一种基于特征凸显的春冬耕地检测方法技术

一种基于特征凸显的春冬耕地检测方法，包括以下步骤：步骤1：数据集制作，将全色影像和多光谱影像进行融合，对耕地进行标记生成训练标签，然后将影像进行裁剪并进行预处理作为训练集；步骤2：构建优化残差特征提取模型，对训练集图片进行特征提取，并生成特征图；步骤3：将生成的特征图作输入特征凸显模块，提取不同尺度大小的特征图，将获取到的特征元素赋予不同的权值特征，突出样本特征信息，并进行学习生成识别模型；步骤4：裁剪验证集图片，放入识别模型中进行识别。步骤5：生成识别结果掩膜，得到分割结果。本发明专利技术的目的是为了解决春冬季节耕地地物与其他地物之间像素相似，导致难以与其他地物分割的问题，而提出的一种鲁棒的，通过无人机影像进行耕地分割的方法。通过无人机影像进行耕地分割的方法。通过无人机影像进行耕地分割的方法。

【技术实现步骤摘要】
一种基于特征凸显的春冬耕地检测方法


[0001]本专利技术涉及遥感影像中语义分割的
，尤其涉及一种对春冬耕地的分割方法。

技术介绍

[0002]地物提取在土地管理，资源规划，农业产收评估、环境保护等方面有着重要的作用。过去多采用是基于像元的方法来提取遥感地物，例如将随机森林、k近邻算法、贝叶斯模型等方法应用到地物分类中，其本质是依照遥感影像中的像素值及多特征信息来区分不同类型的地物，此类方法需要大量的人力标记来获取地物的样本特征，且特征大多表征程度不足，直接导致分割效果不理想，因此，此类方法实用性较差。近年来，许多研究者将深度学习应用到遥感影像地物分割中，实现高精度的地物分割。
[0003]在现有技术中一种基于深度学习的耕地变化检测技术的论文尝试使用卷积神经网络在遥感影像中进行特征提取并进行分析，本专利技术与之不同的地方在于本专利技术针对春冬季节的耕地难以分割做了处理，能够更加精确的提取春冬季节的耕地，避免错分。
[0004]本专利技术主要研究春冬季节下耕地与其他地物之间的像素比较相似，且耕地形状变化较大，目标较小，遥感影像背景复杂情况，网络难以将神经元的权值集中在所需提取的地物类别中，因而导致耕地识别结果存在错分误分。
[0005]针对上述情况，本专利技术提供了一种基于特征凸显的耕地分割算法，以提高耕地分割的精度。

技术实现思路

[0006]本专利技术的目的是为了解决春冬季节耕地地物与其他地物之间像素相似，导致难以与其他地物分割的问题，而提出的一种鲁棒的，通过无人机影像进行耕地分割的方法。
[0007]一种基于特征凸显的春冬耕地提取方法，包括以下步骤：
[0008]步骤1：数据集制作，将全色影像和多光谱影像进行融合，对耕地进行标记生成训练标签，然后将影像进行裁剪并进行预处理作为训练集；
[0009]步骤2：构建优化残差特征提取模型，对训练集图片进行特征提取，并生成特征图；
[0010]步骤3：构建特征凸显模块，将生成的特征图作输入特征凸显模块，提取不同尺度大小的特征图，将获取到的特征元素赋予不同的权值特征，突出样本特征信息。
[0011]步骤4：裁剪验证集图片，放入识别模型中进行识别。
[0012]步骤5：生成识别结果掩膜，得到分割结果。
[0013]在步骤2中，构建优化残差特征提取模型，具体采用以下步骤：
[0014]1)：首先构建残差模型，残差模型通过在迭代过程中建立恒等映射关系来防止梯度弥散的情况，能够提高网络训练的精度，加快训练速度，假设神经网络l层的输入为x
l
,在激活函数为恒等映射的条件下其公式为：
[0015]x
l
＝F(x
l
,w
l
)+x
l
[0016]其中F(x,w)为残差函数，w
l
为权值函数。通过不断堆叠残差块传递网络特征信息系值，其任意层L输出与l层表达式为：
[0017][0018]其中x
L
表示任意L层的输出。
[0019]2):对残差模型进行优化，在进入激活函数前加入BN层，使模型更具有正则化能力。
[0020]在步骤3中，特征凸显模块的构建过程如下：
[0021]1)首先构建主干分支，主干分支可以划分为X个板块，每个板块由特征提取层和池化层组成，池化层在特征提取层后。特征提取层由大小为w*w的卷积核组成；
[0022]2)构建掩膜分支，掩膜分支由X个下采样层和Y个上采样层组成，下采样层和上采样层为一对对称的u*u池化层，特征图输入掩膜分支后先经过u1*u1的下采样层，接着输入u2*u2的下采样层，达到最低分辨率后输入进u2*u2的上采样层，最后经过 u1*u1的上采样层将特征放大回到输入大小，保证输入输出大小一致。掩膜分支最终输出特征图为M(x)；
[0023]3)特征凸显模块最终输出的特征图为主干分支和掩膜分支融合的特征图，可用公式表达为：
[0024]H(x)＝M(x)*T(x)
[0025]其中H(x)表示主干分支和掩膜分支融合的特征图，M(x)为掩膜分支输出的特征图， T(x)为主干分支输出的特征图；
[0026]4)构建语义指导提取模块。
[0027]在步骤1)中，根据板块的不同组成特征提取层的卷积核大小也随之改变，例如板块一中的特征提取层使用m个卷积核，输出通道数为b，板块二中则使用2m个卷积核,输出通道数为2b，以此类推直到板块X。经过特征提取层处理后的特征图，传入池化层，假设输入的h*h的特征矩阵，池化层是一个u*u的矩阵，则将h*h的输入拆分u*u的小矩阵，并取u*u中小矩阵中的最大值重新组合成为一个u*u的特征矩阵。主干分支最终输出的特征图为T(x)。
[0028]在步骤4)中，语义指导提取模块对融合特征图的同一像素点的不同通道求均值，假设输入为H*W*C的特征图H(x)，语义指导提取模块先进行一个最大池化和平均池化，得到两个H*W*1的特征图。并将这两个特征图进行拼接，最后使用激活函数 Sigmoid进行归一化操作，得到权重系数Ms(x)，最后权重系数Ms(x)和输入特征图F 相乘即可得到缩放后的新特征。本专利技术的语义指导提取模块公式可表示如下：
[0029]F
i
＝(1+Ms(x))*H(x)
[0030]其中F
i
是经过语义指导提取模块处理后的特征图，Ms(x)是权重系数，H(x)是融合特征图。
[0031]与现有技术相比，本专利技术具有如下技术效果：
[0032]1)本专利技术是基于注意力机制的语义分割模型，通过注意力机制改善了因气候季节影响，不同地物之间像素差别较小导致对不同类别的地物难以划分的问题；
[0033]2)本专利技术在识别模型的构建上，我们设计了优化残差特征提取模型，更有效的防治梯度爆炸和梯度弥散现象，并设计了特征凸显模块，更有效的获取全局信息进而调节权重比，加重对目标地物的权重，有效改善了分割网络在不同季节下，像素值差别较小，网络
难以划分地物的情况。综合以上的改进方法可以很大提升检测框架的精度。
附图说明
[0034]图1为本专利技术的流程图；
[0035]图2为本专利技术中优化残差特征提取模型结构图；
[0036]图3为本专利技术中特征凸显模块结构图；
[0037]图4为本专利技术整体网络结构图。
具体实施方式
[0038]如图1所示，一种基于融合残差注意力机制的春冬耕地提取方法，包括以下步骤：
[0039]步骤1：数据集制作，将全色影像和多光谱影像进行融合，对耕地进行标记生成训练标签，然后将影像进行裁剪并进行预处理作为训练集；
[0040]步骤2：构建优化残差特征提取模型，对训练集图片进行特征提取，并生成特征图；
[0041]步骤3：构建特征凸显模块，将生成的特征图作输入残差通道注意力模块，提取不同尺度大小的特征图，将获取到的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征凸显的春冬耕地检测方法，其特征在于，包括以下步骤：步骤1：数据集制作，将全色影像和多光谱影像进行融合，对耕地进行标记生成训练标签，然后将影像进行裁剪并进行预处理作为训练集；步骤2：构建优化残差特征提取模型，对训练集图片进行特征提取，并生成特征图；步骤3：构建特征凸显模块，将生成的特征图作输入特征凸显模块，提取不同尺度大小的特征图，将获取到的特征元素赋予不同的权值特征，突出样本特征信息；步骤4：裁剪验证集图片，放入识别模型中进行识别；步骤5：生成识别结果掩膜，得到分割结果。2.根据权利要求1所述的方法，其特征在于，在步骤2中，构建优化残差特征提取模型，具体采用以下步骤：1)：首先构建残差模型，残差模型通过在迭代过程中建立恒等映射关系来防止梯度弥散的情况，能够提高网络训练的精度，加快训练速度，假设神经网络l层的输入为x
l
,在激活函数为恒等映射的条件下其公式为：x
l
＝F(x
l
,w
l
)+x
l
其中F(x,w)为残差函数，w
l
为权值函数，通过不断堆叠残差块传递网络特征信息系值，其任意层L输出与l层表达式为：其中x
L
表示任意L层的输出；2):对残差模型进行优化，在进入激活函数前加入BN层，使模型更具有正则化能力。3.根据权利要求1所述的方法，其特征在于，在步骤3中，特征凸显模块的构建过程如下：1)首先构建主干分支，主干分支可以划分为X个板块，每个板块由特征提取层和池化层组成，池化层在特征提取层后，特征提取层由大小为w*w的卷积核组成；2)构建掩膜分支，掩膜分支由X个下采样层和Y个上采样层组成，下采样层和上采样层为一对对称的u*u池化...

【专利技术属性】
技术研发人员：任东，田晓燃，刘璇，向野，
申请(专利权)人：三峡大学，
类型：发明
国别省市：