一种联合GF-6和Sentinel-2的冬小麦种植区影像提取方法技术

本发明专利技术涉及一种联合GF

【技术实现步骤摘要】
一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法


[0001]本专利技术涉及遥感影像处理领域，具体来说是一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法。

技术介绍

[0002]由于我国作物种植结构和耕种方式的影响，如作物种类的复杂性，地域间的差异性造成的“同物异谱”和“异物同谱”现象的存在，为作物识别及种植区提取带来了很多困难。传统的基于抽样和统计部门逐级上报农情的调查方法，存在耗时耗力且往往缺乏空间信息的缺点。卫星遥感技术具有宽覆盖、多波段、多时相及多级分辨率等特点，在获取作物种植区动态信息的同时，能够极大地提高工作效率，弥补传统农情监测的不足，是获取冬小麦空间分布数据的良好数据源。
[0003]随着遥感技术的发展，遥感影像逐渐成为提取农作物空间分布信息的主要数据源。逐像素分类技术是从遥感图像中获取农作物空间分布数据的主要手段，为了提高逐像素分类结果的精度，许多学者进行了大量的研究工作。
[0004]张佳华等(2013)利用MODIS
–
EVI时间序列数据和作物物候信息，使用EVI阈值模型提取了中国东北地区的玉米种植面积。葛广秀等(2014)以HJ
‑
1A遥感影像为数据源，使用归一化植被指数NDVI密度分割方法提取了江苏省沭阳县的冬小麦面积。王利民等(2015)以GF
‑
1卫星为主要数据源，使用分层决策树分类的方法对冬小麦进行提取。游炯等(2016)以高分一号遥感影像为数据源，利用SVM进行冬小麦信息提取。张莎等(2018)利用MODIS
‑
EVI数据结合光谱突变法提取了黄淮海平原冬小麦面积。
[0005]以上研究均成功地提取了冬小麦等农作物的种植面积和空间分布数据，但主要使用传统的监督分类方法和非监督分类方法，仅能提取图像的颜色、形状、纹理等低层特征，不能提取更高层语义特征，应用于高空间分辨率影像进行特征提取时，所得特征的区分能力较差，往往导致最后分类结果不理想。
[0006]深度卷积神经网络在许多领域取得了巨大成功，并在许多应用中证明了其优异的性能。这一趋势也吸引了许多研究人员将深度卷积神经网络应用于遥感图像语义分割领域。
[0007]张猛等(2018)基于多时相Landsat 8数据，使用影像分块的方式训练卷积神经网络，从而实现水稻空间分布信息的提取。焦计晗等(2018)提出一种改进的AlexNet模型用于油菜种植面积提取。刘湘南等(2018)利用卷积神经网络提取水稻种植面积，并利用迁移学习策略对预先训练好的卷积神经网络模型进行微调，实验结果表明该方法分割精度优于支持向量机。李前景等(2021)提出一种适用于GF
‑
6WFV红边波段的卷积神经网络RE
‑
CNN遥感影像作物提取方法，并取得较好的结果。Kussul等(2017)使用Landsat 8和Sentinel
‑
1A多时相影像数据，利用卷积神经网络模型进行农作物提取，与多层感知器与随机森林方法相比，该方法能够更好的区分作物类型。Zhong等(2019)使用Landsat增强植被指数时间序列数据，利用卷积神经网络对夏季作物进行分类，结果表明该方法优于随机森林、支持向量机
的提取结果。
[0008]卷积神经网络在作物空间分布信息提取任务中取得了较大的进展，证明了卷积神经网络在作物空间分布信息提取任务上的有效性。但同时也存在一些问题，目前的研究大多是基于标准卷积神经网络结构进行作物提取，较少针对作物空间分布信息提取任务与高分辨率遥感数据特点设计和改进模型结构，并且当前的提取方法在效率、速度、适用性和准确性方面存在局限性。
[0009]因此，如何基于卷积神经网络技术，实现冬小麦种植区遥感影像提取方法已经成为急需解决的技术问题。

技术实现思路

[0010]本专利技术的目的是为了解决现有技术中冬小麦种植区遥感影像提取技术难以满足实际使用需要的缺陷，提供一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法来解决上述问题。
[0011]为了实现上述目的，本专利技术的技术方案如下：
[0012]一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法，包括以下步骤：
[0013]11)遥感影像数据集的创建：获取8m分辨率的高分六号和10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；
[0014]12)构建冬小麦种植区影像提取网络：以UNet网络作为基础网络，在其编码层和解码层的基本卷积单元中嵌入CBAM注意力模块，构建改进UNet网络结构作为冬小麦种植区影像提取网络；
[0015]13)冬小麦种植区影像提取网络的训练：将预处理后的遥感影像数据集输入改进UNet网络结构进行训练，得到训练后的冬小麦种植区影像提取网络；
[0016]14)待提取遥感影像的获取：获取待提取的遥感影像并进行预处理；
[0017]15)冬小麦种植区影像结果的提取：将预处理后的待提取的遥感影像输入训练后的冬小麦种植区影像提取网络，得到冬小麦种植区影像提取结果。
[0018]所述的构建冬小麦种植区影像提取网络包括以下步骤：
[0019]21)基于UNet网络作为基本框架来提取特征，设定Unet模型包括编码器、解码器和跳跃连接部分；
[0020]22)设定编码器通过卷积层提取的图像特征信息由3
×
3卷积层、ReLU函数和2
×
2最大池化层组成；进行四次下采样；在每次池化操作后，特征图像变小，通道数加倍；
[0021]解码器通过2
×
2转置卷积进行上采样，解码器部分完成四次上采样；每次上采样后，特征图像的大小增加，通道数减少一半，再通过跳跃连接操作将特征图的低级细节与高级语义结合起来；
[0022]23)设定利用UNet结构中卷积和最大池化所提取的特征，输入嵌入的注意力机制CBAM模块；
[0023]24)设定CBAM注意力模块：
[0024]利用CBAM注意力模块对UNet网络生成的特征图F∈R
C
×
H
×
W
计算通道注意力M
C
∈R
C
×1×1；
[0025]将F和M
C
(F)逐元素相乘获得F
’
，然后对F'计算空间注意力M
S
∈R1×
H
×
W
,将F'和M
S
(F)
逐元素相乘获得CBAM模块输出结果F”；
[0026]其中，M
C
(F)公式表示包括：
[0027][0028]其中，C、H和W分别为特征图通道数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法，其特征在于，包括以下步骤：11)遥感影像数据集的创建：获取8m分辨率的高分六号和10m分辨率的哨兵二号遥感影像并进行预处理，构成遥感影像数据集；12)构建冬小麦种植区影像提取网络：以UNet网络作为基础网络，在其编码层和解码层的基本卷积单元中嵌入CBAM注意力模块，构建改进UNet网络结构作为冬小麦种植区影像提取网络；13)冬小麦种植区影像提取网络的训练：将预处理后的遥感影像数据集输入改进UNet网络结构进行训练，得到训练后的冬小麦种植区影像提取网络；14)待提取遥感影像的获取：获取待提取的遥感影像并进行预处理；15)冬小麦种植区影像结果的提取：将预处理后的待提取的遥感影像输入训练后的冬小麦种植区影像提取网络，得到冬小麦种植区影像提取结果。2.根据权利要求1所述的一种联合GF
‑
6和Sentinel
‑
2的冬小麦种植区影像提取方法，其特征在于，所述的构建冬小麦种植区影像提取网络包括以下步骤：21)基于UNet网络作为基本框架来提取特征，设定Unet模型包括编码器、解码器和跳跃连接部分；22)设定编码器通过卷积层提取的图像特征信息由3
×
3卷积层、ReLU函数和2
×
2最大池化层组成；进行四次下采样；在每次池化操作后，特征图像变小，通道数加倍；解码器通过2
×
2转置卷积进行上采样，解码器部分完成四次上采样；每次上采样后，特征图像的大小增加，通道数减少一半，再通过跳跃连接操作将特征图的低级细节与高级语义结合起来；23)设定利用UNet结构中卷积和最大池化所提取的特征，输入嵌入的注意力机制CBAM模块；24)设定CBAM注意力模块：利用CBAM注意力模块对UNet网络生成的特征图F∈R
C
×
H
×
W
计算通道注意力M
C

【专利技术属性】
技术研发人员：赵晋陵，王娟，黄林生，雷雨，陈鹏，汪传建，梁栋，
申请(专利权)人：安徽大学，
类型：发明
国别省市：