一种尺度变化策略支持的城市绿地深度学习提取方法技术

本发明专利技术公开一种尺度变化策略支持的城市绿地深度学习提取方法，主要包括四部分：（1）对象单元提取：利用尺度寻优算法支持的影像多尺度分割，获得对象单元与对象级特征；（2）场景种子点提取：利用二叉树采样算法，逐对象单元计算场景种子点个数，并采用无监督算法计算场景种子点集合；（3）场景分类网络训练：以种子点为中心进行影像裁切，构建场景分类数据集并训练场景分类网络；（4）场景分类与像素级结果还原：预测场景分类结果，利用多数投票法获取单个对象单元的分类结果，并生成城市绿地像素级提取结果。本算法通过尺度变化策略，实现了样本由像素级向场景级的转换，降低了样本标注难度，达到以较低的成本自动提取城市绿地的目的。达到以较低的成本自动提取城市绿地的目的。达到以较低的成本自动提取城市绿地的目的。

【技术实现步骤摘要】
一种尺度变化策略支持的城市绿地深度学习提取方法


[0001]本专利技术属于遥感智能信息提取
，具体涉及一种尺度变化策略支持的城市绿地深度学习提取方法。

技术介绍

[0002]城市绿地是指城市建成区空间范围内以自然/人工植被组成的城市土地利用类型，是城市生态用地的主要组成部分。城市绿地在城市中发挥着固碳释氧、调节微气候、涵养水源、吸收污染物等重要生态效益。随着我国城镇化发展的不断推进，城市人工地表快速扩张，与城市绿地相互穿插交织。因此城市绿地相对于森林、草原等天然绿地存在破碎度高、形状多样性复杂等特点，给城市绿地的精细化制图带来了一定的困难。城市绿地的高效精准提取，对自然资源管理、城市生态环境监测、城市碳汇估算等工作具有重要意义。随着对地观测技术的不断发展，遥感影像具有越来越高的分辨率，地物细节更加丰富，城市绿地的精准提取提供了数据基础。当前深度学习为主的人工智能方法成为了高分影像地物提取的主流技术手段，以U
‑
Net、SegNet、DeepLabV3等为代表的的语义分割网络在遥感影像智能解译研究与应用中得到了广泛的使用。虽然当前语义分割为主的深度学习算法在精度上可以一定程度满足地物精细提取制图需求，但是此类方法与样本数据集质量与数量具有极强的依赖关系，且其像素级尺度样本制作及标注过程复杂且繁琐，需具备较高的领域专家知识及人力、物力成本，同时需要以辅助影像、数据为参考，乃至实地调查来确保样本标注真实可靠。
[0003]因此，对于遥感影像城市绿地提取问题，传统基于像素级样本的深度学习的遥感影像提取方法存在以下局限性：1)高质量像素级训练样本制作成本较高，需要大量的人力、物力及时间成本投入；2)对于边缘信息，由于其对整体影像的裁切操作、人工标注的不确定性以及训练过程中数据的卷积操作，导致边缘信息残缺，难以保持边缘信息的完整性，使得提取成果轮廓信息较差，无法达到理想状态。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提供一种尺度变化策略支持的城市绿地深度学习提取方法，采用的技术方案如下：
[0005]一种尺度变化策略支持的城市绿地深度学习提取方法，包括以下步骤：
[0006]步骤1：利用尺度寻优算法支持的影像多尺度分割，获取遥感影像中的对象单元并提取每个对象单元的对象级特征；
[0007]步骤2：通过设定对象级特征的多层次阈值及各层次阈值影响因子，利用二叉树采样算法分别计算每个对象单元的场景个数，并将场景个数作为场景种子点数量；
[0008]步骤3：以步骤2中的场景种子点数量为聚类簇数，采用K
‑
Means算法分别计算每个对象单元中各场景的聚类中心，并将对象单元中与该聚类中心距离最近的像素点作为该场景的中心位置；
[0009]步骤4：设定场景尺寸，规定边界限制，以步骤3中获取的场景中心位置为中心构建矩形范围并裁剪遥感影像，分别对裁剪得到的单场景图像进行类别标注，形成场景分类数据集；
[0010]步骤5：利用步骤4中构建的场景分类数据集训练场景分类网络，并对训练完成的场景分类网络进行精度评估和泛化性测试，若不达标则重新训练；
[0011]步骤6：对待提取城市绿地的遥感影像图，按照步骤1到4获取该遥感影像图的单场景图像，并将其分别输入到训练完成的场景分类网络中以获取场景类别；
[0012]步骤7：分别对单个对象单元中的所有场景类别进行统计，并利用多数投票法获取对象单元的类别，即，若单个对象单元中的所有场景类别中多数为城市绿地，则该对象单元的类别也为城市绿地，否则该对象单元为非城市绿地；
[0013]步骤8：根据对象单元及其像素点的空间位置关系，对待提取城市绿地的遥感影像图进行逐像素类别标定，以获取像素级城市绿地提取结果，即，若对象单元的类别为城市绿地，则待提取城市绿地的遥感影像图中与该对象单元对应的每个像素的类别也为城市绿地。
[0014]进一步地，步骤1中，通过在eCognition软件中使用多尺度分割算法完成对遥感影像的分割，其中尺度因子由ESP2插件计算获得，获取遥感影像中的对象单元并提取每个对象单元的对象级特征，所述对象级特征包括面积和密度。
[0015]进一步地，步骤2中：
[0016]若对象单元的面积小于0.1，则其面积影响因子ta为0.5，
[0017]若对象单元的面积大于0.8，则其面积影响因子ta为1.0，
[0018]若对象单元的面积不小于0.1且不大于0.8，则其面积影响因子ta为0.8；
[0019]若对象单元的密度T小于0.1，则其密度影响因子tb为0.5，
[0020]若对象单元的密度T大于0.8，则其密度影响因子tb为1.0，
[0021]若对象单元的密度T不小于0.1且不大于0.8，则其密度影响因子tb为0.8；
[0022]每个对象单元的场景个数num的计算公式为：num＝Max_num*ta*T*tb，其中Max_num为该对象单元的最大场景个数，且pts为该对象单元的总像素点数，表示取整。
[0023]进一步地，步骤3中，以步骤2中获取的单个对象单元的场景种子点数量为聚类簇数k，利用K
‑
Means++算法完成聚类中心的初始化：首先，从该对象单元的像素点集P
y
＝{p1，p2，
…
，p
n
}中随机选择一个点作为第一个聚类中心，记为C1；然后，计算P
y
中的每个点到聚类中心的欧式距离，用D
x
表示，D
x
越大则其被选为下一个聚类中心的概率越大；最后，采用轮盘选择法选取第二个聚类中心，按照此步骤，依次初始化k个聚类中心；
[0024]聚类中心初始化完成后，采用标准的K
‑
Means算法完成聚类过程，获得最终的k个聚类中心，并将对象单元中与该k个聚类中心距离最近的像素点作为对应聚类中心代表的场景的中心位置。
[0025]进一步地，步骤5中，选取ResNet50网络作为场景分类网络，将场景分类数据集按照一定比例分为训练集、测试集和验证集，利用训练集通过变换损失函数、调整学习率和迭代次数训练场景分类网络，并利用测试集和验证集对训练后的场景分类网络进行精度评估和泛化性测试，若测试精度小于设定阈值则重新训练。
[0026]进一步地，训练集、测试集和验证集的划分比例为6:2:2，并将单张遥感影像的最大训练样本量设为100000，以防止训练过拟合；场景分类网络训练时的优化器为SGD，学习率为0.002，动量因子为0.9，权重衰减为0.0001，迭代次数为100，步长为32。
[0027]本专利技术的有益效果如下：
[0028](1)提出了一种尺度变化策略，解决了像素级样本标注困难的问题；实现了由影像
‑
对象
‑
场景
‑
像素的尺度变化，通过标注场景样本类别信息，即可最终完成像素级成果提取。...

【技术保护点】

【技术特征摘要】
1.一种尺度变化策略支持的城市绿地深度学习提取方法，其特征在于，包括以下步骤：步骤1：利用尺度寻优算法支持的影像多尺度分割，获取遥感影像中的对象单元并提取每个对象单元的对象级特征；步骤2：通过设定对象级特征的多层次阈值及各层次阈值影响因子，利用二叉树采样算法分别计算每个对象单元的场景个数，并将场景个数作为场景种子点数量；步骤3：以步骤2中的场景种子点数量为聚类簇数，采用K
‑
Means算法分别计算每个对象单元中各场景的聚类中心，并将对象单元中与该聚类中心距离最近的像素点作为该场景的中心位置；步骤4：设定场景尺寸，规定边界限制，以步骤3中获取的场景中心位置为中心构建矩形范围并裁剪遥感影像，分别对裁剪得到的单场景图像进行类别标注，形成场景分类数据集；步骤5：利用步骤4中构建的场景分类数据集训练场景分类网络，并对训练完成的场景分类网络进行精度评估和泛化性测试，若不达标则重新训练；步骤6：对待提取城市绿地的遥感影像图，按照步骤1到4获取该遥感影像图的单场景图像，并将其分别输入到训练完成的场景分类网络中以获取场景类别；步骤7：分别对单个对象单元中的所有场景类别进行统计，并利用多数投票法获取对象单元的类别，即，若单个对象单元中的所有场景类别中多数为城市绿地，则该对象单元的类别也为城市绿地，否则该对象单元为非城市绿地；步骤8：根据对象单元及其像素点的空间位置关系，对待提取城市绿地的遥感影像图进行逐像素类别标定，以获取像素级城市绿地提取结果，即，若对象单元的类别为城市绿地，则待提取城市绿地的遥感影像图中与该对象单元对应的每个像素的类别也为城市绿地。2.如权利要求1所述的一种尺度变化策略支持的城市绿地深度学习提取方法，其特征在于，步骤1中，通过在eCognition软件中使用多尺度分割算法完成对遥感影像的分割，其中尺度因子由ESP2插件计算获得；获取遥感影像中的对象单元并提取每个对象单元的对象级特征，所述对象级特征包括面积和密度。3.如权利要求2所述的一种尺度变化策略支持的城市绿地深度学习提取方法，其特征在于，步骤2中：若对象单元的面积小于0.1，则其面积影响因子ta为0.5，若对象单元的面积大于0.8，则其面积影响因子ta为1.0，若对象单元的面积不小于0.1且不大于0.8，则其面积影响因子ta为0.8；若...

【专利技术属性】
技术研发人员：林聪，李二珠，傅俊豪，周梦潇，胡春霞，卢婷，
申请(专利权)人：南京市测绘勘察研究院股份有限公司，
类型：发明
国别省市：