CN114067221B - 一种遥感影像林地提取方法及系统及装置及介质 - Google Patents
一种遥感影像林地提取方法及系统及装置及介质 Download PDFInfo
- Publication number
- CN114067221B CN114067221B CN202210044100.9A CN202210044100A CN114067221B CN 114067221 B CN114067221 B CN 114067221B CN 202210044100 A CN202210044100 A CN 202210044100A CN 114067221 B CN114067221 B CN 114067221B
- Authority
- CN
- China
- Prior art keywords
- forest land
- remote sensing
- sensing image
- training
- result
- 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
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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感影像林地提取方法及系统及装置及介质,涉及遥感影像处理领域,包括:将遥感图像样本按照林地和非林地进行标注获得训练集;构建第一林地识别模型;利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果。本发明能够将大量非标注影像参与训练,从而实现遥感影像林地提取精度的有效提升。
Description
技术领域
本发明涉及遥感影像处理领域,具体地,涉及一种遥感影像林地提取方法及系统及装置及介质。
背景技术
随着生态优先、绿色发展的理念被提出,对森林资源进行精细化的管理和利用逐渐得到重视,其中高精度监测林地的位置及面积工作不可或缺,遥感影像具有覆盖范围广,周期性成像的特点,高精度提取遥感影像中的林地可以为森林资源的科学精细化管理提供重要参考。
高分辨率遥感影像具有丰富的纹理、几何、光谱等信息,这为高精度提取林地提供基础,但是严重的同物异谱和同谱异物现象是限制精度提升的重要原因。近几年来,由于人工智能的迅猛发展,大量研究及应用使用深度学习对高分辨率遥感影像中的特定地物类别实现智能提取,实践证明其精度优于传统方法,但是深度学习需要大量的标注数据进行训练,而标注数据需要人工对遥感影像进行解译,工作量极大且大量非标注影像无法利用从而造成浪费。
为解决上述问题现有技术方案1为:使用Xception网络作为backbone,广泛使用可分离卷积和空洞卷积,最后使用空间金字塔池化模块完成编码,而后首先将编码得到的特征双线性插值得到4x的特征,然后与编码阶段对应大小的低级特征叠加,再采用3x3卷积进一步融合特征,最后再双线性插值得到与原始图片相同大小的分割预测。方案1缺点:Backbone参数量太大,训练困难。
为解决上述问题现有技术方案2为:EfficientNet使用一组固定的缩放系数统一缩放网络深度、宽度和分辨率,使用Inverted residuals结构和残差连接和一个关于通道的注意力机制构建基础模块,使其效率和精度都实现不错的效果。方案2缺点:不能直接用于分割。
发明内容
为解决上述问题,本发明将大量非标注影像参与训练,从而实现遥感影像林地提取精度的有效提升。
为实现上述发明目的,本发明提供了一种遥感影像林地提取方法,所述方法包括:
获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果。
其中,本方法采用改进的EfficientNet作为backbone构建Deeplab v3+模型,构建多源、多尺度训练集,采用半监督方法训练模型,将大量非标注影像参与训练,从而实现精度的有效提升。
其中,现有技术中存在大量非标注影像,本方法能够有效利用非标注影像用于训练,并且由于遥感影像分辨率高,目标物体大小不一,本方法能够识别出不同大小的目标。
优选的,本方法中所述特征提取网络的获得方式为:将EfficientNet中的注意力机制改进为SCSE注意力机制获得所述特征提取网络。是将该网络中的注意力机制改进为SCSE注意力机制,将单一的通道注意力,变为空间注意力和通道注意力的组合,从而增加模型的性能,
优选的,所述空洞空间金字塔池化模块使用多组空洞卷积层提取所述深层特征的多尺度信息,并将每组提取到的的信息进行融合获得所述第一结果。
优选的,本方法中获得所述遥感图像样本的方式为:
将多幅原始遥感影像进行裁剪获得遥感子图像集,从所述遥感子图像集中挑选若干个含有预设类型地面物体的遥感子图像获得所述遥感图像样本。其中,整幅影像难以全部标注,裁剪成小图像,是方便挑选合适的小影像进行标注。由于图像众多,无法全部标注,因此挑选部分不同区域。
优选的,所述方法包括:
将所述遥感图像样本按照林地和非林地进行标注获得标注数据,将所述标注数据按照预设比例进行划分获得所述训练集和验证集,所述验证集用于验证所述第二林地识别模型。通过验证后的模型的准确率和稳定性更好。
优选的,所述方法包括:对所述训练集进行预处理,利用预处理后的训练集训练所述第一林地识别模型,所述预处理具体包括:
将所述训练集中的每幅第一图像按照预设尺寸进行随机裁剪获得若干张裁剪后的第二图像,将所述第一图像按照预设尺寸进行缩放获得第三图像,将所述第二图像和所述第三图像进行归一化处理完成所述预处理。因为硬件限制,输入图像太大会导致显存不足而无法训练,因此进行上述裁剪操作。
优选的,本方法在利用所述训练集训练所述第一林地识别模型的过程中对标签进行独热编码,对独热编码结果进行标签平滑处理。由于标注不可能完全准确,有少量的样本标注是错的,使用标签平滑可以缓解标注错误带来的影响。
优选的,本方法中的标签平滑处理方式为:
优选的,本方法在利用所述训练集训练所述第一林地识别模型的过程中采用Focal Loss损失函数来平衡困难样本和简单样本。
优选的,所述Focal Loss损失函数的计算方式为:
优选的,本方法采用半监督的训练方式训练所述第一林地识别模型。
优选的,所述半监督的训练方式为:利用所述数据集训练所述第一林地识别模型获得基于强标签的林地识别模型;利用基于强标签的林地识别模型对未标注图像进行林地提取,将提取结果和对应的图像加入原有数据集获得新的数据集,利用新的数据集训练基于强标签的林地识别模型获得所述第二林地识别模型。
优选的,所述方法还包括:获得所述林地识别结果中的孔洞,判断所述孔洞是否为识别误差导致,若是则删除所述孔洞。
优选的,所述孔洞是否为识别误差导致的判断方式为:判断所述孔洞内的像素个数是否小于第一阈值,若小于第一阈值则判断所述孔洞为识别误差导致,若大于或等于第一阈值,则所述孔洞正常。
优选的,所述方法还包括:获得所述林地识别结果中的所有林地连通区域,并获得每个林地连通区域的面积大小和中心点坐标位置,基于面积大于第二阈值的林地连通区域获得第一区域集合,基于面积小于或等于第二阈值的林地连通区域获得第二区域集合,a为第二区域集合中林地连通区域的编号,a大于或等于1且小于或等于A,A为第二区域集合中林地连通区域的数目,b为第一区域集合中林地连通区域的编号,b大于或等于1且小于或等于B,B为第一区域集合中林地连通区域的数目,对所述第二区域集合中的林地连通区域a进行如下处理:
基于林地连通区域a的中心点坐标,计算获得所述第一区域集合中距离所述林地连通区域a的中心点距离最近的林地连通区域b,并计算获得所述林地连通区域a与所述林地连通区域b之间的距离值,若所述距离值大于第三阈值,则判断所述林地连通区域a异常,并删除所述林地连通区域a。
其中,针对模型直接预测出的结果时常会出现孔洞和小连通域的问题,采用相应的后处理方法,去掉连续区域中因识别误差导致的孔洞和远离大片连续区域的小连通域。以此来提高模型整体的预测一致性和容错性。
本发明还提供了一种遥感影像林地提取系统,所述系统包括:
获得单元,用于获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建单元,用于构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
训练单元,用于利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
识别单元,用于将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果。
本发明还提供了一种遥感影像林地提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述遥感影像林地提取方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述遥感影像林地提取方法的步骤。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
本方法使用基于SCSE注意力机制的EfficientNet网络以提高特征提取能力,并且使用ASPP模块进行特征融合,使得提取结果得到改善,进而提高了遥感影像林地提取方法的准确率。
本方法使用半监督训练方法,利用大量非标注影像进行模型训练,提高了模型的提取精度,进而提高了遥感影像林地提取方法的准确率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1为遥感影像林地提取方法的流程示意图;
图2为遥感影像林地提取系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
实施例一
请参考图1,图1为遥感影像林地提取方法的流程示意图,本发明实施例一提供了一种遥感影像林地提取方法,所述方法包括:
获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果。
本方法采用改进的EfficientNet作为backbone构建Deeplab v3+模型,构建多源、多尺度训练集,采用半监督方法训练模型,将大量非标注影像参与训练,从而实现精度的有效提升。
EfficientNet为Google 2019年推出的网络架构,用于特征提取和分类;backbone为主干网络用于提取影像特征;Deeplab v3+模型为Google 2018年推出的网络,用于语义分割。
本方法的改进点为:1 将原先DeepLabV3+使用的特征提取网络改成了EfficientNet,该网络更加轻量,特征提取能力优秀;2 使用SCSE(空间和通道的压缩和激发)注意力机制替换掉EfficientNet中使用的通道注意力机制以加强该网络的特征提取能力。
本方法中的半监督训练方式为:利用所述数据集训练所述林地识别模型获得基于强标签的林地提取模型;利用该模型对未标注影像进行林地提取,将提取结果和对应的影像加入原有数据集,利用新的数据集训练林地提取模型得到最终林地提取模型。
本发明提出了一种基于半监督深度学习的高分辨率遥感影像林地检测方法,本方法能接受多源高分辨率影像的输入,输入图片无需预处理端到端的输出图中的林地。
本方法的具体流程为:
标注影像筛选:
将多幅遥感影像进行裁剪成若干1024×1024的小图像,整幅影像难以全部标注,裁剪成小图像,是方便挑选合适的小影像进行标注。其中裁剪的尺寸大小可以根据实际情况进行灵活调整,本发明不进行具体的限制。
由于图像众多,无法全部标注,因此挑选部分不同区域,包含多种地类,如林地、耕地、草地、道路、建筑等地物类型的图像,约占总图像数的25%。具体的占用比例可以根据实际需要进行灵活调整,比例太高,标注工作量大,比例太低,模型训练结果不好,综合考虑试验数据量后定了25%,可以根据数据量自行调整。
影像标注:
对筛选的影像按照林地和非林地进行标注,林地用第一标注方式表示、非林地用第二标注方式进行表示。具体的标注方式可以根据需要进行调整,所有影像及其标注结果按照7:3的比例划分为训练集、验证集。具体的划分比例可以根据实际需要进行调整,本发明不进行具体的限定。
构建模型:
采用改进的EfficientNet作为Backbone编码,具体改进方法是将该网络中的注意力机制改进为SCSE注意力机制,将单一的通道注意力,变为空间注意力和通道注意力的组合,从而增加模型的性能,而后对编码结果输入空洞空间金字塔池化模块,使用多个空洞卷积进行处理,卷积结果进行叠加完成编码,解码部分按照DeepLabV3+模型采用的方法进行解码得到最终结果,其过程如图所示。
EfficientNet是Google于2019年发布的一个轻量级网络架构,作者通过一系列的实验中总结出了如何同时平衡网络的宽度、网络的深度、以及输入图片的分辨率这三个维度的放缩,基于该方法,刷新了当时的分类准确率。
注意力机制是深度学习常用技巧,是让网络关注到特征图中需要关注的地方,而并非整幅特征图。注意力机制可以分为通道注意力机制,空间注意力机制,或者组合二者达到更好的效果。
空洞空间金字塔池化模块为ASPP模块是对输入分别使用不同间隔的卷积,对不同卷积的结果进行叠加后使用卷积聚合完成编码。
DeeplabV3+是语义分割的经典架构,推出后进过大量使用,性能优异。其在Encoder部分使用多个空洞卷积,在不增加参数量的情况下加大了感受野,同时使用空洞金字塔池化提取到多尺度信息。其Decoder部分是将上采样后的深层特征和调整通道数后的浅层特征叠加后使用卷积聚合,对结果上采样至输入图像的大小,完成分割。
模型训练:
对每幅1024×1024影像按照512×512大小随机裁剪9幅,同时将整幅影像缩放到512×512大小,因此每幅影像可以产生10幅小图,因为硬件限制,输入图像太大会导致显存不足而无法训练,因此这样处理,最后进行归一化完成预处理,同时对标签进行one-hot(独热)编码,对one-hot编码结果进行Label smoothing处理,标注不可能完全准确,有少量的样本标注是错的,使用标签平滑可以缓解标注错误带来的影响,公式如下:
其中、分别表示原来的label map (特征图)中的one-hot编码和Labelsmoothing之后的编码。是标签平滑的一个超参数,越大则平滑程度越高,通常取0.1或0.2。表示一共有个目标类别。
除了在训练中采用标签平滑来平滑训练中的梯度外,还采用了Focal Loss来平衡hard sample(困难样本)和easy sample(简单样本),计算该loss的公式如下:
经过训练后,得到模型model_1,使用model_1预测没有标注的影像,预测结果即为对应影像的标注,即为弱标签。将影像及其弱标签加入到训练model_1的训练集,使用新的训练集训练得到最终模型model_2。
上述方式为半监督学习的训练方式,实际应用中,遥感影像很大,对所有影像进行标注是非常困难的,所以只能标注少量的影像进行训练,无标注影像就浪费了,所以利用基于标注训练的模型来预测无标注影像,预测结果当作其标注,这样可以有效利用无标注影像,一定程度上扩充了数据集。
提取结果后处理:
针对模型直接预测出的结果时常会出现孔洞和小连通域的问题,采用相应的后处理方法,去掉连续区域中因识别误差导致的孔洞和远离大片连续区域的小连通域。以此来提高模型整体的预测一致性和容错性。
其中,孔洞的判断方式为一般设立一个阈值,如果孔洞的像素个数小于阈值就填充,反之则不填充。
其中,小连通域的判断及处理方式为:获得所述林地识别结果中的所有林地连通区域,并获得每个林地连通区域的面积大小和中心点坐标位置,基于面积大于第二阈值的林地连通区域获得第一区域集合,基于面积小于或等于第二阈值的林地连通区域获得第二区域集合,a为第二区域集合中林地连通区域的编号,a大于或等于1且小于或等于A,A为第二区域集合中林地连通区域的数目,b为第一区域集合中林地连通区域的编号,b大于或等于1且小于或等于B,B为第一区域集合中林地连通区域的数目,对所述第二区域集合中的林地连通区域a进行如下处理:
基于林地连通区域a的中心点坐标,计算获得所述第一区域集合中距离所述林地连通区域a的中心点距离最近的林地连通区域b,并计算获得所述林地连通区域a与所述林地连通区域b之间的距离值,若所述距离值大于第三阈值,则判断所述林地连通区域a异常,并删除所述林地连通区域a。
实施例二
请参考图2,图2为遥感影像林地提取系统的组成示意图,本发明实施例二提供了一种遥感影像林地提取系统,所述系统包括:
获得单元,用于获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建单元,用于构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
训练单元,用于利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
识别单元,用于将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果。
实施例三
本发明实施例三提供了一种遥感影像林地提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述遥感影像林地提取方法的步骤。
实施例四
本发明实施例四提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述遥感影像林地提取方法的步骤。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中遥感影像林地提取装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述遥感影像林地提取装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种遥感影像林地提取方法,其特征在于,所述方法包括:
获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果;
本方法中所述特征提取网络的获得方式为:将EfficientNet中的注意力机制改进为SCSE注意力机制获得所述特征提取网络;
所述空洞空间金字塔池化模块使用多组空洞卷积层提取所述深层特征的多尺度信息,并将每组提取到的的信息进行融合获得所述第一结果;
本方法采用半监督的训练方式训练所述第一林地识别模型;所述半监督的训练方式为:利用所述训练集训练所述第一林地识别模型获得基于强标签的林地识别模型;利用基于强标签的林地识别模型对未标注图像进行林地提取,将提取结果和对应的图像加入原有训练集获得新的数据集,利用新的数据集训练基于强标签的林地识别模型获得所述第二林地识别模型;
所述方法还包括:获得所述林地识别结果中的孔洞,判断所述孔洞是否为识别误差导致,若是则删除所述孔洞;
所述孔洞是否为识别误差导致的判断方式为:判断所述孔洞内的像素个数是否小于第一阈值,若小于第一阈值则判断所述孔洞为识别误差导致,若大于或等于第一阈值,则所述孔洞正常;
所述方法还包括:获得所述林地识别结果中的所有林地连通区域,并获得每个林地连通区域的面积大小和中心点坐标位置,基于面积大于第二阈值的林地连通区域获得第一区域集合,基于面积小于或等于第二阈值的林地连通区域获得第二区域集合,a为第二区域集合中林地连通区域的编号,a大于或等于1且小于或等于A,A为第二区域集合中林地连通区域的数目,b为第一区域集合中林地连通区域的编号,b大于或等于1且小于或等于B,B为第一区域集合中林地连通区域的数目,对所述第二区域集合中的林地连通区域a进行如下处理:
基于林地连通区域a的中心点坐标,计算获得所述第一区域集合中距离所述林地连通区域a的中心点距离最近的林地连通区域b,并计算获得所述林地连通区域a与所述林地连通区域b之间的距离值,若所述距离值大于第三阈值,则判断所述林地连通区域a异常,并删除所述林地连通区域a。
2.根据权利要求1所述的遥感影像林地提取方法,其特征在于,本方法中获得所述遥感图像样本的方式为:
将多幅原始遥感影像进行裁剪获得遥感子图像集,从所述遥感子图像集中挑选若干个含有预设类型地面物体的遥感子图像获得所述遥感图像样本。
3.根据权利要求1所述的遥感影像林地提取方法,其特征在于,所述方法包括:
将所述遥感图像样本按照林地和非林地进行标注获得标注数据,将所述标注数据按照预设比例进行划分获得所述训练集和验证集,所述验证集用于验证所述第二林地识别模型。
4.根据权利要求1所述的遥感影像林地提取方法,其特征在于,所述方法包括:对所述训练集进行预处理,利用预处理后的训练集训练所述第一林地识别模型,所述预处理具体包括:
将所述训练集中的每幅第一图像按照预设尺寸进行随机裁剪获得若干张裁剪后的第二图像,将所述第一图像按照预设尺寸进行缩放获得第三图像,将所述第二图像和所述第三图像进行归一化处理完成所述预处理。
5.根据权利要求1所述的遥感影像林地提取方法,其特征在于,本方法在利用所述训练集训练所述第一林地识别模型的过程中对标签进行独热编码,对独热编码结果进行标签平滑处理。
7.根据权利要求1所述的遥感影像林地提取方法,其特征在于,本方法在利用所述训练集训练所述第一林地识别模型的过程中采用Focal Loss损失函数来平衡困难样本和简单样本。
9.一种遥感影像林地提取系统,其特征在于,所述系统包括:
获得单元,用于获得遥感图像样本,将所述遥感图像样本按照林地和非林地进行标注获得训练集;
构建单元,用于构建第一林地识别模型,所述第一林地识别模型包括:输入层、特征提取网络、空洞空间金字塔池化模块、解码模块和输出层;所述输入层用于获得输入图像;所述特征提取网络用于对所述输入图像进行特征提取,获得浅层特征和深层特征;所述空洞空间金字塔池化模块用于对所述深层特征进行多尺度信息提取,并将提取的信息进行融合获得第一结果;所述解码模块用于对所述浅层特征和所述第一结果进行融合,并将融合后的信息进行解码获得解码结果;所述输出层用于将所述解码结果生成林地提取结果;
训练单元,用于利用所述训练集训练所述第一林地识别模型获得第二林地识别模型;
识别单元,用于将待处理遥感图像输入所述第二林地识别模型,输出所述处理遥感图像中的林地识别结果;
本系统中所述特征提取网络的获得方式为:将EfficientNet中的注意力机制改进为SCSE注意力机制获得所述特征提取网络;
所述空洞空间金字塔池化模块使用多组空洞卷积层提取所述深层特征的多尺度信息,并将每组提取到的的信息进行融合获得所述第一结果;
本系统采用半监督的训练方式训练所述第一林地识别模型;所述半监督的训练方式为:利用所述训练集训练所述第一林地识别模型获得基于强标签的林地识别模型;利用基于强标签的林地识别模型对未标注图像进行林地提取,将提取结果和对应的图像加入原有训练集获得新的数据集,利用新的数据集训练基于强标签的林地识别模型获得所述第二林地识别模型;
所述系统还用于获得所述林地识别结果中的孔洞,判断所述孔洞是否为识别误差导致,若是则删除所述孔洞;
所述孔洞是否为识别误差导致的判断方式为:判断所述孔洞内的像素个数是否小于第一阈值,若小于第一阈值则判断所述孔洞为识别误差导致,若大于或等于第一阈值,则所述孔洞正常;
所述系统还用于获得所述林地识别结果中的所有林地连通区域,并获得每个林地连通区域的面积大小和中心点坐标位置,基于面积大于第二阈值的林地连通区域获得第一区域集合,基于面积小于或等于第二阈值的林地连通区域获得第二区域集合,a为第二区域集合中林地连通区域的编号,a大于或等于1且小于或等于A,A为第二区域集合中林地连通区域的数目,b为第一区域集合中林地连通区域的编号,b大于或等于1且小于或等于B,B为第一区域集合中林地连通区域的数目,对所述第二区域集合中的林地连通区域a进行如下处理:
基于林地连通区域a的中心点坐标,计算获得所述第一区域集合中距离所述林地连通区域a的中心点距离最近的林地连通区域b,并计算获得所述林地连通区域a与所述林地连通区域b之间的距离值,若所述距离值大于第三阈值,则判断所述林地连通区域a异常,并删除所述林地连通区域a。
10.一种遥感影像林地提取装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8中任意一个所述遥感影像林地提取方法的步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任意一个所述遥感影像林地提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044100.9A CN114067221B (zh) | 2022-01-14 | 2022-01-14 | 一种遥感影像林地提取方法及系统及装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044100.9A CN114067221B (zh) | 2022-01-14 | 2022-01-14 | 一种遥感影像林地提取方法及系统及装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067221A CN114067221A (zh) | 2022-02-18 |
CN114067221B true CN114067221B (zh) | 2022-04-15 |
Family
ID=80231074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044100.9A Active CN114067221B (zh) | 2022-01-14 | 2022-01-14 | 一种遥感影像林地提取方法及系统及装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067221B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677567B (zh) * | 2022-05-27 | 2022-10-14 | 成都数联云算科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046214A (zh) * | 2019-04-17 | 2019-07-23 | 华北电力大学(保定) | 基于植被分布数据库的植被类遥感信息自动识别方法 |
CN110188866A (zh) * | 2019-05-28 | 2019-08-30 | 北京工业大学 | 一种基于注意力机制的特征提取方法 |
CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN112132149A (zh) * | 2020-09-10 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像语义分割方法及装置 |
CN112837320A (zh) * | 2021-01-29 | 2021-05-25 | 武汉善睐科技有限公司 | 一种基于并行空洞卷积的遥感影像语义分割方法 |
CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096818B (zh) * | 2011-01-31 | 2012-12-12 | 中国林业科学研究院资源信息研究所 | 面向对象的遥感影像树冠轮廓及参数自动提取方法及系统 |
CN107735794B (zh) * | 2015-08-06 | 2021-06-04 | 埃森哲环球服务有限公司 | 使用图像处理的状况检测 |
EP3825545B1 (de) * | 2019-11-21 | 2022-06-01 | Wobben Properties GmbH | Rotorblatt, rotor und windenergieanlage sowie verfahren |
CN111028178B (zh) * | 2019-12-20 | 2022-04-29 | 武汉大学 | 一种基于深度学习的遥感影像数据自动化几何纠正方法 |
CN111339947A (zh) * | 2020-02-26 | 2020-06-26 | 苏州中科天启遥感科技有限公司 | 遥感影像模糊边界地物的提取方法及系统、存储介质、设备 |
CN111476170A (zh) * | 2020-04-09 | 2020-07-31 | 首都师范大学 | 一种结合深度学习和随机森林的遥感影像语义分割方法 |
-
2022
- 2022-01-14 CN CN202210044100.9A patent/CN114067221B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046214A (zh) * | 2019-04-17 | 2019-07-23 | 华北电力大学(保定) | 基于植被分布数据库的植被类遥感信息自动识别方法 |
CN110188866A (zh) * | 2019-05-28 | 2019-08-30 | 北京工业大学 | 一种基于注意力机制的特征提取方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111080652A (zh) * | 2019-12-23 | 2020-04-28 | 西安电子科技大学 | 基于多尺度轻量化空洞卷积的光学遥感图像分割方法 |
CN112132149A (zh) * | 2020-09-10 | 2020-12-25 | 武汉汉达瑞科技有限公司 | 一种遥感影像语义分割方法及装置 |
CN112837320A (zh) * | 2021-01-29 | 2021-05-25 | 武汉善睐科技有限公司 | 一种基于并行空洞卷积的遥感影像语义分割方法 |
CN113807210A (zh) * | 2021-08-31 | 2021-12-17 | 西安理工大学 | 一种基于金字塔切分注意力模块的遥感图像语义分割方法 |
Non-Patent Citations (2)
Title |
---|
"基于改进U-net网络的气胸分割方法";余昇 等;《网络首发:https://kns.cnki.net/kcms/detail/11.2127.TP.20201223.1158.010.html》;20201223;1-12 * |
"基于深度学习的遥感图像语义分割关键技术研究";张刚;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20200815(第(2020)08期);C028-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN114067221A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | LANet: Local attention embedding to improve the semantic segmentation of remote sensing images | |
CN113850825B (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN111523459B (zh) | 遥感影像裸地识别方法、装置、电子设备及存储介质 | |
CN111860138B (zh) | 基于全融合网络的三维点云语义分割方法及系统 | |
CN110879960B (zh) | 生成卷积神经网络学习用图像数据集的方法及计算装置 | |
Chen et al. | Vectorization of historical maps using deep edge filtering and closed shape extraction | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN113836850A (zh) | 模型获得方法及系统及装置及介质及产品缺陷检测方法 | |
CN114612732A (zh) | 样本数据增强方法及系统及装置及介质及目标分类方法 | |
CN114067221B (zh) | 一种遥感影像林地提取方法及系统及装置及介质 | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
CN112149689A (zh) | 基于目标领域自监督学习的无监督领域适应方法和系统 | |
CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
CN115205855A (zh) | 融合多尺度语义信息的车辆目标识别方法、装置及设备 | |
CN114565803A (zh) | 用于提取难样本的方法、装置及机械设备 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN113744280A (zh) | 图像处理方法、装置、设备及介质 | |
CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
CN116630302A (zh) | 细胞图像分割方法、装置以及电子设备 | |
CN116524520A (zh) | 文本的识别方法及装置、存储介质和电子设备 | |
Wang et al. | MSF 2 DN: Multi Scale Feature Fusion Dehazing Network with Dense Connection | |
CN116071557A (zh) | 一种长尾目标检测方法、计算机可读存储介质及驾驶设备 | |
CN115631205A (zh) | 图像分割及模型训练的方法、装置及设备 | |
CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 |
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 |