CN117636160A - 一种基于半监督学习的高分遥感耕地地块自动更新方法 - Google Patents

一种基于半监督学习的高分遥感耕地地块自动更新方法 Download PDF

Info

Publication number
CN117636160A
CN117636160A CN202311528976.1A CN202311528976A CN117636160A CN 117636160 A CN117636160 A CN 117636160A CN 202311528976 A CN202311528976 A CN 202311528976A CN 117636160 A CN117636160 A CN 117636160A
Authority
CN
China
Prior art keywords
sample
vector
cultivated land
information
remote sensing
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
Application number
CN202311528976.1A
Other languages
English (en)
Inventor
夏列钢
张宇鑫
项剑元
程宇滨
胡轩铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202311528976.1A priority Critical patent/CN117636160A/zh
Publication of CN117636160A publication Critical patent/CN117636160A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于半监督学习的高分遥感耕地地块自动更新方法，包括：准备语义分割阶段的数据和模型；制作语义分割样本A；使用模型训练样本，得到耕地语义分割信息提取模型，再处理T2时相灰度图；添加无监督样本迭代并更新样本；不断的调整样本迭代训练获取最终语义分割结果；确定用于耕地变化检测阶段的目标区域和无标记样本B；挑选变化检测模型并训练和获取耕地变化结果；增加监督信息样本进行迭代并更新样本；根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内；获取变化检测结果的矢量；更新T2时相矢量文件。本发明提升耕地的提取效率和准确率，解决了耕地地块更新较难的问题。

Description

一种基于半监督学习的高分遥感耕地地块自动更新方法
技术领域
本发明提出一种基于半监督学习的高分遥感耕地地块自动更新方法，总的来说涉及语义分割、图像处理、变化检测、矢量文件处理和半监督学习等领域。
背景技术
耕地资源是农业农村发展的必要条件，由于自然地理环境差异较大，耕地类型因地而异，即使是同一地区的耕地区域随着时间的演变也会有所差异，精准获取耕地地块分布及其变化更新成为制约农业统计、规划等应用重要数据挑战。相比于中低分辨率遥感卫星难以探测小尺度耕作区，高分辨率影像更有助于对耕地信息的监测。通过手工绘制的方法从高分遥感影像中描绘农业耕地地块，虽然描绘的结果是准确的，但是不仅耗时而且需要花费大量的人力。
随着深度学习等机器学习方法的发展，耕地提取与分类任务较多采用监督分类、语义分割等方法。A.García-Pedrero提出的方法是基于高分辨率遥感影像基础之上，结合了超像素和监督分类，从而将分割问题转化为机器学习问题。Rieke.C等人通过深度学习实例分割，从卫星图像中描绘农田地块，并证明了深度学习方法的有效性。Liu hao等人我们提出了一种面向等值线的方法，该方法使用RCF网络从高分辨率遥感图像中提取农田，制作了威宁县部分地区的农田专题图，生产率比完全手工制作提高了5倍。在本发明中我们采用深度学习的方式选取合适的语义分割模型对高分辨率遥感影像进行提取研究，通过少量的人工标注样本，对模型进行迭代训练提取出更加精确的耕地语义信息。然而，针对耕地地块更新需求，新时相影像的提取结果往往与前期矢量难以吻合，特别是耕地对象的边缘往往只能通过不规则且狭窄的田埂予以辨析，起伏不定的细碎耕地其边缘细节更为模糊。为了保证多期地块矢量的延续性，提高未变化地块矢量的稳定性，本发明提出结合变化检测的方法来支撑最终的地块矢量更新任务。
目前国内外学者对遥感影像变化检测的研究众多，传统的多时相遥感变化检测多是以人工的方式在影像上逐区域查找和比对，该方法存在费时、耗力、低效等问题。Jaturapitpornchai等人提出了一种基于U-Net的变化检测网络和Huiwei Jiang,XiangyunHu等人提出了基于特征金字塔的双重注意力孪生网络都是依赖于有标记的变化检测，检测出来的准确率较高，但是样本基本上都是通过人工标注的形式实现，由于发生变化的耕地在全图中所占的比例一般都远小于未发生变化的区域，需要耗费大量的时间和精力来进行样本的标注。本发明中提出的半监督变化检测只需要少量的耕地样本，再结合语义分割制作出大量的无标记的样本数据集，不但改进耕地变化检测精度，也提升地块矢量更新效果。
发明内容
本发明要克服现有技术的上述技术问题，提供基于半监督学习的高分遥感耕地地块自动更新方法。
本发明尝试使用不断的迭代训练来提高语义分割模型在耕地地块提取效果，同时又能制作出大量的无标记耕地地块的变化检测样本，解决耕地地块样本空缺的问题，由于深度语义分割模型在抽象学习图像高层级语义特征时容易丢失大量的空间细节信息，使得耕地对象的边缘细节缺失情况严重，并且单从语义分割结果中难以精确识别遥感影像中的耕地动态变化信息，所以再使用变化检测模型对同一地区不同时相的高分辨率遥感影像进行耕地地块的变化预测，得到误差允许范围内的变化检测的结果以后，再把已有的数据和变化检测的结果进行对比得到新的耕地地块数据，达到高分遥感耕地地块自动更新的目的。
为实现上述目的，本发明的一种基于半监督学习的高分遥感耕地地块自动更新方法，包括如下步骤：
步骤1：准备语义分割阶段的数据和模型；数据包括T1、T2双时相高分遥感影像和T1时相对应的矢量数据。挑选出适用于耕地语义信息提取任务的模型。
步骤1.1：准备T1、T2双时相高分遥感影像和T1时相对应的矢量数据。高分遥感影像是采用具有可见光-近红外传感器的光学卫星遥感数据或搭载一般光学相机的航空遥感数据，根据分辨率要求可直接使用多光谱影像或融合全色影像。矢量数据中包含有T1影像的地块范围信息。
步骤1.2：准备语义分割模型；挑选出适用于耕地语义信息提取任务的模型。
步骤2：制作语义分割样本A；在T1时相高分遥感影像中选取典型的耕地区域并做出标记，再把T1矢量进行二值化，裁剪影像和二值化矢量做语义分割训练样本。
步骤2.1：选取遥感影像中典型的耕地区域作出标记，选取出中心点，然后生成.shp1文件。
步骤2.2：T1矢量进行二值化；把矢量文件做灰度图处理，然后再根据阈值将灰度图转化为二值图。
步骤2.3：把T1时相影像以及T1矢量二值图以.shp1文件中的中心点为中心，裁剪生成范围一致大小相同的典型耕地样本，作为样本集A。
步骤3：使用模型训练样本，得到耕地语义分割信息提取模型。然后对T2时相遥感影像进行耕地信息预测，得到含有耕地信息的灰度图，再处理T2时相灰度图。
步骤3.1：选择合适的参数，把样本A放入语义分割模型中训练，得到耕地分类语义分割信息提取模型。
步骤3.2：通过3.1中训练好的模型，对T2时相遥感影像进行耕地信息预测，得到含有耕地信息的灰度图。
步骤3.3：通过阈值的筛选减少由于错误划分为耕地的区域,然后进行处理为二值图。
步骤4：添加无监督样本迭代并更新样本。无监督样本是从预测出的含有T2时相灰度图中，挑选出和T1时相耕地地块一致的区域进行裁剪，得到无监督样本A1。样本更新是通过把样本A1添加进入样本A，得到新的训练样本。
步骤4.1：无监督样本A1的制作；把整个T1时相的矢量文件进行二值化，然后处理过的T2时相矢量的二值图相比，挑选出耕地地块一致的区域(即没有任何变化的区域)。选取若干个点都导出到一个.shp2的文件中，再以.shp2文件中的点为中心裁剪出范围一致大小相同的无标记影像作为新的样本A1。
步骤4.2：由于耕地范围的变化，双时相遥感影像中耕地信息也会有所变化，就存在部分在T1影像中是耕地的区域，但是在T2影像中已经不是耕地，在模型训练和预测的过程中会造成T2耕地语义信息结果的误差，而且基础样本A是以T1时相的典型耕地为基准选取的，所以就需要把这些语义信息不一致的区域从原本的样本A中剔除。把步骤4.1中制作出的新的样本A1添加进入已有的样本A中，进行再次训练。
步骤5：不断的调整样本迭代训练获取最终语义分割结果。在每一次预测结束都对预测结果进行误差分析，直到得到预设的T2时相遥感影像的耕地语义分割结果。由于T2时相的语义分割结果不能支持地块更新的任务。所以需要再做进一步的变化检测来最终的任务做支撑。
步骤6：确定用于耕地变化检测阶段的目标区域和无标记样本B。目标区域和语义分割阶段区域一致。无标记样本B是通过含有T1、T2时相耕地语义信息的二值图做差值处理得到。
步骤6.1：差值处理方法如下：使用OpenCV中提供的cv2.absdiff()函数，该算法可以比较两个相邻图像的差异从而计算出两个图像之间的差别并输出差别图。函数原型为:。在对比两张图像的时候，两张图像的大小应该一致，确保在传入src1、src2参数时，图像大小相同。函数的返回值为输出差异图像，如果指定了dst，则返回None。同时说明，输出差异图像的通道数与输入图片的通道数相同。
步骤7：挑选变化检测模型并训练和获取耕地变化结果；选择合适的参数使用网络模型训练样本B获得变化检测模型，根据训练好的模型输入两期遥感影像数据进行耕地变化信息预测，得到含有耕地变化信息的灰度图。
步骤7.1：把步骤6中制作的样本集B输入到模型中进行训练，得到耕地变化检测模型。
步骤7.2：通过步骤7.1中训练好的变化检测模型，输入两期遥感影像数据进行耕地变化信息预测，得到含有耕地变化信息的灰度图。
步骤8：增加人工样本监督信息进行迭代并更新样本；人工样本是通过人工标记制作的样本B1。样本更新是通过把样本B1添加进入样本B，得到新的训练样本。
步骤8.1：人工标记样本制作：对比两期影像中有明显变化的区域进行标点，然后以这些点为中心分别裁剪出大小一致的遥感影像M对，把裁剪出的两期影像放进arcgis进行对比，然后绘制出变化区域的信息，得到带有耕地变化信息的矢量文件。
步骤8.2：把步骤8.1中获得到的矢量文件二值化，得到有监督的变化检测数据集B1。把裁剪出的M对遥感影像和与之对应的二值化矢量作为有监督数据集B1，一起放进数据集B中。作为新的训练样本。
步骤9：根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内。
步骤10：获取变化检测结果的矢量；把变化检测结果进行边界提取，再根据边界线生成对应的面状矢量要素,并将其对应的变化信息写入其属性信息中,形成矢量文件C。
步骤11：更新T2时相矢量文件；把获取的含有耕地信息的T1时相矢量A和变化检测矢量C中图层不重叠的部分输出到新要素类中，形成T2时相的矢量B。
将耕地信息的矢量文件和和变化检测得出的结果作对比，筛选出T1时相矢量和矢量C共有的区域，在生成T2时相的矢量文件上去掉这一区域；T1时相没有但是矢量C上面有的区域，在生成T2时相矢量文件添加上这一区域。
假设T1时相矢量文件为集合A一共有包含i个矢量(子区域)即A＝{a1,a2,a3......an}，
假设变化检测矢量文件C为集合C一共包含j个矢量(子区域)即C＝{c1,c2,c3......cm}，并且满足/>
然后获得两个矢量文件中不重叠的部分输出矢量文件B：
矢量B为最终的2022年的耕地地块的矢量文件。
本发明提出了基于半监督学习的高分遥感耕地地块自动更新方法。本方法重点解决了以往耕地地块更新较难的问题，把语义信息引入变化检测，利用变化检测更新前期地块。不同于以往的单纯依靠人工绘制样本的方法，本发明使用T1时相的耕地生成伪样本对T2时相的耕地进行迭代提取，达到预期的耕地提取结果以后再进行变化检测，通过变化检测的结果更新T1时相的耕地矢量得到T2时相的耕地矢量，从而高效完成耕地地块的局部更新。
本发明首先采用深度学习的方式选取合适的语义分割模型对高分辨率遥感影像进行提取研究，通过少量的人工标注样本，对模型进行迭代训练提取出更加精确的耕地语义信息；针对耕地地块更新需求，新时相影像的提取结果往往与前期矢量难以吻合，特别是耕地对象的边缘往往只能通过不规则且狭窄的田埂予以辨析，起伏不定的细碎耕地其边缘细节更为模糊；为了保证多期地块矢量的延续性，提高未变化地块矢量的稳定性，本发明提出结合变化检测的方法来支撑最终的地块矢量更新任务。其次根据提取结果制作出大量的无标记样本解决了对于以往模型人工样本的依赖，进行进一步的做出地块的变化检测，通过不断的添加监督样本使变化检测的结果也更加的精确。最后通过变化检测的结果更新T1时相的耕地矢量得到T2时相的耕地矢量，从而高效完成耕地地块的局部更新。
本发明具有如下优点：
1.本发明使用半监督的方法通过迭代训练提升耕地的提取效率和准确率，重点解决了以往耕地地块更新较难的问题；
2.本发明提出了半监督变化检测只需要少量的人工耕地样本，再结合语义分割制作出大量的无标记的样本数据集，不但改进耕地变化检测的精度，也提升地块矢量更新效果。
3.本发明提出的耕地地块自动更新方法，保证了多期地块矢量的延续性，提高未变化地块矢量的稳定性，
4.把语义信息引入变化检测，通过变化检测的结果更新前期地块，能够高效的完成耕地地块的局部更新。
附图说明
图1是本发明方法的示意图；
图2为本发明的实施例中T1时相的遥感影像和T1时相矢量二值图；
图3为本发明的实施例中T2时相遥感影像和语义分割结果图；
图4为本发明的实施例中变化检测样本；
图5为本发明的实施例中变化检测人工标注样本图；
图6为本发明的实施例中变化检测结果图；
图7为本发明的实施例中T2时相耕地地块和最终生成T2时相耕地地块矢量图。
具体实施方式
下面结合附图，说明本发明的技术方案。
该示例提供了一种高分遥感耕地地块自动更新方法，本发明方法适用于不同来源下高分辨率的遥感影像的耕地地块自动更新。
图1为基于半监督学习的高分遥感耕地地块自动更新方法的示意图。
参照图1，本发明提供的实施例，一种基于半监督学习的高分遥感耕地地块自动更新方法，包括如下步骤：
步骤1：准备阶段。准备语义分割阶段的数据和模型；数据包括T1、T2双时相高分遥感影像和T1时相对应的矢量数据。挑选出适用于耕地语义信息提取任务的模型。
步骤1.1：确定本阶段的任务目标。首先要确定选取的目标地区，目标地区的不同时期的遥感影像数据和其中某一时期的矢量数据。
获取高分遥感影像和矢量数据。采用高分二号卫星采集的0.8分辨率同一地区两个不同时期的遥感影像数据，T1时相既有遥感影像(以下简称T1时相影像)，又有与之对应的耕地地块矢量数据(以下简称T1时相矢量)，T2时相影像只有遥感影像无对应的耕地地块矢量数据(以下简称T2时相影像和T2时相矢量)。
步骤1.2：挑选语义分割网络。选取的网络结构要适用于耕地语义信息提取任务的模型。
步骤2：制作语义分割样本A；在T1时相高分遥感影像中选取典型的耕地区域并做出标记，再把T1矢量进行二值化，裁剪影像和二值化矢量做语义分割训练样本。
步骤2.1：典型耕地区域选取。首先从T1时相的遥感影像中典型的耕地区域中选取若干个点，然后把所有的点都导出到一个.shp1的文件中。
步骤2.2：矢量文件的处理。把T1时相矢量文件输入到模型中，做灰度图处理，得到T1时相遥感影像的耕地语义信息图。由于从模型中提取出的耕地语义信息图是像素值从0到255的灰度图，所以需要使用OpenCV中的THRESH_BINARY根据阈值将灰度图转化为二值图。首先指定像素的灰度值的阈值，遍历图像中像素值，如果像素的灰度值大于这个阈值，则将这个像素设置为最大像素值(8位灰度值最大为255)；若像素的灰度值小于阈值，则将该像素点像素值赋值为0。公式以及示意图如下：
用binary_image(x,y)来表示地物目标在图像(x,y)处的耕地判断情况(1表示是耕地，0表示不是耕地)，可表示为：
步骤2.3：制作语义分割样本A。把.shp1文件和T1时相影像和T1时相矢量二值图分别输入到模型中，以.shp1文件中的点为中心分别裁剪出范围一致大小相同的N1个1000*1000的T1时相遥感影像和M1个对应的T1时相矢量二值图像作为样本集A；其中T1时相的某一对遥感影像和矢量二值图样本如图2所示。
步骤3：使用模型训练样本，得到耕地语义分割信息提取模型。然后对T2时相遥感影像进行耕地信息预测，得到含有耕地信息的灰度图，再处理T2时相灰度图。
步骤3.1：准备耕地信息提取模型。选择合适的参数使用网络模型训练样本获得耕地语义信息模型。
步骤3.2：将步骤2中制作的样本集A输入到模型中进行训练，得到耕地分类语义分割信息提取模型。
步骤3.3：T2时相矢量灰度图的获取。通过步骤3.2中训练好的模型，对另外一时期只有遥感影像的数据进行耕地信息预测，得到含有耕地信息的灰度图。T2时相灰度图的处理。通过阈值的筛选减少由于错误划分为耕地的区域，对得到的灰度图进行空间信息筛选，认为空间信息值大于10的为耕地，小于10的则认为不是耕地。去除碎斑点，并消除由于像素产生的锯齿效应，平滑耕地边缘。然后进行处理为二值图。
步骤4：添加无监督样本迭代。无监督样本是从预测出的含有T2时相灰度图中，挑选出和T1时相耕地地块一致的区域进行裁剪，得到无监督样本A1。样本更新是通过把样本A1添加进入样本A，得到新的训练样本。
步骤4.1：确定挑选无监督样本的范围是T2时相二值图置信度高的区域(经过阈值筛选保留的区域)以及预测出的T2中耕地语义信息和T1中一致的区域。然后在这些区域中选取若干个点都导出到一个.shp2的文件中，再以.shp2文件中的点为中心分别裁剪出范围一致大小相同的N2个1000*1000大小的无标记影像和对应的M2个T2时相的遥感影像，作为新的样本A1。
步骤4.2：样本更新。由于耕地范围的变化，双时相遥感影像中耕地信息也会有所变化，就存在部分在T1影像中是耕地的区域，但是在T2影像中已经不是耕地，在模型训练和预测的过程中会造成T2耕地语义信息结果的误差，而且基础样本A是以T1时相的典型耕地为基准选取的，所以就需要把这些语义信息不一致的区域从原本的样本A中剔除。然后把步骤4.1中制作出的新的样本A1添加进入已有的样本A中，进行再次训练。
步骤5：不断的调整样本迭代训练获取语义分割结果。在每一次预测结束都对预测结果进行误差分析，直到预测出的T2时相的耕地与T1时相的耕地相比误差在10％以内，作为最终T2时期的耕地语义分割结果，最终结果如图3所示。由于T2时相的语义分割结果不能支持地块更新的任务。所以需要再做进一步的变化检测来最终的任务做支撑。变化检测阶段主要是用于检测同一个地方的不同时期耕地信息的变化.
步骤6：准备阶段。确定本阶段的任务为耕地的变化检测，准备好用于变化检测的数据和挑选出合适的用于训练的模型。
步骤6.1：变化检测区域的选取和制作无标记样本B。确定要做变化检测的区域为语义分割部分使用的遥感影影像。影像来自高分2号卫星拍摄的0.8分辨率同一地方不同时期的遥感影像。
具体包括：典型耕地变化区域影像筛选。对比选取若干个两期遥感影像中有明显耕地变化的地区选取若干个点都导出到一个.shp3的文件中，再以.shp3文件中的点为中心分别裁剪出范围一致大小相同的T1时相和T2时相遥感影像K1对和T1时相和T2时相二值图影像K2对，变化检测影像如图4左一左二所示。遥感影像和二值图影像的大小均为1024*1024.
步骤6.2：无标记样本制作。把步骤6.1裁剪好的双时相二值图影像做差值处理(如图4右1)，得到含有耕地变化信息的二值图样本集B。
差值处理方法如下：使用OpenCV中提供的一个函数cv2.absdiff()，比较两个相邻图像的差异从而计算出两个图像之间的差别并输出差别图。
函数原型为:cv2.absdiff(src1,src2,[dst])。在对比两张图片的时候，两张图片的大小应该一致，确保在传入src1、src2参数时，图像大小相同。函数的返回值为输出差异图像，如果指定了dst，则返回None。同时说明，输出差异图像的通道数与输入图片的通道数相同。
步骤7：挑选变化检测网络。选取的网络结构要适用于任务目标的训练。
步骤7.1：准备预训练模型。选择合适的参数使用网络模型训练样本获得变化检测模型。
具体包括：变化检测模型训练。在NVIDIA RTX 3090GPU上进行，实验中各参数保持一致，batch_size＝4，迭代训练300Eopchs，学习率为0.0001，根据epoch线性衰减，优化器为AdamW，其bcta值等于(0.9，0.999)，权重衰减等于0.01。按照设置的模型参数，将变化检测阶段步骤6.2中制作的样本集B输入到模型中进行训练，得到耕地变化检测模型。
步骤7.2：耕地变化结果获取。通过步骤7.1中训练好的模型，输入两期遥感影像数据进行耕地变化信息预测，得到含有耕地变化信息的灰度图。
步骤8：增加人工样本监督信息进行迭代。通过无标记样本预测出的变化区域并没有能够做到完整的预测出大部分的耕地变化信息，所以添加进一些带有人工标记的样本以增强实验结果。
步骤8.1：人工标记样本制作。对比两期影像中有明显变化的区域进行标点，然后以这些点为中心分别裁剪出大小一致的遥感影像M对，把裁剪出的两期影像放进arcgis进行对比，然后绘制出变化区域的信息，得到带有耕地变化信息的矢量文件。
步骤8.2：矢量文件二值化。把步骤8.1中获得到的矢量文件二值化，如图5所示，得到有监督的变化检测数据集B1。
步骤8.3：数据集整合。把裁剪出的M对遥感影像和二值化矢量作为有监督数据集B1，一起放进数据集B中。
步骤9：根据预测出变化耕地的结果，分开多次增加监督样本，直到得到耕地变化区域误差在5％以内。最终变化检测结果图如图6所示。
地块矢量更新目的是为了获得同一地方不同时期的耕地矢量文件。由于有了前期两个步骤的工作准备，所以可以结合前两个步骤来实现最终的矢量文件更新的目的。确定最终任务为实现耕地地块矢量自动更新。首先要确定选取的目标地区，目标地区的不同时期的遥感影像数据和其中一时期的矢量数据。
步骤10：变化检测结果矢量化。将变化检测阶段得出的结果进行边界提取，再根据边界线生成对应的面状矢量要素,并将其对应的变化信息写入其属性信息中,形成矢量文件C。
步骤11：T2时相矢量文件的获取。把获取的含有耕地信息的T1时相矢量A和变化检测矢量C中图层不重叠的部分输出到新要素类中，形成T2时相的矢量B。
将T1时相的耕地信息的矢量文件和和变化检测得出的结果作对比，筛选出T1时相矢量和矢量C共有的区域，在生成T2时相的矢量文件上去掉这一区域；T1时相没有但是矢量C上面有的区域，在生成T2时相矢量文件添加上这一区域。假设T1时相矢量文件为集合A一共有包含i个矢量(子区域)即A＝{a1,a2,a3......an}，
假设变化检测矢量文件C为集合C一共包含j个矢量(子区域)即C＝{c1,c2,c3......cm}，
并且满足
然后获得两个矢量文件中不重叠的部分输出矢量文件B：
矢量B为最终的T2时相的耕地地块的矢量文件，如图7中T2时相矢量图(右)所示。

Claims (10)

1.一种基于半监督学习的高分遥感耕地地块自动更新方法，包括如下步骤：
步骤1：准备语义分割阶段的数据和模型；数据包括T1、T2双时相高分遥感影像和T1时相对应的矢量数据；挑选出适用于耕地语义信息提取任务的模型；
步骤1.1：准备T1、T2双时相高分遥感影像和T1时相对应的矢量数据；高分遥感影像是采用具有可见光-近红外传感器的光学卫星遥感数据或搭载一般光学相机的航空遥感数据，根据分辨率要求可直接使用多光谱影像或融合全色影像；矢量数据中包含有T1影像的地块范围信息；
步骤1.2：准备语义分割模型；挑选出适用于耕地语义信息提取任务的模型；
步骤2：制作语义分割样本A；在T1时相高分遥感影像中选取典型的耕地区域并做出标记，再把T1矢量进行二值化，裁剪影像和二值化矢量做语义分割训练样本；
步骤2.1：选取遥感影像中典型的耕地区域作出标记，选取出中心点，然后生成.shp1文件；
步骤2.2：T1矢量进行二值化；把矢量文件做灰度图处理，然后再根据阈值将灰度图转化为二值图；
步骤2.3：把T1时相影像以及T1矢量二值图以.shp1文件中的中心点为中心，裁剪生成范围一致大小相同的典型耕地样本，作为样本集A；
步骤3：使用模型训练样本，得到耕地语义分割信息提取模型；然后对T2时相遥感影像进行耕地信息预测，得到含有耕地信息的灰度图，再处理T2时相灰度图；
步骤3.1：选择合适的参数，把样本A放入语义分割模型中训练，得到耕地分类语义分割信息提取模型；
步骤3.2：通过3.1中训练好的模型，对T2时相遥感影像进行耕地信息预测，得到含有耕地信息的灰度图.
步骤3.3：通过阈值的筛选减少由于错误划分为耕地的区域,然后进行处理为二值图；
步骤4：添加无监督样本迭代并更新样本；无监督样本是从预测出的含有T2时相灰度图中，挑选出和T1时相耕地地块一致的区域进行裁剪，得到无监督样本A1；样本更新是通过把样本A1添加进入样本A，得到新的训练样本；
步骤4.1：无监督样本A1的制作；把整个T1时相的矢量文件进行二值化，然后处理过的T2时相矢量的二值图相比，挑选出耕地地块一致的区域(即没有任何变化的区域)；选取若干个点都导出到一个.shp2的文件中，再以.shp2文件中的点为中心裁剪出范围一致大小相同的无标记影像作为新的样本A1；
步骤4.2：由于耕地范围的变化，双时相遥感影像中耕地信息也会有所变化，就存在部分在T1影像中是耕地的区域，但是在T2影像中已经不是耕地，在模型训练和预测的过程中会造成T2耕地语义信息结果的误差，而且基础样本A是以T1时相的典型耕地为基准选取的，所以就需要把这些语义信息不一致的区域从原本的样本A中剔除；把步骤4.1中制作出的新的样本A1添加进入已有的样本A中，进行再次训练；
步骤5：不断的调整样本迭代训练获取最终语义分割结果；在每一次预测结束都对预测结果进行误差分析，直到得到预设的T2时相遥感影像的耕地语义分割结果；
步骤6：确定用于耕地变化检测阶段的目标区域和无标记样本B；目标区域和语义分割阶段区域一致；无标记样本B是通过含有T1、T2时相耕地语义信息的二值图做差值处理得到；
步骤7：挑选变化检测模型并训练和获取耕地变化结果；选择合适的参数使用网络模型训练样本B获得变化检测模型，根据训练好的模型输入两期遥感影像数据进行耕地变化信息预测，得到含有耕地变化信息的灰度图；
步骤7.1：把步骤6中制作的样本集B输入到模型中进行训练，得到耕地变化检测模型；
步骤7.2:通过步骤7.1中训练好的变化检测模型，输入两期遥感影像数据进行耕地变化信息预测，得到含有耕地变化信息的灰度图；
步骤8：增加监督信息样本进行迭代并更新样本；监督信息样本是通过人工标记制作的样本B1；样本更新是通过把样本B1添加进入样本B，得到新的训练样本；
步骤8.1：人工标记样本制作：对比两期影像中有明显变化的区域进行标点，然后以这些点为中心分别裁剪出大小一致的遥感影像M对，把裁剪出的两期影像放进arcgis进行对比，然后绘制出变化区域的信息，得到带有耕地变化信息的矢量文件；
步骤8.2：把步骤8.1中获得到的矢量文件二值化，得到有监督的变化检测数据集B1；把裁剪出的M对遥感影像和与之对应的二值化矢量作为有监督数据集B1，一起放进数据集B中；作为新的训练样本；
步骤9：根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内；
步骤10：获取变化检测结果的矢量；把变化检测结果进行边界提取，再根据边界线生成对应的面状矢量要素,并将其对应的变化信息写入其属性信息中,形成矢量文件C；
步骤11：更新T2时相矢量文件；把获取的含有耕地信息的T1时相矢量A和变化检测矢量C中图层不重叠的部分输出到新要素类中，形成T2时相的矢量B；
将耕地信息的矢量文件和和变化检测得出的结果作对比，筛选出T1时相矢量和矢量C共有的区域，在生成T2时相的矢量文件上去掉这一区域；T1时相没有但是矢量C上面有的区域，在生成T2时相矢量文件添加上这一区域。
2.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：所述步骤3.3中，通过阈值的筛选减少由于错误划分为耕地的区域,然后进行处理为二值图，包括：预测得到的灰度图通过阈值的筛选减少由于错误划分为耕地的区域、对得到的灰度图进行空间信息筛选，认为空间信息值大于10的为耕地，小于10的则认为不是耕地；去除碎斑点，并消除由于像素产生的锯齿效应，平滑耕地边缘；然后进一步处理为二值图。
3.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：所述步骤4中，添加无监督样本迭代并更新样本，包括：无监督样本是筛选出的T1时相和T2时相耕地地块一致的区域进行裁剪，裁剪出的样本A1和样本A中的样本大小一致；样本更新是通过把样本A1添加进入样本A，得到新的训练样本。
4.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤5中，不断的调整样本迭代训练获取最终语义分割结果，包括：在每一次预测结束都对预测结果进行误差分析，如果达到预设的10％结果，则结束模型训练，如果误差依然在10％以上，则继续通过添加无监督样本使用半监督的方法进行迭代训练以减少误差。
5.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤6中，确定用于耕地变化检测阶段的目标区域和无标记样本B，包括：为了保证多期地块矢量的延续性，提高未变化地块矢量的稳定性，本发明提出结合变化检测的方法来支撑最终的地块矢量更新任务，那么用于耕地变化检测的区域和语义分割的区域一致，所以用于变化检测的无标记样本B是通过含有T1、T2时相耕地语义信息的二值图做差值处理得到。
6.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤8中，增加监督信息样本进行迭代并更新样本，包括：监督信息样本是通过人工标记的样本以增强实验结果；人工标记样本可以通过选择合适的工具对比双时相影像，然后通过人工绘制出的含有变化区域信息的矢量文件，再进行二值化得到样本集B1；样本更新是通过把样本B1添加进入样本B作为新的训练样本。
7.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤9中，根据预测出变化耕地的结果，分开多次增加监督样本训练变化检测模型，直到预测得到耕地变化区域误差在预设范围以内，包括：在每一次变化检测预测结束都对预测结果进行误差分析，如果达到预设的5％结果，则结束模型训练，如果误差依然在5％以上，则继续通过添加有监督样本进行迭代训练以减少误差。
8.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤10中，获取变化检测结果的矢量，包括：把变化检测结果进行边界提取，再根据边界线生成对应的面状矢量要素,并将其对应的变化信息写入其属性信息中,形成矢量文件C。
9.根据权利要求1中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：步骤11中，更新T2时相矢量文件，包括：把获取的含有耕地信息的T1时相矢量A和变化检测矢量C中图层不重叠的部分输出到新要素类中，形成T2时相的矢量B。
10.根据权利要求9中一种基于半监督学习的高分遥感耕地地块自动更新方法，其特征在于：获取两个图层不重叠的部分输出到新要素类中，形成T2时相的矢量B，包括：将T1时相的耕地信息的矢量文件和和变化检测得出的结果作对比，筛选出T1时相矢量和矢量C共有的区域，在生成T2时相的矢量文件上去掉这一区域；T1时相矢量没有但是矢量C上面有的区域，在生成T2时相矢量文件时添加上这一区域；
假设T1时相矢量文件为集合A一共有包含i个矢量(子区域)即，A＝{a1,a2,a3......an}
假设变化检测矢量文件C为集合C一共包含j个矢量(子区域)即，C＝{c1,c2,c3......cm}，
并且满足
然后获得两个矢量文件中不重叠的部分输出矢量文件B：
矢量B为最终的T2时相的耕地地块的矢量文件。
CN202311528976.1A 2023-11-15 2023-11-15 一种基于半监督学习的高分遥感耕地地块自动更新方法 Pending CN117636160A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311528976.1A CN117636160A (zh) 2023-11-15 2023-11-15 一种基于半监督学习的高分遥感耕地地块自动更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311528976.1A CN117636160A (zh) 2023-11-15 2023-11-15 一种基于半监督学习的高分遥感耕地地块自动更新方法

Publications (1)

Publication Number Publication Date
CN117636160A true CN117636160A (zh) 2024-03-01

Family

ID=90034909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311528976.1A Pending CN117636160A (zh) 2023-11-15 2023-11-15 一种基于半监督学习的高分遥感耕地地块自动更新方法

Country Status (1)

Country Link
CN (1) CN117636160A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118334383A (zh) * 2024-06-13 2024-07-12 山东智航智能装备有限公司 一种变化检测样本更新方法及装置
CN118552856A (zh) * 2024-07-26 2024-08-27 环天智慧科技股份有限公司 一种基于多期遥感影像的耕地提取方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118334383A (zh) * 2024-06-13 2024-07-12 山东智航智能装备有限公司 一种变化检测样本更新方法及装置
CN118552856A (zh) * 2024-07-26 2024-08-27 环天智慧科技股份有限公司 一种基于多期遥感影像的耕地提取方法
CN118552856B (zh) * 2024-07-26 2024-10-01 环天智慧科技股份有限公司 一种基于多期遥感影像的耕地提取方法

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
Jasiewicz et al. Landscape similarity, retrieval, and machine mapping of physiographic units
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
Chen et al. A spectral gradient difference based approach for land cover change detection
CN103268358B (zh) 多源控制点影像数据库构建及更新方法
Li et al. Multispectral image segmentation by a multichannel watershed‐based approach
CN117636160A (zh) 一种基于半监督学习的高分遥感耕地地块自动更新方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN108053408B (zh) 一种基于遥感卫星影像的高自动化土地利用更新方法
CN108052966A (zh) 基于卷积神经网络的遥感图像场景自动提取和分类方法
CN108363951B (zh) 遥感影像地类识别对应深度学习样本库的自动获取方法
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN106844739B (zh) 一种基于神经网络协同训练的遥感图像变化信息检索方法
Yu et al. Analysis of large-scale UAV images using a multi-scale hierarchical representation
Peng et al. Object-based change detection from satellite imagery by segmentation optimization and multi-features fusion
CN112084871B (zh) 一种基于弱监督学习的高分遥感目标边界提取方法
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
Jasiewicz et al. GeoPAT: A toolbox for pattern-based information retrieval from large geospatial databases
Zheng et al. Encoding histopathological wsis using gnn for scalable diagnostically relevant regions retrieval
Poterek et al. Deep learning for automatic colorization of legacy grayscale aerial photographs
CN103309982A (zh) 一种基于视觉显著点特征的遥感影像检索方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN112329559A (zh) 一种基于深度卷积神经网络的宅基地目标检测方法
CN111611960B (zh) 一种基于多层感知神经网络大区域地表覆盖分类方法
CN113988147A (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置

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