一种基于生成对抗网络的农田轮廓检测方法和装置制造方法及图纸

本发明专利技术提供了一种基于生成对抗网络的农田轮廓检测方法和装置，涉及图像处理的技术领域，包括：获取样本遥感影像，对样本遥感影像中的目标像素进行标注，得到目标遥感影像；利用目标遥感影像，对生成对抗网络模型进行训练，得到目标生成对抗网络模型；在获取到待检测遥感影像之后，将待检测遥感影像输入目标生成对抗网络模型，得到初始农田轮廓检测结果；利用分水岭变换算法，对待检测遥感影像进行处理，得到待检测遥感影像的图像边界强度结果；基于初始农田轮廓检测结果和图像边界强度结果，确定出目标农田轮廓检测结果，解决了现有的农田轮廓检测方法的检测效率和准确度较低的技术问题。问题。问题。

【技术实现步骤摘要】
一种基于生成对抗网络的农田轮廓检测方法和装置


[0001]本专利技术涉及图像处理的
，尤其是涉及一种基于生成对抗网络的农田轮廓检测方法和装置。

技术介绍

[0002]近年来，深度学习网络被广泛应用于农田轮廓检测任务中，与其他方法相比，深度学习方法可以更好地基于空间信息在不同层次学习和提取上下文特征。然而，包括全卷积神经网络在内的深度学习模型在理论上需要大量的训练样本来学习一般模型，而这一问题会对分类结果产生不良影响。在遥感领域，由于训练图像信息量大、地理信息丰富，尤其是轮廓线信息，对所有训练图像进行标记既不实际又费时。
[0003]在相关专利和论文中，农田轮廓检测一般只使用卷积神经网络进行图像分割，该方法需要大量高质量的训练样本，因此在样本有限的情况下，卷积神经网络的效果并不理想。
[0004]针对上述问题，还未提出有效的解决方案。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于生成对抗网络的农田轮廓检测方法和装置，以缓解了现有的农田轮廓检测方法的检测效率和准确度较低的技术问题。...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的农田轮廓检测方法，其特征在于，包括：获取样本遥感影像，对所述样本遥感影像中的目标像素进行标注，得到目标遥感影像，其中，所述目标像素为所述样本遥感影像中表征农田轮廓的像素；利用所述目标遥感影像，对生成对抗网络模型进行训练，得到目标生成对抗网络模型；在获取到待检测遥感影像之后，将所述待检测遥感影像输入所述目标生成对抗网络模型，得到初始农田轮廓检测结果，其中，所述初始农田轮廓检测结果用于区分所述待检测遥感影像中的农田轮廓和地面真相；利用分水岭变换算法，对所述待检测遥感影像进行处理，得到所述待检测遥感影像的图像边界强度结果；基于所述初始农田轮廓检测结果和所述图像边界强度结果，确定出目标农田轮廓检测结果。2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络模型包括：生成器和判别器，利用所述目标遥感影像，对生成对抗网络模型进行训练，得到目标生成对抗网络模型，包括：第一输入步骤，将所述目标遥感影像输入所述生成器，得到所述目标遥感影像的边缘信息；第二输入步骤，将所述边缘信息输入所述判别器，得到子农田轮廓检测结果；计算步骤，基于所述边缘信息、所述子农田轮廓检测结果和预设损失函数，计算出所述生成器和所述判别器之间的对抗性损失；若所述对抗性损失未收敛于预设范围，则基于所述对抗性损失对所述生成器和所述判别器进行更新，得到中间生成器和中间判别器，将所述中间生成器确定为所述生成器，以及将所述中间判别器确定为所述判别器，重复执行所述第一输入步骤、所述第二输入步骤和所述计算步骤，直到所述对抗性损失收敛于所述预设范围，基于所述对抗性损失收敛于所述预设范围时对应的中间生成器和中间判别器构建所述目标生成对抗网络模型。3.根据权利要求1所述的方法，其特征在于，利用分水岭变换算法，对所述待检测遥感影像进行处理，得到所述待检测遥感影像的图像边界强度结果，包括：利用所述分水岭变换算法，对所述待检测遥感影像中的像素进行分类，得到分类结果；将所述分类结果确定为所述待检测遥感影像的图像边界强度结果。4.根据权利要求1所述的方法，其特征在于，基于所述初始农田轮廓检测结果和所述图像边界强度结果，确定出目标农田轮廓检测结果，包括：联结所述初始农田轮廓检测结果中的农田轮廓，得到第一子检测结果；连通所述图像边界强度结果中灰度值最大的像素点，得到第二子检测结果；将所述第一子检测结果和所述第二子检测结果，确定为所述目标农田轮廓检测结果。5.一种基于生成对抗网络的农田轮廓检测装置，其特征在于，包括：获取单元，训练单元，输入单元，第一处理单元和第二处理单元，其中，所述获取单元，用于获取样本遥感影像...

【专利技术属性】
技术研发人员：颜秋宇，王宇翔，余永安，胡辉，
申请(专利权)人：航天宏图信息技术股份有限公司，
类型：发明
国别省市：