CN117197651B - 一种结合边缘检测与语义分割的田块提取方法及系统 - Google Patents
一种结合边缘检测与语义分割的田块提取方法及系统 Download PDFInfo
- Publication number
- CN117197651B CN117197651B CN202310911054.2A CN202310911054A CN117197651B CN 117197651 B CN117197651 B CN 117197651B CN 202310911054 A CN202310911054 A CN 202310911054A CN 117197651 B CN117197651 B CN 117197651B
- Authority
- CN
- China
- Prior art keywords
- feature
- edge
- edge detection
- farmland
- features
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 78
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 230000001131 transforming effect Effects 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种结合边缘检测与语义分割的田块提取方法及系统,所述方法包括:获取研究区域内的农田影像数据,制作农田影像数据集;基于引导连接注意力机制GCAM改进的U‑Net网络对待测农田影像进行语义特征提取;将待测农田影像变换到HSV颜色空间并进行特征聚类;采用边缘检测算法对特征聚类结果进行边缘特征提取;采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。本发明在U‑Net网络中引入引导特征融合的注意力机制GCAM,引导编码阶段低层信息与解码阶段高层信息的有效融合,提高网络模型的深度特征提取能力,并提取待测农田影像的语义特征,同时使用提取的边缘特征来纠正语义分割的结果,实现准确、高效的农田田块分布提取。
Description
技术领域
本发明属于影响处理技术领域,具体涉及一种结合边缘检测与语义分割的田块提取方法及系统。
背景技术
农田是农业生产的基本单元,及时准确地获取农田信息,是国家制定农业政策的重要依据。早期的农田边界信息获取主要采用人工绘制的方式来完成,此种方式精度高,但是需要花费大量的时间和人力,信息更新迭代的成本高、周期长,还会因为信息的滞后性,实际价值大打折扣。
使用深度学习的方法,可以自动、准确地提取农田边界,实现短时间信息迭代更新。但是现有深度卷积神经网络对边界的提取结果还是会出现模糊、不足等问题。传统的边缘检测算子虽然可以较快的提取边缘信息,但是由于只注重局部细节,忽视了上下文之间的联系,提取的边缘特征并不准确。
公开号为CN114219815A的发明专利公开了一种多层次语义边界分割的高分辨遥感影像农田提取方法,其选择U-net语义分割网络构建田间地块分割网络模型,利用边缘检测网络提取遥感影像的农田边界,设置农田边界阈值进行农田边界分割,虽然设置了步长形成多阈值集合,但是还是会收到阈值设置大小的影响,准确度有待提高。
因此,需要一种新的田块特征提取方法,来实现准确、高效的农田田块分布提取。
发明内容
有鉴于此,本发明提出了一种结合边缘检测与语义分割的田块提取方法及系统,用于解决农田田块分布提取不准确的问题。
本发明第一方面,公开了一种结合边缘检测与语义分割的田块提取方法,所述方法包括:
获取研究区域内的农田影像数据,制作农田影像数据集;
基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取;
将待测农田影像变换到HSV颜色空间并进行特征聚类;
采用边缘检测算法对特征聚类结果进行边缘特征提取;
采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
在以上技术方案的基础上,优选的,所述基于引导连接注意力机制GCAM改进的U-Net网络是在U-Net网络中引入引导连接注意力机制GCAM得到的;
所述引导连接注意力机制GCAM用于引导U-Net网络编码阶段的低级特征与U-Net网络解码阶段的高级特征进行特征融合;
所述引导连接注意力机制GCAM包括第一分支模块和第二分支模块、特征融合模块;
所述第一分支用于对高级特征分别进行全局最大池化GMP和全局平均池化GAP,并进行加和操作后通过1╳1卷积得到通道特征图;
所述第二分支用于将高级特征依次通过1个1╳1卷积、2个3╳3卷积、1个1╳1卷积,得到空间特征图;
所述特征融合模块用于将通道特征图和空间特征图加和后输入Sigmoid激活函数,得到初始融合特征图;将低级特征经过1个3╳3卷积提取后与初始融合特征图进行融合,得到加权低级特征,将加权低级特征与高级特征进行加和后,得到输出的最终融合特征图。
在以上技术方案的基础上,优选的,所述将待测农田影像变换到HSV颜色空间并进行特征聚类具体包括:
将获取的RGB颜色空间的农田影像变换到HSV颜色空间;
使用准欧式距离作为特征之间的相似度,对HSV颜色空间的农田影像特征进行聚类划分,得到特征聚类结果。
在以上技术方案的基础上,优选的,所述采用边缘检测算法对特征聚类结果进行边缘特征提取具体包括:
将粒子群算法与边缘检测算法相结合,并使用动态粒子群算法来优化边缘检测算法的检测模板,得到基于动态粒子群的边缘检测算法;
采用基于动态粒子群的边缘检测算法提取特征聚类结果的边缘特征。
在以上技术方案的基础上,优选的,所述动态粒子群算法的权重w为:
式中,t表示当前迭代次数,tmax为最大迭代次数,σ为惯性因子,w2为初始权重,w1为tmax时的权重,Beta(a,b)为(a,b)之间符合贝塔分布的随机数。
在以上技术方案的基础上,优选的,所述使用动态粒子群算法来优化边缘检测算法的检测模板具体包括:
从测试集中挑选若干张典型的待测影像,并人工标记出理想边缘。
初始化种群规模、速度,随机初始化N╳N的检测模板A作为粒子位置,A为反对称矩阵;
在当前检测模板下,使用边缘检测算法对待测影像进行边缘特征提取;
采用逐像素对比的方式,将提取的边缘特征与理想边缘比较,计算适应度函数;定义适应度函数f为:
式中,i=1,2,...,H,j=1,2,...,W,H和W分别表示待测影像的高和宽,yi,j表示(i,j)位置理想边缘的像素值,表示相同位置,使用边缘检测算提取的边缘特征像素值,min表示求最小值;
以动态权重w更新粒子的位置与速度;
重复以上迭代计算的过程,直到达到迭代结束条件,将适应度函数值最小的粒子位置作为最优检测模版。
在以上技术方案的基础上,优选的,所述采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
对边缘检测结果语义提取结果进行地理校正,使特征重叠对应;
边缘检测结果进行矢量化,得到矢量闭合多边形;
统计每个矢量闭合多边形中属于田块的像素点个数,得到各矢量闭合多边形中田块的像素点所占比例;
对像素点所占比例进行由大到小排序,设定阈值,对语义分割结果进行阈值填充或者剔除,修正语义分割的结果,得到田块提取结果。
本发明第二方面,公开了一种结合边缘检测与语义分割的田块提取系统,所述系统包括:
预处理模块:用于获取研究区域内的农田影像数据,制作农田影像数据集;
语义特征提取模块:用于基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取;
边缘特征提取模块:用于将待测农田影像变换到HSV颜色空间并进行特征聚类;采用边缘检测算法对特征聚类结果进行边缘特征提取;
田块特征修正模块:用于采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明在U-Net的跳跃连接中,引入引导特征融合的注意力机制GCAM,来筛选重要的通道特征和空间特征,进而引导编码阶段低层信息与解码阶段高层信息的有效融合,提高网络模型的深度特征提取能力,并使用该改进的U-Net网络来提取待测农田影像的语义特征,同时使用提取的边缘特征来纠正语义分割的结果,实现准确、高效的农田田块分布提取。
2)本发明的引导连接注意力机制GCAM包括第一分支、第二分支和特征融合模块,其中,第一分支、第二分支分别对高级特征进行不同的运算得到通道特征图、空间特征图,特征融合模块用于将通道特征图和空间特征图融合,并融合低级特征,得到加权低级特征,将加权低级特征与高级特征进行加和后,得到输出的最终融合特征图,一方面实现低级特征与高级特征的有效融合,另一方面可以避免低层冗余信息对解码阶段高层信息的干扰。
3)本发明采用指数函数来控制权重非线性衰减,对权重进行动态调整,可以增强算法迭代后期的全局搜索能力,并进一步引入对粒子的位置进行更新,避免迭代后期粒子群算法易陷入局部寻优,可以更加准确、快速提取边缘信息。
4)本发明使用动态粒子群算法来优化边缘检测的模板,使用最优模板来进行测试集影像的边缘提取,可以减少断裂边缘,提高边缘检测的准确度。
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,下面将对实施例或现有技术描述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为本发明的结合边缘检测与语义分割的田块提取方法流程图;
图2为本发明的引导连接注意力机制GCAM的结构示意图;
图3为本发明的边缘检测模版优化流程图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
请参阅图1,本发明提出一种结合边缘检测与语义分割的田块提取方法,所述方法包括:
S1、获取研究区域内的农田影像数据,制作农田影像数据集。
获取研究区域内的农田影像数据,一般包含可见光蓝、绿、红三个波段的影像数据。由于卫星影像在生成过程中受到拍摄时间、太阳光照强度、大气状态变化以及辐射分辨率的限制,致使卫星载荷传感器很难精确地记录复杂的地表信息,误差不可避免的存在,降低了遥感数据的质量,影响图像分析的精度。因此对需要获取的农田影像数据进行数据校正,数据校正包括辐射定标、大气校正、正射校正等操作。
然后绘制农田区域的样本,对校正后的影像数据进行锐化处理,增强影像的农田边缘特征。将样本与影像一起,进行裁剪、旋转、加噪声等数据预处理,制作尺寸大小为256*256的数据集,按照8:1:1的比例,随机划分为训练集、验证集和测试集。
本实施例中,以湖北某县为研究区,首先获取2020年6月份-9月份的GF-6卫星影像,经过辐射定标、大气校正、正射校正、镶嵌、绘制样本、裁剪等预处理操作后,制作实验所需的数据集,按照8:1:1划分训练集、验证集和测试集。
S2、基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取。
U-Net网络是一种对称的编码-解码结构语义分割网络,网络结构简单,被广泛应用于各个领域。由于U-Net网络中,对编码与解码阶段直接使用跳跃连接,无法避免低层冗余信息对解码阶段高层信息的干扰。因此,本发明对U-Net网络进行改进,改进方式为,U-Net网络中引入引导连接注意力机制GCAM,用于引导U-Net网络编码阶段的低级特征与U-Net网络解码阶段的高级特征进行有效融合,得到基于引导连接注意力机制GCAM改进的U-Net网络。
该引导连接注意力机制GCAM先获取解码阶段高层信息特征权重,再与编码阶段低层信息进行对应像素相乘操作,得到加权高层信息,再与解码阶段的高层信息进行加和后,得到最后的输出结果。
如图2所示为引导连接注意力机制GCAM的结构示意图,该引导连接注意力机制GCAM包括第一分支和第二分支、特征融合模块。
其中,第一分支用于对高级特征F高级特征分别进行全局最大池化GMP和全局平均池化GAP操作,并对全局最大池化GMP和全局平均池化GAP操作结果进行加和操作后通过1╳1卷积得到通道特征图F通道特征图,该通道特征图表征了通道特征权重。第二分支用于将高级特征依次通过1个1╳1卷积、2个3╳3卷积、1个1╳1卷积,得到空间特征图F空间特征图,该空间特征图表征了空间特征权重。特征融合模块用于将通道特征图和空间特征图加和后输入Sigmoid激活函数,得到初始融合特征图;将低级特征经过1个3╳3卷积提取后与初始融合特征图进行融合,得到加权低级特征F加权高级特征,将加权低级特征与高级特征进行加和后,输出的最终融合特征图F输出。以上过程的公式描述为:
F空间特征图=Conv1×1(Conv3×3(Conv3×3(Conv1×1(F高级特征))))
其中表示加和操作,/>表示相乘操作,Conv1×1、Conv3×3分别表示1╳1卷积操作、3╳3卷积操作。
然后设置参数,进行模型训练。
训练轮数为50,优化器为Adam,初始学习率为0.002,损失函数为平均二次损失函数。待模型训练结束后,进行测试集的农田特征提取。选择准确率Accuracy、精确率Precision、召回率Recall以及交并比IOU等,作为模型的评价指标。
式中,TP、TN、FP、FN分别表示被正例分为正例、正例分为负例、负例分为正例、负例分为负例的个数。
对训练好的模型进行测试,对测试结果进行定量评价,计算评价指标。
使用通过测试的模型对待测农田影像进行语义特征提取。
S3、将待测农田影像变换到HSV颜色空间并进行特征聚类。
将获取的RGB颜色空间的农田影像变换到HSV颜色空间,利用色调(H),和亮度(V)分量增强田块的边缘特征,得到增强边缘特征的农田影像。
使用准欧式距离作为特征之间的相似度,对HSV颜色空间的农田影像特征进行聚类划分,得到特征聚类结果。
具体的,提出准欧式KNN聚类算法(QE-KNN),对HSV颜色空间的农田影像进行特征聚类。使用准欧式距离,作为特征之间的相似度,来聚拢特征空间中邻近点。准欧式距离的公式为:
|m1-m2|和|n1-n2|分别表示两个样本点(m1,n1)、(m2,n2)在水平和垂直方向的距离,d代表两个样本点(m1,n1)、(m2,n2)之间的准欧式距离。
S4、采用边缘检测算法对特征聚类结果进行边缘特征提取。
步骤S4具体包括如下分步骤:
S41、将粒子群算法与边缘检测算法相结合,并使用动态粒子群算法来优化边缘检测算法的检测模板,得到基于动态粒子群的边缘检测算法。
步骤S41进一步包括如下分步骤:
S411、改进粒子群算法,得到动态粒子群算法。
粒子群算法是一种迭代优化算法,它通过跟踪粒子本身的最优解与全局最优解,来更新自身速度和位置,不断迭代找到全局最优解。其速度公式与位置公式为:
v=w×v+c1×rand(0,1)×(Pbest-x)+c2×rand(0,1)×(Gbest-x)
x=x+v
式中,v是粒子的速度,x是粒子的当前位置,系数c1和c2取2,w为权重因子,取值为[0.1,0.9];rand(0,1)为(0,1)之间的随机数,Pbest为当前粒子的历史最优位置,Gbest为所有粒子的历史最优位置。
为了避免易陷入局部最优解的问题,本发明对权重w使用动态改进,用公式描述为:
式中,t表示当前迭代次数,tmmax为最大迭代次数,σ为惯性因子,w2为初始权重,w1为tmmax时的权重,Beta(a,b)为(a,b)之间符合贝塔分布的随机数。
本发明采用指数函数来控制权重w非线性衰减,对权重进行动态调整,可以增强算法迭代后期的全局搜索能力,并进一步引入较差变异对粒子的位置进行更新,避免迭代后期,粒子群算法易陷入局部寻优。
将改进后的粒子群算法记为动态粒子群算法(DPSO)。
S412、基于动态粒子群算法(DPSO)来优化边缘检测的模板。
经典的边缘检测算法的运算形式基本为:
式中,e(m)代表边缘特征,yp(m)代表图像m在像素点p处的灰度值,wp(m)代表边缘检测模板。因此,选择理想的边缘检测模板wp(m)是边缘检测的关键,P为像素点总数。
模板的选取会直接影响边缘提取的结果。常见的边缘检测算子,如Sobel和Prewitt算子,对噪声敏感,容易产生断裂边缘,不适合提取农田影像。本发明基于动态粒子群算法(DPSO)来进行迭代运算,求优化边缘检测模板A。为保证DPSO在优化模板时,能收敛于稳定的平衡点,选择的N×N大小模板A应满足反对称矩阵,且中心元素A0,0>1,减少断裂边缘。因此模板A的初始状态应为:
其中,A0,-1=-A-1,0,A1,-1=-A-1,1,A1,0=-A0,1,A0,0>1。
如图3所示为本发明的边缘检测模版优化流程图,具体的优化过程为:
(1)从测试集中挑选若干张典型的待测影像,并人工标记出理想边缘。
(2)初始化种群规模、速度,随机初始化3╳3的检测模板A作为粒子位置,模板中心元素系数A0,0>1,其余模板系数为[0,255]内的随机数。
(3)在当前检测模板下,使用边缘检测算法对待测影像进行边缘提取。
(4)采用逐像素对比的方式,与理想边缘比较,计算适应度函数。
根据实际需求,定义适应度函数为:
式中,H和W分别表示待测影像的高和宽,yi,j表示xi,j位置理想边缘的像素值,表示相同位置,使用边缘检测算提取的边缘特征像素值,min表示求最小值。
(5)以动态权重w更新粒子的位置与速度。
(6)重复以上步骤(3)~(5)的计算的过程,直到达到迭代结束条件,将适应度函数值最小的粒子位置作为最优检测模版。
将最优检测模版应用到边缘检测算法中,得到基于动态粒子群的边缘检测算法。
S42、采用基于动态粒子群的边缘检测算法提取特征聚类结果的边缘特征。
将最优检测模版应用到边缘检测算法中,提取特征聚类结果的边缘特征。
S43、对提取的边缘特征进行断点连接,形成闭合的边缘特征,剔除边缘噪声,得到最终的边缘特征提取结果。
得到闭合的边缘特征后,对获取的边缘特征,进行二值化处理,随后进行图像膨胀腐蚀运算,然后提取边缘特征的骨架信息,保留属于田块边界的边缘特征。
先S5、采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
具体的修正方法为:
对边缘检测结果和语义提取结果进行地理校正,使特征重叠对应;
边缘检测结果进行矢量化,得到矢量闭合多边形;
统计每个矢量闭合多边形中属于田块的像素点个数,得到各矢量闭合多边形中田块的像素点所占比例;
对像素点所占比例进行由大到小排序,设定比例阈值,比较语义分割结果中对应的图像块,对步骤S2的语义分割结果进行像素点填充或者剔除,修正语义分割的结果,得到田块提取结果。
具体的,若语义分割结果中对应的图像块中的像素点比例大于设定的比例阈值,则对对应的图像块进行像素点填充,否则不做任何处理。若矢量闭合多边形中像素点比例较小,根据实际情况确定是否剔除。
本发明U-Net网络的跳跃连接中,引入引导连接注意力机制GCAM来筛选重要的通道特征和空间特征,进行有效的特征融合。同时,提出一种基于动态粒子群的边缘检测算法(ED-DPSO),来更加准确、快速提取边缘信息,用于修正语义分割的结果。
本发明分别计算U-Net、改进的U-Net及本发明所使用的方法等不同方法的一系列评价指标,对所提出的方法进行定量分析比较,结果见表1。由表1的计算结果可知,相较于U-Net网络,本文提出的方法,对农田的特征提取性能更佳。
表1不同方法的特征提取性能比较
方法 | Accuracy | Precision | Recall | IOU |
U-Net | 75.6% | 80.2% | 83.2% | 72.3% |
改进的U-Net | 83.4% | 85.4% | 85.7% | 81.7% |
本发明 | 89.4% | 90.6% | 89.3% | 91.2% |
与上述方法实施例相对应,本发明还提出一种结合边缘检测与语义分割的田块提取系统,所述系统包括:
预处理模块:用于获取研究区域内的农田影像数据,制作农田影像数据集;
语义特征提取模块:用于基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取;
边缘特征提取模块:用于将待测农田影像变换到HSV颜色空间并进行特征聚类;采用边缘检测算法对特征聚类结果进行边缘特征提取;
田块特征修正模块:用于采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
以上系统实施例和方法实施例是一一对应的,系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种结合边缘检测与语义分割的田块提取方法,其特征在于,所述方法包括:
获取研究区域内的农田影像数据,制作农田影像数据集;
基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取;
将待测农田影像变换到HSV颜色空间并进行特征聚类;
采用边缘检测算法对特征聚类结果进行边缘特征提取;
采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果;
所述基于引导连接注意力机制GCAM改进的U-Net网络是在U-Net网络中引入引导连接注意力机制GCAM得到的;
所述引导连接注意力机制GCAM用于引导U-Net网络编码阶段的低级特征与U-Net网络解码阶段的高级特征进行特征融合;
所述引导连接注意力机制GCAM包括第一分支和第二分支、特征融合模块;
所述第一分支用于对高级特征分别进行全局最大池化GMP和全局平均池化GAP操作,并进行加和操作后通过1╳1卷积得到通道特征图;
所述第二分支用于将高级特征依次通过1个1╳1卷积、2个3╳3卷积、1个1╳1卷积,得到空间特征图;
所述特征融合模块用于将通道特征图和空间特征图加和后输入Sigmoid激活函数,得到初始融合特征图;将低级特征经过1个3╳3卷积提取后与初始融合特征图进行融合,得到加权低级特征,将加权低级特征与高级特征进行加和后,输出的最终融合特征图;
所述采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果具体包括:
对边缘检测结果和语义提取结果进行地理校正,使特征重叠对应;
对边缘检测结果进行矢量化,得到矢量闭合多边形;
统计每个矢量闭合多边形中属于田块的像素点个数,得到各矢量闭合多边形中田块的像素点所占比例;
对像素点所占比例进行由大到小排序,设定比例阈值,根据比例阈值对语义分割结果进行阈值填充或者剔除,修正语义分割的结果,得到田块提取结果。
2.根据权利要求1所述的结合边缘检测与语义分割的田块提取方法,其特征在于,所述将待测农田影像变换到HSV颜色空间并进行特征聚类具体包括:
将获取的RGB颜色空间的农田影像变换到HSV颜色空间;
使用准欧式距离作为特征之间的相似度,对HSV颜色空间的农田影像特征进行聚类划分,得到特征聚类结果。
3.根据权利要求2所述的结合边缘检测与语义分割的田块提取方法,其特征在于,所述采用边缘检测算法对特征聚类结果进行边缘特征提取具体包括:
将粒子群算法与边缘检测算法相结合,并使用动态粒子群算法来优化边缘检测算法的检测模板,得到基于动态粒子群的边缘检测算法;
采用基于动态粒子群的边缘检测算法提取特征聚类结果的边缘特征;
剔除边缘噪声,得到最终的边缘特征提取结果。
4.根据权利要求3所述的结合边缘检测与语义分割的田块提取方法,其特征在于,所述动态粒子群算法的权重w为:
式中,t表示当前迭代次数,tmax为最大迭代次数,σ为惯性因子,w2为初始权重,w1为tmax时的权重,Beta(a,b)为预设区间(a,b)之间符合贝塔分布的随机数。
5.根据权利要求4所述的结合边缘检测与语义分割的田块提取方法,其特征在于,所述使用动态粒子群算法来优化边缘检测算法的检测模板具体包括:
从测试集中挑选若干张典型的待测影像,并人工标记出理想边缘;
初始化种群规模、速度,随机初始化N╳N的检测模板A作为粒子位置,A为反对称矩阵;
在当前检测模板下,使用边缘检测算法对待测影像进行边缘特征提取;
采用逐像素对比的方式,将提取的边缘特征与理想边缘比较,计算适应度函数;定义适应度函数f为:
式中,i=1,2,...,H,j=1,2,...,W,H和W分别表示待测影像的高和宽,yi,j表示(i,j)位置理想边缘的像素值,表示相同位置,使用边缘检测算提取的边缘特征像素值,min表示求最小值;
以动态权重w更新粒子的位置与速度;
重复以上迭代计算的过程,直到达到迭代结束条件,将适应度函数值最小的粒子位置作为最优检测模版。
6.使用权利要求1~5任一项所述方法的一种结合边缘检测与语义分割的田块提取系统,其特征在于,所述系统包括:
预处理模块:用于获取研究区域内的农田影像数据,制作农田影像数据集;
语义特征提取模块:用于基于引导连接注意力机制GCAM改进的U-Net网络对待测农田影像进行语义特征提取;
边缘特征提取模块:用于将待测农田影像变换到HSV颜色空间并进行特征聚类;采用边缘检测算法对特征聚类结果进行边缘特征提取;
田块特征修正模块:用于采用边缘特征提取结果对语义特征提取结果进行修正,得到田块提取结果。
7.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911054.2A CN117197651B (zh) | 2023-07-24 | 2023-07-24 | 一种结合边缘检测与语义分割的田块提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911054.2A CN117197651B (zh) | 2023-07-24 | 2023-07-24 | 一种结合边缘检测与语义分割的田块提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197651A CN117197651A (zh) | 2023-12-08 |
CN117197651B true CN117197651B (zh) | 2024-03-29 |
Family
ID=88989487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310911054.2A Active CN117197651B (zh) | 2023-07-24 | 2023-07-24 | 一种结合边缘检测与语义分割的田块提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197651B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN111738124A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于Gabor变换和注意力的遥感图像云检测方法 |
CN112329808A (zh) * | 2020-09-25 | 2021-02-05 | 武汉光谷信息技术股份有限公司 | 一种Deeplab语义分割算法的优化方法及系统 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
WO2021244621A1 (zh) * | 2020-06-04 | 2021-12-09 | 华为技术有限公司 | 基于全局引导选择性上下文网络的场景语义解析方法 |
CN114067219A (zh) * | 2021-11-11 | 2022-02-18 | 华东师范大学 | 一种基于语义分割与超像素分割融合的农田作物识别方法 |
CN114863165A (zh) * | 2022-04-12 | 2022-08-05 | 南通大学 | 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法 |
CN115994999A (zh) * | 2022-12-06 | 2023-04-21 | 山东师范大学 | 基于边界梯度注意力网络的杯状细胞语义分割方法及系统 |
-
2023
- 2023-07-24 CN CN202310911054.2A patent/CN117197651B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
WO2021244621A1 (zh) * | 2020-06-04 | 2021-12-09 | 华为技术有限公司 | 基于全局引导选择性上下文网络的场景语义解析方法 |
CN111738124A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于Gabor变换和注意力的遥感图像云检测方法 |
CN112329808A (zh) * | 2020-09-25 | 2021-02-05 | 武汉光谷信息技术股份有限公司 | 一种Deeplab语义分割算法的优化方法及系统 |
CN113313671A (zh) * | 2021-04-30 | 2021-08-27 | 武汉光谷信息技术股份有限公司 | 一种结合卫星影像和modis数据的水稻估产方法 |
CN114067219A (zh) * | 2021-11-11 | 2022-02-18 | 华东师范大学 | 一种基于语义分割与超像素分割融合的农田作物识别方法 |
CN114863165A (zh) * | 2022-04-12 | 2022-08-05 | 南通大学 | 一种基于影像组学与深度学习特征融合的椎体骨密度分类方法 |
CN115994999A (zh) * | 2022-12-06 | 2023-04-21 | 山东师范大学 | 基于边界梯度注意力网络的杯状细胞语义分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于上下文的多路径空间编码图像语义分割方法;胡文俊;马秀丽;;工业控制计算机;20200825(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197651A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
CN111950453B (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN110427933A (zh) | 一种基于深度学习的水尺识别方法 | |
CN111325750A (zh) | 一种基于多尺度融合u型链神经网络的医学图像分割方法 | |
CN110826509A (zh) | 一种基于高分遥感影像的草原围栏信息提取系统及方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN116645592A (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
CN114926826A (zh) | 场景文本检测系统 | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN117253071B (zh) | 基于多级伪标签增强的半监督目标检测方法及系统 | |
CN117197651B (zh) | 一种结合边缘检测与语义分割的田块提取方法及系统 | |
CN110866552B (zh) | 基于全卷积空间传播网络的高光谱图像分类方法 | |
CN116994071A (zh) | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 | |
CN110348339B (zh) | 一种基于实例分割的手写文档文本行的提取方法 | |
CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
CN114022787B (zh) | 一种基于大尺度遥感图像机库识别方法 | |
CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
CN110443259B (zh) | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
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 |