CN114419443A - 一种遥感影像耕地地块自动提取方法及系统 - Google Patents
一种遥感影像耕地地块自动提取方法及系统 Download PDFInfo
- Publication number
- CN114419443A CN114419443A CN202210071016.6A CN202210071016A CN114419443A CN 114419443 A CN114419443 A CN 114419443A CN 202210071016 A CN202210071016 A CN 202210071016A CN 114419443 A CN114419443 A CN 114419443A
- Authority
- CN
- China
- Prior art keywords
- boundary
- remote sensing
- segmented
- over
- cultivated land
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的目的是提供一种遥感影像耕地地块自动提取方法及系统,方法包括获取研究区遥感影像;将研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;边界特征提取模型是对改进后的语义分割网络进行训练得到的;根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;利用分水岭分割算法对耕地地块过分割影像进行处理,进而划分研究区遥感影像中的耕地地块。本发明通过训练改进后的语义分割网络,得到边界特征提取模型以确定研究区遥感影像中每个像素点的边界概率,并通过分水岭分割算法对边界特征提取模型的识别结果进行处理,提高了遥感影像耕地地块自动提取的提取精度。
Description
技术领域
本发明涉及遥感影像耕地地块提取技术领域,特别是涉及一种遥感影像耕地地块自动提取方法及系统。
背景技术
基于传统检测的地块提取通过简单的边缘检测或区域分割方法开展,即运用传统的边缘检测算子描绘地块边界,或者运用分水岭分割、多分辨率分割等方法在类似eCognition这样的软件中进行面向对象的分割。但这两种方法都有着自身的局限性,利用边缘算子通过检测像素之间的不连续性来识别边缘强度,能快速将影像划分为边界和非边界,但识别的边界容易出现断裂而造成识别的边界不连续,无法实现由地块边界到地块区域的由线至面的转化;此外,大多数边缘检测器只检测梯度信息,对噪声敏感,这也容易导致边界识别错误;面向对象分割方法通过某种同质性标准将像素合并为区域,但农田地块内部可能存在较大的差异,会造成过度分割,且这类方法常会在到达实际边界前停止生长,使得边界边缘出现一个单独的狭长多边形。此外,传统方法由于方法本身的局限性,只能识别耕地浅层直观的特征,故而精度较差,只适用于简单、小型区域。而无法适用于复杂多变的大场景耕地地块提取。
要对复杂多变场景下的耕地地块进行提取,需要能够表达耕地地块更深层次的特征,深度卷积神经网络为这一目标提供了可能。近些年来出现了很多耕地提取的方法。但值得注意的是,在对耕地区域特征进行提取过程中,卷积操作需要捕获长时间的空间依赖关系,这些依赖关系有助于识别类,但是会丢失位置信息,物体的边界信息无法精确确定。导致该类提取方法只能获取耕地区域的总体范围,而无法实现需要精确划定边界的耕地地块提取。
除此之外,也有诸多研究通过深度卷积网络获取地块边界信息,这类研究是将地块边界作为一种地物类别,通过学习地块边界的影像特征进行语义识别。但深度卷积网络对于线性对象的特征提取能力较弱,所识别的边界不连续,造成识别的精度低。
发明内容
本发明的目的是提供一种遥感影像耕地地块自动提取方法及系统,能够提高遥感影像耕地地块自动提取的提取精度。
为实现上述目的,本发明提供了如下方案:
一种遥感影像耕地地块自动提取方法,包括:
获取研究区遥感影像;
将所述研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;所述边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;所述改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;所述浅层模块用于识别线性信息;
根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;
利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
根据所述过分割区域集合和所述公共边界集合,确定地块边界识别量;
根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块。
可选的,在所述获取研究区遥感影像之前,还包括:
获取研究区历史遥感影像;
将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到所述边界特征提取模型。
可选的,所述根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像,具体包括;
将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
可选的,所述利用分水岭分割算法对耕地地块过分割影像进行处理,得到地块边界识别量,具体包括:
令迭代次数n为1;
以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
确定所述公共边界集合中每条公共边界的权重值;所述权重值为公共边界中所有像素点处边界概率的平均值;
将与权重值最小的公共边界相邻的两个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并返回步骤“以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次”直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量;所述过分割区域包括多个子区域;与所述公共边界相邻的子区域的数量大于一;与所述非公共边界相邻的过分割区域的数量为1且与所述非公共边界相邻的子区域的数量为1。
可选的,所述根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块,具体包括:
将所述地块边界识别量转化为地块边界矢量数据;
对所述地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
根据所述直线化后的地块边界矢量数据划分所述研究区遥感影像中的耕地地块。
一种遥感影像耕地地块自动提取系统,包括:
研究区遥感影像获取模块,用于获取研究区遥感影像;
边界概率确定模块,用于将所述研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;所述边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;所述改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;所述浅层模块用于识别线性信息;
耕地地块过分割影像确定模块,用于根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;
地块边界识别量确定模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到地块边界识别量;
集合提取模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
地块边界识别量确定模块,用于根据所述过分割区域集合和所述公共边界集合,确定地块边界识别量;
耕地地块提取模块,用于根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块。
可选的,所述系统,还包括:
历史遥感影像获取模块,用于获取研究区历史遥感影像;
标记模块,用于将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
边界特征提取模型确定模块,用于以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到所述边界特征提取模型。
可选的,所述耕地地块过分割影像确定模块,具体包括;
边界概率影像构建单元,用于将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
耕地地块过分割影像确定单元,用于对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
可选的,所述地块边界识别量确定模块,具体包括:
迭代次数赋值单元,用于令迭代次数n为1;
结构层次构建单元,用于以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
权重值确定单元,用于确定所述公共边界集合中每条公共边界的权重值;所述权重值为公共边界中所有像素点处边界概率的平均值;
过分割区域合并单元,用于将与权重值最小的公共边界相邻的两个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并调用所述结构层次构建单元直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量;所述过分割区域包括多个子区域;与所述公共边界相邻的子区域的数量大于一;与所述非公共边界相邻的过分割区域的数量为1且与所述非公共边界相邻的子区域的数量为1。
可选的,所述耕地地块提取模块,具体包括:
地块边界识别量转化单元,用于将所述地块边界识别量转化为地块边界矢量数据;
去噪单元,用于对所述地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
直线化处理单元,用于利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
耕地地块提取单元,用于根据所述直线化后的地块边界矢量数据划分所述研究区遥感影像中的耕地地块。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的目的是提供一种遥感影像耕地地块自动提取方法及系统,通过对语义分割网络进行改进以提高语义分割网络对线性信息的敏感度,利用改进后的语义分割网络确定研究区遥感影像中每个像素点的边界概率,进而划分研究区遥感影像中的耕地地块,提高了地块边界识别的连续性,进而提高了遥感影像耕地地块自动提取的提取精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中遥感影像耕地地块自动提取方法流程图;
图2为本发明实施例中前90%层次结构对应边界示意图;
图3为本发明实施例中前50%层次结构对应边界示意图;
图4为本发明实施例中前10%层次结构对应边界示意图;
图5为本发明实施例中遥感影像耕地地块提取结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种遥感影像耕地地块自动提取方法及系统,能够提高遥感影像耕地地块自动提取的提取精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1,本发明提供了一种遥感影像耕地地块自动提取方法,包括:
步骤101:获取研究区遥感影像;
步骤102:将研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;浅层模块用于识别线性信息;浅层模块为单个卷积层,用于强化浅层的边界信息,浅层模块与改进前语义分割网络的输出在全连接层进行叠加以识别线性信息。语义分割网络为PSPNet(金字塔场景解析网络)。
步骤103:根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;耕地地块过分割影像中耕地地块的边界条数大于实际耕地地块边界条数;
步骤104:利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
步骤105:根据过分割区域集合和公共边界集合,确定地块边界识别量;
步骤106:根据地块边界识别量划分研究区遥感影像中的耕地地块。
本发明提供的遥感影像耕地地块自动提取方法,在步骤101之前,还包括:
获取研究区历史遥感影像;
将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到边界特征提取模型。
具体的,步骤103,具体包括;
将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
优选地,步骤105,具体包括:
令迭代次数n为1;
以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
确定公共边界集合中每条公共边界的权重值;权重值为公共边界中所有像素点处边界概率的平均值;
将与权重值最小的公共边界相邻的两个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并返回步骤“以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次”直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量。迭代次数n达到层次阈值时识别结果与实际地块尺度最为匹配;过分割区域包括多个子区域;与公共边界相邻的子区域的数量大于一;与非公共边界相邻的过分割区域的数量为1且与非公共边界相邻的子区域的数量为1。
进一步地,步骤106,具体包括:
将地块边界识别量转化为地块边界矢量数据;
对地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
根据直线化后的地块边界矢量数据划分研究区遥感影像中的耕地地块。
具体的,本发明提供的遥感影像耕地地块自动提取方法方案如下:
步骤1:语义信息检测:
通过深度卷积神经网络检测影像上每个像素属于地块边界的概率,属于一种像素尺度的分类问题,一般采用语义分割模型(即PSPNet金字塔场景解析网络),语义分割模型可输出每个像素的类别概率。PSPNet将深度残差网络和金字塔池化模块相结合,识别精度高,但网络多层卷积的过程会丢失位置信息,使得线性提取能力较弱,这与检测地块边界信息的目的不符,所以本发明采用MPSPNet模型,这是一种PSPNet的改进模型,在PSPNet深度残差网络和金字塔池化模块的基础上添加了一层对线性信息进行识别的浅层模块,强化了模型对线性提取的能力。
训练:按照12:3:85的比例将研究区的样本集分为三个数据集:训练样本数据集、验证样本数据集和测试样本数据集。样本标注的样本类别为“地块边界类”、“非地块边界类”两类。训练时使用adam算法作为梯度下降优化方法,利用验证样本集选取最优模型。
语义信息检测:将测试样本集输入最优模型,检测得到影像每个像素属于“地块边界类”的概率。所有像素的地块边界概率组成整张边界概率影像。
步骤2:地块边界提取:
过分割区域获取:边界概率影像为一种灰度值影像,在边界概率影像上,进行分水岭分割,分水岭分割是一种区域分割方法,可以将灰度影像转化成二值化的分割区域,具体是将影像视作地形表面,每个像素的灰度值代表高度,假设用水填充每个孤立的山谷(局部最小值),当水上升到一定高度时,水在即将溢出山谷的瞬间,会形成一段分水岭,这就是该方法分割区域的原理。将边界概率影像上所有的局部最小值都作为分水岭分割的种子点,获得完全过分割区域。
层次结构构建:用R表示所有过分割区域的集合,K表示所有相邻区域公共边的集合,W(Ki)表示所有公共边的权重值,权重值的计算方法是该线段上所有像素边界强度的平均值。构建图G(R,K,W(Ki)),并基于图论贪心算法,每次合并公共边权重值最小的相邻区域,在区域合并的过程中构建起一个区域的层次结构。其中叶子节点为所有的过分割区域,根节点为全图区域。
最优层次阈值选择:本发明基于区域构建的层次结构中,不同的层次代表了不同的分割尺度,而本发明要选择合适的层次阈值,使分割结果与地块在影像上的尺度最为匹配。由于该层次阈值只受耕地结构的影响,所以在种植结构近似的大范围影像上只需选择单一最优阈值即可获取地块边界的结果,在一般的耕地影像上,选取层次结构前20%的部分大致可以表示耕地的边界。具体的,选取层次前90%所得到的耕地边界如图2所示、选取层次前50%所得到的耕地边界如图3所示、选取层次前10%所得到的耕地边界如图4所示。
步骤3:地块提取:
地块边界转换为矢量:考虑到步骤2得到的边界结果为栅格数据,而本发明的目标是得到地块的矢量面,所以本步骤需要运用Arcgis栅格转矢量工具,将步骤2的地块边界结果转为矢量数据。
噪声区域去除:由于检测地块边界概率信息时会检测到部分并非地块边界的像素,所以需要将其滤去:设置面积阈值,将面积小于100平方米的矢量面去除。
边界线条拉直:考虑到正常的农田边界往往是直线型的,而在本发明边界检测的过程会模糊掉这种直线特征,造成最终的边界较为曲折。所以最后运用道格拉斯-普克算法将边界线条进行拉直。然后根据线条拉直处理后的边界提取遥感影像耕地地块,提取结果如图5。
此外,本发明还提供了一种遥感影像耕地地块自动提取系统,包括:
研究区遥感影像获取模块,用于获取研究区遥感影像;
边界概率确定模块,用于将研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;浅层模块用于识别线性信息;
耕地地块过分割影像确定模块,用于根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;
地块边界识别量确定模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到地块边界识别量;
集合提取模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
地块边界识别量确定模块,用于根据过分割区域集合和公共边界集合,确定地块边界识别量;
耕地地块提取模块,用于根据地块边界识别量划分研究区遥感影像中的耕地地块。
此外,本发明提供的遥感影像耕地地块自动提取系统,还包括:
历史遥感影像获取模块,用于获取研究区历史遥感影像;
标记模块,用于将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
边界特征提取模型确定模块,用于以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到边界特征提取模型。
具体的,耕地地块过分割影像确定模块,具体包括;
边界概率影像构建单元,用于将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
耕地地块过分割影像确定单元,用于对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
具体的,地块边界识别量确定模块,具体包括:
迭代次数赋值单元,用于令迭代次数n为1;
结构层次构建单元,用于以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
权重值确定单元,用于确定公共边界集合中每条公共边界的权重值;权重值为公共边界中所有像素点处边界概率的平均值;
过分割区域合并单元,用于将与权重值最小的公共边界相邻的两个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并调用结构层次构建单元直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量;过分割区域包括多个子区域;与公共边界相邻的子区域的数量大于一;与非公共边界相邻的过分割区域的数量为1且与非公共边界相邻的子区域的数量为1。
具体的,耕地地块提取模块,具体包括:
地块边界识别量转化单元,用于将地块边界识别量转化为地块边界矢量数据;
去噪单元,用于对地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
直线化处理单元,用于利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
耕地地块提取单元,用于根据直线化后的地块边界矢量数据划分研究区遥感影像中的耕地地块。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种遥感影像耕地地块自动提取方法,其特征在于,所述方法包括:
获取研究区遥感影像;
将所述研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;所述边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;所述改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;所述浅层模块用于识别线性信息;
根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;
利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
根据所述过分割区域集合和所述公共边界集合,确定地块边界识别量;
根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块。
2.根据权利要求1所述的遥感影像耕地地块自动提取方法,其特征在于,在所述获取研究区遥感影像之前,还包括:
获取研究区历史遥感影像;
将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到所述边界特征提取模型。
3.根据权利要求1所述的遥感影像耕地地块自动提取方法,其特征在于,所述根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像,具体包括;
将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
4.根据权利要求1所述的遥感影像耕地地块自动提取方法,其特征在于,所述根据所述过分割区域集合和所述公共边界集合,确定地块边界识别量,具体包括:
令迭代次数n为1;
以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
确定所述公共边界集合中每条公共边界的权重值;所述权重值为公共边界中所有像素点处边界概率的平均值;
将与权重值最小的公共边界相邻的多个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并返回步骤“以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次”直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量;所述过分割区域包括多个子区域;与所述公共边界相邻的子区域的数量大于一;与所述非公共边界相邻的过分割区域的数量为1且与所述非公共边界相邻的子区域的数量为1。
5.根据权利要求1所述的遥感影像耕地地块自动提取方法,其特征在于,所述根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块,具体包括:
将所述地块边界识别量转化为地块边界矢量数据;
对所述地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
根据所述直线化后的地块边界矢量数据划分所述研究区遥感影像中的耕地地块。
6.一种遥感影像耕地地块自动提取系统,其特征在于,所述系统包括:
研究区遥感影像获取模块,用于获取研究区遥感影像;
边界概率确定模块,用于将所述研究区遥感影像的每个像素值均输入到边界特征提取模型中,得到研究区遥感影像中每个像素点的边界概率;所述边界特征提取模型是利用标记研究区历史遥感影像,对改进后的语义分割网络进行训练得到的;所述改进后的语义分割网络是在的语义分割网络中添加浅层模块后得到的;所述浅层模块用于识别线性信息;
耕地地块过分割影像确定模块,用于根据研究区遥感影像中每个像素点的边界概率,确定耕地地块过分割影像;
地块边界识别量确定模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到地块边界识别量;
集合提取模块,用于利用分水岭分割算法对耕地地块过分割影像进行处理,得到过分割区域集合和公共边界集合;
地块边界识别量确定模块,用于根据所述过分割区域集合和所述公共边界集合,确定地块边界识别量;
耕地地块提取模块,用于根据所述地块边界识别量划分所述研究区遥感影像中的耕地地块。
7.根据权利要求6所述的遥感影像耕地地块自动提取系统,其特征在于,所述系统,还包括:
历史遥感影像获取模块,用于获取研究区历史遥感影像;
标记模块,用于将研究区历史遥感影像中的边界处像素点的边界概率标记为1,将研究区历史遥感影像中的非边界处像素点的边界概率标记为0,得到标记研究区历史遥感影像;
边界特征提取模型确定模块,用于以标记研究区历史遥感影像的像素值为输入,以像素的边界概率为输出,对改进后的语义分割网络进行训练,得到所述边界特征提取模型。
8.根据权利要求6所述的遥感影像耕地地块自动提取系统,其特征在于,所述耕地地块过分割影像确定模块,具体包括;
边界概率影像构建单元,用于将研究区遥感影像中每个像素点的边界概率作为对应像素点的灰度值,构建边界概率影像;
耕地地块过分割影像确定单元,用于对边界概率影像中所有灰度值均进行二值化处理,得到耕地地块过分割影像。
9.根据权利要求6所述的遥感影像耕地地块自动提取系统,其特征在于,所述地块边界识别量确定模块,具体包括:
迭代次数赋值单元,用于令迭代次数n为1;
结构层次构建单元,用于以研究区为根节点,以过分割区域集合中过分割区域为叶子节点构建第n层结构层次;
权重值确定单元,用于确定所述公共边界集合中每条公共边界的权重值;所述权重值为公共边界中所有像素点处边界概率的平均值;
过分割区域合并单元,用于将与权重值最小的公共边界相邻的两个子区域合并,得到更新后的过分割区域集合和更新后的公共边界集合,令迭代次数n的数值增加1,并调用所述结构层次构建单元直至迭代次数n达到层次阈值,确定第n层结构层次对应的地块边界为地块边界识别量;所述过分割区域包括多个子区域;与所述公共边界相邻的子区域的数量大于一;与所述非公共边界相邻的过分割区域的数量为1且与所述非公共边界相邻的子区域的数量为1。
10.根据权利要求6所述的遥感影像耕地地块自动提取系统,其特征在于,所述耕地地块提取模块,具体包括:
地块边界识别量转化单元,用于将所述地块边界识别量转化为地块边界矢量数据;
去噪单元,用于对所述地块边界矢量数据进行去噪处理,得到去噪后的地块边界矢量数据;
直线化处理单元,用于利用道格拉斯-普克算法将去噪后的地块边界矢量数据进行直线化处理,得到直线化后的地块边界矢量数据;
耕地地块提取单元,用于根据所述直线化后的地块边界矢量数据划分所述研究区遥感影像中的耕地地块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071016.6A CN114419443B (zh) | 2022-01-21 | 2022-01-21 | 一种遥感影像耕地地块自动提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071016.6A CN114419443B (zh) | 2022-01-21 | 2022-01-21 | 一种遥感影像耕地地块自动提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419443A true CN114419443A (zh) | 2022-04-29 |
CN114419443B CN114419443B (zh) | 2024-11-26 |
Family
ID=81275756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071016.6A Active CN114419443B (zh) | 2022-01-21 | 2022-01-21 | 一种遥感影像耕地地块自动提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419443B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342685A (zh) * | 2023-05-29 | 2023-06-27 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
CN113569772A (zh) * | 2021-08-01 | 2021-10-29 | 中科星辰(苏州)信息科技有限公司 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
-
2022
- 2022-01-21 CN CN202210071016.6A patent/CN114419443B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373932A1 (en) * | 2016-12-30 | 2018-12-27 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
CN111882573A (zh) * | 2020-07-31 | 2020-11-03 | 北京师范大学 | 一种基于高分辨率影像数据的耕地地块提取方法及系统 |
CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
CN113569772A (zh) * | 2021-08-01 | 2021-10-29 | 中科星辰(苏州)信息科技有限公司 | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
朱昱等: "基于深度卷积网络和分水岭分割的耕地地块识别方法", 《地球信息科学》, 31 December 2022 (2022-12-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342685A (zh) * | 2023-05-29 | 2023-06-27 | 四川凯普顿信息技术股份有限公司 | 一种基于dom影像的农业耕地地块的面积测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114419443B (zh) | 2024-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN108846832B (zh) | 一种基于多时相遥感影像与gis数据的变化检测方法及系统 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
Turker et al. | Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping | |
CN110334578B (zh) | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN104408458B (zh) | 基于射线补全区域图和特征学习的sar图像分割方法 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN111738165A (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN101634706B (zh) | 高分辨率sar图像中桥梁目标的自动检测方法 | |
CN110120042A (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN104952070B (zh) | 一种类矩形引导的玉米田遥感图像分割方法 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN104951765B (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
CN112819753B (zh) | 一种建筑物变化检测方法、装置、智能终端及存储介质 | |
CN105138992A (zh) | 一种基于区域主动轮廓模型的海岸线检测方法 | |
Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
CN110147780A (zh) | 基于层级地形的实时性野外机器人地形识别方法及系统 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN114419443A (zh) | 一种遥感影像耕地地块自动提取方法及系统 | |
Albert et al. | Land use classification using conditional random fields for the verification of geospatial databases | |
CN116630811B (zh) | 一种河流提取方法、装置、终端设备和可读存储介质 | |
CN117710824A (zh) | 一种基于改进Cascade Mask R-CNN模型的岩芯图像RQD智能分析方法 | |
CN117409329A (zh) | 用于三维探地雷达降低地下空洞检测虚警率的方法及系统 |
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 |