类方法。
2015年Long等人设计了全卷积神经网络,通过上采样层将对这个特征图一层一层地恢复到输入图像的大小,最后实现对每一个像素进行分类,从而得到像素级的分类结果。
2017年Zhao等人设计了一个五层的卷积神经网络,用来得到深层次的抽象语义信息,同时还使用了面向对象的方法得到了图像的形状、拓扑结构等特征。然后对这两种特征进行了融合操作,再利用融合特征进行分类。
传统遥感影像的分类方法只设计了一两层较浅的隐藏层,所以在分类过程中输入特征向量的变换次数较少,无法完全表征图像中复杂的信息,尤其在特征差异巨大,光谱纹理复杂的高分辨遥感影像数据集中进行分类的效果有限。并且,此类方法一般都需要较多的人工参与特征选取和参数设定,在消耗大量人力的同时也无法统一量化分类标准,间接或直接的影响了分类结果的精度。
一般的卷积神经网络分类方法主要对图片的整体特征进行学习,每个图片只能包含一种地物类别,在将图像输入网络训练前,需要耗费大量的时间将遥感图像切割为只含待分类地物的小图片块,同时这种方法得到的分类结果在图片块的周围会明显的不连续,边缘往往呈锯齿状,因此普通的卷积网络并不能在边缘细节上进行完善的处理。另外,因为网络模型中的全连接层参数量固定,这种方法使得输入图像的大小也受到了限制,无法给出像素级的分类结果,高分辨率细节信息丢失问题更为严重,准确度不高。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于深度学习的遥感地块识别方法。
技术方案:为实现上述目的,本发明提供一种基于深度学习的遥感地块识别方法,包括如下步骤:
S1:标注遥感地块影像,构建深度学习所需数据集;
S2:对深度学习所需数据集进行数据增强处理;
S3:将增强处理后的数据集进行图像压缩和预处理;
S4:将步骤S3处理好的数据集进行划分,获得不同波段图像组合的数据集;
S5:将步骤S4获取的不同波段图像组合的数据分别放到搭建好的深度学习神经网络模型中进行分类模型的训练,根据训练结果,获得最佳波段组合结果;
S6:将制作好的抗干扰数据集放入到步骤S2,在最佳波段组合结果中继续训练分类模型;
S7:通过步骤S6训练好的分类模型对陌生遥感地块影像进行识别,分类识别出地块分布情况。
进一步地,所述步骤S1中遥感地块影像的标注方法为:利用卫星提供的高分辨率遥感影像进行标注,对不同的地块类型采用目视解译的方式标注为不同类型的矢量标签。
进一步地,所述步骤S2中数据增强处理具体为:将制作好的标签和对应的原图同时进行数据增强,用于扩充增强数据集。
进一步地,所述步骤S2中数据增强的手段包括平移、转置、镜像、旋转、缩放、裁剪等。
进一步地,所述步骤S3具体为:将数据集图像压缩为统一大小,再通过图像平滑、锐化、灰度变换、直方图修正等进行预处理。针对地块识别的应用场合,增强图像的整体或局部特性,改善图像视觉效果,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,最终改善图像质量、丰富信息量,加强图像判读和识别效果,满足分析的需要。
进一步地,所述步骤S4中按不同的光谱通道组合对数据集进行划分,如真彩色321波段组合,标准假彩色432波段组合等。
进一步地,所述步骤S5中深度学习神经网络模型的搭建方法为:
利用轻量级神经网络框架U-Net作为基本结构,结合金字塔池化模块聚合不同区域的上下文特征信息,在上采样时将对应的下采样得到的特征先经过金字塔池化模块之后再和上一层特征拼接,并用金字塔池化模块替换了最后一层下采样与上采样的模块,如此一来就能充分利用上下层卷积层所提取的特征信息,再将U-Net模型的输出作为全连接条件随机场的输入。在求解像素标签时考虑图像中其余像素对该像素的影响,能极大地细化标记和分割,使得边界处分割准确,综合二者优势,本发明方法可以得到准确性高、边界清晰的分类结果。
进一步地,所述步骤S5中最佳波段组合结果的获取方式为:按照训练结果横向对比不同波段组合图像的准确度、精确度、召回率,得到最适合遥感地块分割的波段组合结果。
进一步地,所述步骤S6中抗干扰数据集的制作方法为:选取同一空间位置不同时期的地块遥感影像,包括不同时期种植不同作物的地块,被云层遮挡的地块,不同天气光线影像下的地块,以及地块增加删减后的影像,进一步标注抗干扰数据集,利用原先标注好的矢量标签,在原基础上根据地块变化对标签进行修改,可以节省大量人力。
有益效果:本发明与现有技术相比,具备如下优点:
1、本发明方法在U-Net框架结构中融合了金字塔池化模块对跳跃连接层进行改造,并使用全连接条件随机场进一步处理框架尾部输出,可以更好地表征遥感图像中复杂的细节信息,从而提高识别结果精度和效果。
2、无需人工参与特征选取和参数设定,可以直观明确地定义地块特征;
3、输入图片无大小限制,具有较快的处理速度和较高的识别精度,并且识别结果更加接近现实中的地块,提供了更为准确的边界、地理位置以及面积信息。
附图说明
图1为本发明方法的流程示意图;
图2为浙江0.8分辨率432波段农业种植区域遥感图像;
图3为0.8分辨率遥感图像标注过程示例图;
图4为数据集原图部分实例图;
图5为数据集标签示例图;
图6为金字塔池化模块示意图;
图7为改进后的U-Net结构示意图;
图8为识别结果示例图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于深度学习的遥感地块识别方法,如图1所示,其包括如下步骤:
S1:标注遥感地块影像,构建深度学习所需数据集:
利用卫星提供的高分辨率遥感影像进行标注,对不同的地块类型采用目视解译的方式标注为不同类型的矢量标签。本实施例采用的遥感影像是图2,浙江0.8分辨率432波段农业种植区域遥感图像,其具体的标注过程如图3所示,构建的数据集可参见图4,数据集标签情况具体可参见图5。
S2:对深度学习所需数据集进行数据增强处理:
将制作好的标签和对应的原图同时进行数据增强,数据增强的手段包括平移、转置、镜像、旋转、缩放、裁剪等,用于扩充增强数据集。
S3:将增强处理后的数据集进行图像压缩和预处理:
将数据集图像统一压缩为256×256大小,再通过图像平滑、锐化、灰度变换、直方图修正等进行预处理。针对地块识别的应用场合,增强图像的整体或局部特性,改善图像视觉效果,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,最终改善图像质量、丰富信息量,加强图像判读和识别效果,满足分析的需要。
S4:按不同的光谱通道组合对数据集进行划分,如真彩色321波段组合,标准假彩色432波段组合等,获得不同波段图像组合的数据集;
S5:将步骤S4获取的不同波段图像组合的数据分别放到搭建好的深度学习神经网络模型中进行分类模型的训练,根据训练结果,获得最佳波段组合结果:
本实施例中深度学习神经网络模型的搭建方法为:
利用轻量级神经网络框架U-Net作为基本结构,结合金字塔池化模块聚合不同区域的上下文特征信息,如图6所示,在上采样时将对应的下采样得到的特征先经过金字塔池化模块之后再和上一层特征拼接,并用金字塔池化模块替换了最后一层下采样与上采样的模块,如此一来就能充分利用上下层卷积层所提取的特征信息,再将U-Net模型的输出作为全连接条件随机场的输入,最终改进后的U-Net结构如图7所示。在求解像素标签时考虑图像中其余像素对该像素的影响,能极大地细化标记和分割,使得边界处分割准确,综合二者优势,本发明方法可以得到准确性高、边界清晰的分类结果。
本实施例中最佳波段组合结果的获取方式为:按照训练结果横向对比不同波段组合图像的准确度、精确度、召回率,得到最适合遥感地块分割的波段组合结果。
S6:将制作好的抗干扰数据集放入到步骤S2,在最佳波段组合结果中继续训练分类模型,完善分类性能;
本实施例中抗干扰数据集的制作方法为:选取同一空间位置不同时期的地块遥感影像,包括不同时期种植不同作物的地块,被云层遮挡的地块,不同天气光线影像下的地块,以及地块增加删减后的影像,进一步标注抗干扰数据集,利用原先标注好的矢量标签,在原基础上根据地块变化对标签进行修改,可以节省大量人力。
S7:通过步骤S6训练好的分类模型对陌生遥感地块影像进行识别,可以快速分类识别出地块分布情况,具体的识别结果如图8所示。
本实施例还提供一种基于深度学习的遥感地块识别系统,该系统包括网络接口、存储器和处理器;其中,网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;存储器,用于存储能够在所述处理器上运行的计算机程序指令;处理器,用于在运行计算机程序指令时,执行上述共识方法的步骤。
本实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
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用存储介质(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。
基于上述内容,为了验证本发明方法的有效性和实际算法性能,将本发明算法和现有的Unet、DeepLabV3和DeepLabV3+进行比较,具体的性能结果如下表1所示:
表1
由此可见,本发明方法在精确度、召回率、总精度三项性能上均有了明显提升,且耗时也最短,从而很好的验证了本发明方法的有效性和实际效果。
Claims (9)
1.一种基于深度学习的遥感地块识别方法,其特征在于,包括如下步骤:
S1:标注遥感地块影像,构建深度学习所需数据集;
S2:对深度学习所需数据集进行数据增强处理;
S3:将增强处理后的数据集进行图像压缩和预处理;
S4:将步骤S3处理好的数据集进行划分,获得不同波段图像组合的数据集;
S5:将步骤S4获取的不同波段图像组合的数据分别放到搭建好的深度学习神经网络模型中进行分类模型的训练,根据训练结果,获得最佳波段组合结果;
S6:将制作好的抗干扰数据集放入到步骤S2,在最佳波段组合结果中继续训练分类模型;
S7:通过步骤S6训练好的分类模型对陌生遥感地块影像进行识别,分类识别出地块分布情况。
2.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S1中遥感地块影像的标注方法为:利用卫星提供的高分辨率遥感影像进行标注,对不同的地块类型采用目视解译的方式标注为不同类型的矢量标签。
3.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S2中数据增强处理具体为:将制作好的标签和对应的原图同时进行数据增强,用于扩充增强数据集。
4.根据权利要求3所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S2中数据增强的手段包括平移、转置、镜像、旋转、缩放、裁剪。
5.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S3具体为:将数据集图像压缩为统一大小,再进行预处理。
6.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S4中按不同的光谱通道组合对数据集进行划分。
7.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S5中深度学习神经网络模型的搭建方法为:
利用轻量级神经网络框架U-Net作为基本结构,结合金字塔池化模块聚合不同区域的上下文特征信息,在上采样时将对应的下采样得到的特征先经过金字塔池化模块之后再和上一层特征拼接,并用金字塔池化模块替换了最后一层下采样与上采样的模块,再将U-Net模型的输出作为全连接条件随机场的输入。
8.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S5中最佳波段组合结果的获取方式为:按照训练结果横向对比不同波段组合图像的准确度、精确度、召回率,得到最适合遥感地块分割的波段组合结果。
9.根据权利要求1所述的一种基于深度学习的遥感地块识别方法,其特征在于,所述步骤S6中抗干扰数据集的制作方法为:选取同一空间位置不同时期的地块遥感影像,包括不同时期种植不同作物的地块,被云层遮挡的地块,不同天气光线影像下的地块,以及地块增加删减后的影像,进一步标注抗干扰数据集,利用原先标注好的矢量标签,在原基础上根据地块变化对标签进行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410494.7A CN113989649A (zh) | 2021-11-25 | 2021-11-25 | 一种基于深度学习的遥感地块识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410494.7A CN113989649A (zh) | 2021-11-25 | 2021-11-25 | 一种基于深度学习的遥感地块识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989649A true CN113989649A (zh) | 2022-01-28 |
Family
ID=79750464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410494.7A Pending CN113989649A (zh) | 2021-11-25 | 2021-11-25 | 一种基于深度学习的遥感地块识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989649A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221740A (zh) * | 2021-05-12 | 2021-08-06 | 浙江大学 | 一种农田边界识别方法及系统 |
CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
-
2021
- 2021-11-25 CN CN202111410494.7A patent/CN113989649A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221740A (zh) * | 2021-05-12 | 2021-08-06 | 浙江大学 | 一种农田边界识别方法及系统 |
CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011427B (zh) | 基于自监督对比学习的遥感图像语义分割方法 | |
CN108416353B (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
CN113989649A (zh) | 一种基于深度学习的遥感地块识别方法 | |
CN107016403B (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN110796038B (zh) | 结合快速区域生长超像素分割的高光谱遥感图像分类方法 | |
US20210012109A1 (en) | System and method for orchard recognition on geographic area | |
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 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
US20220215656A1 (en) | Method, apparatus, device for image processing, and storage medium | |
CN110717420A (zh) | 一种基于遥感图像的耕地提取方法、系统及电子设备 | |
CN114463637B (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN110645961A (zh) | 基于遥感和ndvi的森林资源动态变化检测方法 | |
CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
Liu et al. | Deep learning based research on quality classification of shiitake mushrooms | |
CN114494283A (zh) | 一种农田自动分割方法及系统 | |
Dong et al. | A deep learning based framework for remote sensing image ground object segmentation | |
Hong et al. | Multitemporal greenhouse mapping for high-resolution remote sensing imagery based on an improved YOLOX | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
CN117115685A (zh) | 一种基于深度学习的经济作物信息识别方法及系统 | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
CN116385271A (zh) | 一种遥感图像耕地撂荒识别方法 | |
CN115205624A (zh) | 一种跨维度注意力聚合的云雪辩识方法、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 |