一种基于SE-U-Net++模型的耕地地块提取方法及装置制造方法及图纸

本发明专利技术提供了一种基于SE

【技术实现步骤摘要】
一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法及装置


[0001]本专利技术主要涉及土地监测
，具体涉及到一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法及装置。

技术介绍

[0002]随着人工智能技术的发展，深度学习技术的深层网络模型中有大量的神经元，各个神经元可以相互连接，且可以改变其关联的强度，从而决定网络的功能，为高分辨率遥感图像提取耕地地块信息提供了更好的技术支持。
[0003]目前对于高分遥感影像的耕地地块提取，主要采用U
‑
Net网络分割模型进行提取，但是耕地形状、光谱特征复杂多样，采用U
‑
Net模型提取的耕地地块边界比较模糊，存在孔洞和遗漏分类的问题，提取精度低。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法，所述方法采用U
‑
Net++模型，提取图像的浅层和深层特征，并在所述U
‑
Net++模型上融入注意力机制SE模块，提高模型对不同波段的图像学习能力，提高耕地地块的提取精度。
[0005]本专利技术提供了一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法，所述提取方法包括：
[0006]采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像；
[0007]将预处理后的高分遥感影像进行标签化处理，获得标签图像；
[0008]将所述标签图像进行分割，获得切片图像集；
[0009]将所述切片图像集进行数据增强处理，获得增强数据集；
[0010]将所述增强数据集输入到训练好的SE
‑
U
‑
Net++模型进行耕地地块提取，获得耕地地块提取结果。
[0011]进一步的，所述采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像，包括：
[0012]采集高分遥感影像，提取所述高分遥感影像的多光谱影像和全色影像，将所述多光谱影像依次进行辐射定标，大气校正和正射校正的预处理操作，获得预处理后的多光谱影像；
[0013]将所述全色影像进行辐射定标和正射校正的预处理操作，获得预处理后的全色影像。
[0014]所述采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像，还包括：
[0015]将所述预处理后的多光谱影像和所述预处理后的全色影像进行地理配准，并将地理配准后的多光谱影像和地理配准后的全色影像进行融合，获得预处理后的高分遥感影像。
[0016]进一步的，所述将预处理后的高分遥感影像进行标签化处理，获得标签图像，包括：
[0017]通过目测解译勾绘所述预处理后的高分遥感影像的耕地图斑，得到矢量标签图像，将所述矢量标签图像转化为栅格标签图像，获得标签图像。
[0018]进一步的，所述将标签图像进行分割，获得切片图像集，包括：
[0019]构建一个预设大小的正方形裁剪框，基于所述正方形裁剪框在所述标签图像上从左往右依次分割，将所述标签图像分割为若干个切片图像，获得切片图像集。
[0020]进一步的，所述将切片图像集进行数据增强处理，获得增强数据集，包括：
[0021]将所述切片图像集进行图像翻转处理扩充，获得扩充切片图像集，所述图像翻转处理包括水平翻转、竖直翻转、对角翻转和随机翻转；
[0022]将所述扩充切片图像集进行滤波数据增强处理，获得增强数据集。
[0023]所述训练好的SE
‑
U
‑
Net++模型的训练方法为：
[0024]选取耕地地块历史数据，通过分析处理将历史数据划分为训练集和测试集；
[0025]将训练集输入到SE
‑
U
‑
Net++模型进行二元交叉熵损失值的迭代训练，当所述训练集的二元交叉熵损失值收敛时，获得训练后的SE
‑
U
‑
Net++模型；
[0026]将测试集输入训练后的SE
‑
U
‑
Net++模型进行精度测试，获得训练好的SE
‑
U
‑
Net++模型。
[0027]进一步的：所述将训练集输入到SE
‑
U
‑
Net++模型进行训练，并通过验证集进行验证，获得验证后的SE
‑
U
‑
Net++模型，包括：
[0028]在所述训练集中随机选取一组图像，以矩阵形式输入所述SE
‑
U
‑
Net++模型进行耕地地块提取，将提取结果进行二元交叉熵损失值的迭代计算，当所述训练集的二元交叉熵损失值的迭代计算结果收敛，获得训练后的SE
‑
U
‑
Net++模型。
[0029]进一步的，所述二元交叉熵损失值的计算公式为：
[0030][0031]其中，Loss
BCE
为当前轮次训练后的二元交叉熵损失值，为耕地地块提取结果，为训练集图像标签，w为切片数据的宽度，h为切片数据的高度，c
L
为影像标签对中标签的通道数。
[0032]本专利技术还提供了一种基于SE
‑
U
‑
Net++模型的耕地地块提取装置，所述装置包括：
[0033]预处理模块：采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像；
[0034]标记模块：将预处理后的高分遥感影像进行标签化处理，获得标签图像；
[0035]切片模块：将所述标签图像进行分割，获得切片图像集；
[0036]数据增强模块：将所述切片图像集进行数据增强处理，获得增强数据集；
[0037]运算模块：将所述增强数据集输入到训练好的SE
‑
U
‑
Net++模型进行耕地地块提取，获得耕地地块提取结果。
[0038]本专利技术提供了一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法及装置，所述方法采用U
‑
Net++网络模型提取图像的浅层特征和深层特征，在U
‑
Net++模型基础上，增加了SE注
意力机制模块，强化不同类别的地物特征，提高耕地地块的提取精度。
附图说明
[0039]为了更清楚地说明本专利技术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，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，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它的附图。
[0040]图1为本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SE
‑
U
‑
Net++模型的耕地地块提取方法，其特征在于，所述提取方法包括：采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像；将预处理后的高分遥感影像进行标签化处理，获得标签图像；将所述标签图像进行分割，获得切片图像集；将所述切片图像集进行数据增强处理，获得增强数据集；将所述增强数据集输入到训练好的SE
‑
U
‑
Net++模型进行耕地地块提取处理，获得耕地地块提取结果。2.如权利要求1所述的耕地地块提取方法，其特征在于，所述采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像，包括：采集高分遥感影像，提取所述高分遥感影像的多光谱影像和全色影像，将所述多光谱影像依次进行辐射定标、大气校正和正射校正的预处理操作，获得预处理后的多光谱影像；将所述全色影像进行辐射定标和正射校正的预处理操作，获得预处理后的全色影像。3.如权利要求2所述的耕地地块提取方法，其特征在于，所述采集高分遥感影像并进行预处理，获得预处理后的高分遥感影像，还包括：将所述预处理后的多光谱影像和所述预处理后的全色影像进行地理配准，并将地理配准后的多光谱影像和地理配准后的全色影像进行融合，获得预处理后的高分遥感影像。4.如权利要求1所述的耕地地块提取方法，其特征在于，所述将预处理后的高分遥感影像进行标签化处理，获得标签图像，包括：通过目测解译勾绘所述预处理后的高分遥感影像的耕地图斑，得到矢量标签图像，将所述矢量标签图像转化为栅格标签图像，获得标签图像。5.如权利要求1所述的耕地地块提取方法，其特征在于，所述将标签图像进行分割，获得切片图像集，包括：构建一个预设大小的正方形裁剪框，基于所述正方形裁剪框在所述标签图像上从左往右依次分割，将所述标签图像分割为若干个切片图像，获得切片图像集。6.如权利要求1所述的耕地地块提取方法，其特征在于，所述将切片图像集进行数据增强处理，获得增强数据集，包括：将所述切片图像集进行图像翻转处理扩充，获得扩充切片图像集，所述图像翻转处理包括水平翻转、竖直翻转、对角翻转和随机翻转；将所述扩充切片图像集进行滤波数据增强处理，获得增强数据集。7.如权利要求1所述的耕地地块提取方法，其特征在于，所述训练好的SE
‑
U
‑
Net++模型的训练方法为：选取耕地地块历史...

【专利技术属性】
技术研发人员：胡月明，刘洛，熊曦柳，朱泽，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：