【技术实现步骤摘要】
一种空间约束下的全监督农田地块提取方法
[0001]本专利技术属于农业遥感
,具体涉及一种空间约束下的全监督农田地块 提取方法,其将农田地块提取任务拆分为语义分割任务与边缘探测任务,分别提 取不同尺度的语义信息、边缘位置信息,并通过自适应融合策略进行信息互补, 实现多类型、面积形状差异大、分布密集的农田场景中的农田地块提取。
技术介绍
[0002]农业生产是人类生存和社会经济发展的基础,对土地资源管理、粮食安全起 着关键作用。随着人口的增长,现代农业承担着巨大的粮食供给压力,准确提取 农田面积信息已成为可持续发展的迫切需。作为现代化农业中多数政策与农业研 究的基础单位,农田地块具有形状特征、面积特征、空间分布特征与数量特征, 能够帮助农民、政策决策者依据精细的农田分布位置、空间范围、作物类型等信 息制定生产管理方案,调整和优化作物种植结构,实现对自然资源的高效利用及 对田间的科学管理。然而,受地理环境、作物类型、管理模式等因素影响,农田 地块具有多样化的特点,这给农田地块提取工作带来巨大挑战。
[0003]目前,农田地块提取方法主要利用遥感技术进行,可分为基于传统图像分析 技术的方法与基于深度学习技术的方法。其中,基于传统图像分析的方法主要有 基于边缘检测的方法、基于区域的方法以及混合的方法。
[0004]基于边缘检测的方法:其依赖于边界区域像素值的快速变化,通过定义不同 的边缘检测算子来获取像素值差异大的连续性区域以确定农田地块的边缘。边缘 算子能准确地定位边界位置,但其对高频噪声的敏感性往往 ...
【技术保护点】
【技术特征摘要】
1.一种空间约束下的全监督农田地块提取方法,其特征在于,包括以下步骤:步骤1,构建深度学习网络模型,具体包含以下6个子步骤:步骤1
‑
1,对输入图像进行降采样;步骤1
‑
2,提取降采样图像的多尺度特征;步骤1
‑
3,对多尺度特征进行增强,获得增强后的多尺度特征图;步骤1
‑
4,获取边缘语义增强信息特征图;步骤1
‑
5,对增强后的多尺度特征图和边缘语义增强信息特征图进行自适应融合;步骤1
‑
6,设计损失函数;步骤2,训练深度学习网络模型并保存,在训练过程中验证精度最优的参数组,使用最优的参数组对不同于训练数据的区域进行测试,实现农田地块提取。2.如权利要求1所述的一种空间约束下的全监督农田地块提取方法,其特征在于:步骤1
‑
1中通过两个3*3卷积层、ReLU函数与批量归一化层实现对输入图像的降采样。3.如权利要求1所述的一种空间约束下的全监督农田地块提取方法,其特征在于:步骤1
‑
2中通过多尺度特征提取模块提取降采样图像的多尺度特征,所述多尺度特征提取结构为并行的多分支结构,采用固定特征图分辨率的方式来保留丰富的位置信息;将输入数据记为其中H
I
、W
I
、C
I
分别为输入数据的长、宽、通道数,N为输入数据的H
I
*W
I
*C
I
数量,即batch size,3*3卷积层分别定义为:其中C
I
表示输入通道数,C
O
表示输出通道数;每一阶段卷积操作模块记为S,该模块由多个无下采样的卷积操作B组成,B由2次ReLU函数与BN层构成,表示为:将第i阶段、第i个分支分别表示为S
i
、B
i
,在多尺度特征提取模块中有多少个阶段就有多少个分支,第i个分支会经过i个阶段,其中每一阶段的基础卷积操作是模块S;在第一阶段S1,只有一个分支B1,输入数据I经过一个阶段卷积操作模块S后经下采样操作得到新的特征图,即为产生新的分支B2,由此两个分支进入下一阶段S2;为了增强特征提取能力,从第二阶段开始,每一分支之间存在信息交互的过程,以上过程可表示为:B
i+1
=Downsample(B
i
),i≥1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)其中,Upsample表示上采样操作,Downsample表示下采样操作,Concate表示通道级联。4.如权利要求3所述的一种空间约束下的全监督农田地块提取方法,其特征在于:步骤1
‑
3中通过构建全局上下文信息增强模块实现对多尺度特征的增强,所述全局上下文信息增强模块是通过自注意力机制建立图像中每一个像素的长距离依赖,用以增强地块内部的一致性,缓解大农田地块提取不连续、小农田地块漏提取的问题;另外,除去多尺度特征提取模块中的第一个分支之外,其他分支后均增加一个全局上下文信息增强模块,两者共同构成语义分支网络;将输入特征图记为输出特征图为则全局上下文信息增强模块的过程可表示为:
其中,I
′
表示I转置后的特征图,其大小为N*H
I
W
I
;
⊙
为点积操作;输入图像经过步骤1<...
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。