【技术实现步骤摘要】
结合边缘检测和多任务学习的遥感影像耕地地块提取方法
[0001]本专利技术涉及遥感影像分析
，尤其是结合边缘检测和多任务学习的遥感影像耕地地块提取方法。
技术介绍
[0002]耕地是人类重要的生产资料，关系到粮食的供给，是人类重要的物质基础。精准的耕地地块信息是精细化农业研究的基础，是人类利用土地资源开展农业耕作活动的基本单元，也是开展精准农业数字化管理和决策的最小空间粒度。获取精准的耕地地块信息有助于在地块尺度上开展作物分类、产量估算和种植面积统计等相关工作。现有的耕地地块提取技术多利用图像分割、边缘检测，或单任务学习卷积神经网络等方法，但这些方法对复杂地形区(如南方丘陵区)下的耕地地块提取精度较低，难以获得连续、闭合的地块边界。
[0003]多任务学习是将多个相关的任务放在一起学习的一种机器学习方法，涉及多个相关的任务同时并行学习，多个任务通过底层的参数共享来互相学习，提升学习算法的泛化效果。传统的机器学习算法设计时，可通过构建多种不同的约束条件，从不同角度优化算法的学习能力，提高算法收敛速度和拟合效果。对...
【技术保护点】
【技术特征摘要】
1.结合边缘检测和多任务学习的遥感影像耕地地块提取方法，其特征在于：包括以下步骤；步骤S1：获取用于提取耕地地块的研究区高分辨率遥感影像，并对影像进行预处理操作；预处理操作包括辐射校正、正射校正、影像融合、影像重采样；步骤S2：基于多任务学习框架，通过设置对地块的边界和形状进行约束的多个任务，进行地块边界的高层级图像特征提取；步骤S3：通过集成多尺度图像边缘信息和高层级语义边界信息，改善地块边界提取存在的不连续、不闭合问题；步骤S4：基于同方差不确定性理论实现不同任务权重的自适应调整；步骤S5：基于不同优化器的模型训练与微调；步骤S6：对遥感影像滑窗预测、无缝拼接，提升大区域耕地地块提取的效率。2.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法，其特征在于：步骤S2中，所述对地块的边界和形状进行约束的多个任务，分别通过计算地块边界的位置信息和地块内部点到最邻近边界的准欧氏距离来实现；具体包括以下步骤；步骤S21：选择卷积神经网络VGG16为基础网络，修改网络结构，集成上下文信息聚合模块构建基础网络模型，捕捉多个尺度的图像上下文信息；步骤S22：使用常用的边界提取算法，如MATLAB内置的bwperim函数，获得地块边界的位置信息，使用准欧式距离变换得到地块内部点到最邻近边界的距离，完成多任务网络模型的初步构建。计算地块边界的位置信息B
l
通过采用下式：式中，x
i
表示在影像空间R中的像素点位置；计算地块内部点到最邻近边界的准欧氏距离quasi(x,y)采用以下公式：式中，(x1,y1)和(x2,y2)为二维空间中两点的坐标。3.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法，其特征在于：步骤S3中，集成多尺度图像边缘信息和高层级语义边界信息的具体方法为，通过集成边缘检测模型，构建顾及边界感知的多任务语义分割模型，包括以下步骤；步骤S31：选用先进的图像边缘检测模型Richer Convolutional Features，即RCF模型，构建边缘检测模型，融合高层级语义边界信息，完成多任务网络模型的构建；步骤S32：使用步骤S31构建的集成边缘检测的多任务模型来进行多任务特征提取，自动学习不同任务间的深层图像信息并进行特征共享。4.根据权利要求1所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法，其特征在于：步骤S4中具体包括以下步骤：步骤S41：基于步骤S3构建的多任务网络模型，设计多任务损失函数，用来更新网络权值，以此减少实际与预测结果的误差；具体地，使用负对数似然函数、二分类交叉熵损失分别作为地块预测和地块边界预测的损失函数，而采用均分根误差损失作为距离图估计任务
的损失函数；步骤S42：为了避免一个或多个任务在网络权值中具有主导影响的情况，采用基于同方差不确定性的加权方法来自适应调整多任务网络中各任务的权重。5.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块提取方法，其特征在于：步骤S41中，所述的负对数似然函数定义如下：式中，L
mask
为地块提取任务的负对数似然损失，N为输入样本的数量，p
mc
(x；l
mc
(x))代表真实地块标签l
mc
经过激活函数计算的预测概率，其中，x为在影像空间R上的像素点位置。6.根据权利要求4所述的结合边缘检测和多任务学习的遥感影像耕地地块...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。