基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法技术

本发明专利技术公开了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，主要包括组织高分辨率遥感影像甘蔗地样本库、清洗甘蔗地样本库获得数据集文件、通过深度卷积神经网络算法对甘蔗数据集文件训练计算获得甘蔗模型参数、导入甘蔗模型文件对高分辨率遥感影像进行地物识别、提取甘蔗地范围并导出。本发明专利技术能够辅助糖料蔗生产、管理部门及企业，对高分辨率遥感影像进行快速检索，识别甘蔗种植区，为糖料蔗种植区域划定、糖料蔗估产提供可靠的参考。

Sugarcane Extraction from High Resolution Remote Sensing Satellite Images Based on Depth Neural Network

【技术实现步骤摘要】
基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法
本专利技术属于遥感信息提取
，具体涉及了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法。
技术介绍
机器学习通过分析大量数据进行学习，寻找数据中的特征模式并进行预测，数据丰富度的提升和数据量的积累可以不断提高其预测准确性，且在应对复杂情况的数据具有较强的学习能力和包容性。其中，深度学习作为近几年机器学习领域中的一个重要研究内容，已在图像识别、智能搜索、语言处理、智能控制等领域发挥了巨大作用。随着国产卫星的不断发展，高分辨率遥感卫星影像资源愈加丰富，对于海量、多源的高分辨率遥感卫星影像的快速处理和目标要素的准确提取成为了又一亟待解决的技术难题。在高分辨率遥感影像解译中，甘蔗易与同时期其他作物混淆，人工目视解译准确率低。甘蔗作为一种特色农作物，是南方地区糖业生产的主要原料。糖料蔗的种植面积和亩产量会直接影响地区本年度的产糖量。目前划定糖料蔗种植区域的主要方式是野外测量核查，工作量大、效率低下，目前尚无一种自动化识别甘蔗地的方法。为了推进糖业信息化、精准化管理，政府和涉糖企业需要以智能化技术方式方法，通过信息采集、核实、传输、处理、汇总、分析、应用，满足行业管理部门、企业、农户、合作社、社会组织等对涉糖涉蔗（生产、经营、市场）数据的即时性、动态性、精准性、安全性等信息服务需求，开展糖业全产业链各环节精准化管理，服务糖业发展，推动糖业二次创业，充分利用地理信息支持服务全区糖业精准化管理，实现糖业转型升级、节本增效。
技术实现思路
本专利技术的目的在于针对现有技术中存在的不足，提供了一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法。该方法能够从高分辨率遥感卫星影像中快速提取甘蔗种植区域，识别效率高。为了实现上述目的，本专利技术采用了以下技术方案：一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，包括以下步骤：步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。本专利技术的优点：1.本专利技术能够辅助政府部门及涉糖企业对区域糖料蔗种植面积进行估算，实现糖业转型升级、节本增效。2.本专利技术充分利用图像卷积的优势，降低了季节、光照变化、卫星传感器差异对甘蔗地识别的影响，提高了抗干扰能力，识别准确率高，误识别率低。附图说明图1是本专利技术一实施例应用中实现图片识别的流程图。具体实施方式下面结合附图对本专利技术进一步说明。实施例1：如图1所示，一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，包括以下步骤：步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，其特征在于，包括以下步骤：步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反复求出损失值，直到损失值不再变小为止，即表示拟合，模型参数训练完成；步骤三，按照给定高分辨率遥感卫星影像，将影像数据导入上一步训练好的模型中，具体为：1）将高分辨率遥感卫星影像的图片按照512*512像素规格进行裁切；2）将裁切后的图片重新输入到步骤二中训练好的模型中，模型根据输入的影像数据进行卷积运算，得到输入图片每个像素点的概率值，最终得到的结果为4*512*512的概率矩阵；3）步骤2）的计算结果为每个像素点的概率多维的矩阵数据，这些矩阵数据为相应像素点的概率，概率值为0～1，当概率值大于0.5时，则表明相应的像素点为甘蔗，否则不是；通过行列循环迭代之后，得出图片中所有的多维的矩阵数据中是甘蔗的像素点，从而达到图片像素点分类的目的；步骤四，根据步骤三中获得的是甘蔗的像素点，导出甘蔗地范围。...

【技术特征摘要】
1.一种基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法，其特征在于，包括以下步骤：步骤一，收集大量高分辨率遥感卫星影像图片，按照影像的匀色标准对图片进行处理、编码、标记，区分甘蔗地、非甘蔗地，建立样本库，包括甘蔗样本数据集和非甘蔗样本数据集；步骤二，利用样本库进行模型训练，将甘蔗影像样本图片和标记样本图片输入甘蔗分类模型中，甘蔗分类模型多多层卷积网络组成，输入的甘蔗遥感影像样本的大小为512像素*512像素，像素的值在0～255范围内，影像的图像通道为4个，输入的矩阵形状为4*512*512，输入的图像经过多层卷积计算后得到一个多维的矩阵数据，并将这个多维的矩阵数据与标记样本进行差值计算，求出预测的损失值，将求出的损失值反向传播回每一层卷积网络中，更新卷积网络中的计算参数，重复上述操作，反...

【专利技术属性】
技术研发人员：贺雨晴，丘小春，朱明，秦绍峰，何永宁，吴博，廖珊珊，
申请(专利权)人：广西壮族自治区基础地理信息中心，
类型：发明
国别省市：广西,45