一种空间约束下的全监督农田地块提取方法技术

本发明专利技术提供一种空间约束下全监督农田地块提取方法。通过构建基于双任务的网络框架，利用语义分支网络捕获不同空间尺度的农田地块特征及其全局上下文信息，降低地块分割不完整现象；使用边缘分支网络则用于增强网络模型对各类农田地块边缘部分的信息捕获，以降低地块之间的黏连现象；两分支之间采用深度引导自适应融合策略进行信息互补，整个网络在交叉熵损失函数基础上增加边缘损失函数进行空间约束。同地区测试与迁移测试实验表明，本发明专利技术能够在充分挖掘多尺度特征的同时保留高分辨率细节信息、增强网络的类别判断能力，有效缓解了在多类型、面积形状差异大、分布密集的农田场景中易出现的农田地块提取不完整、相邻地块黏连等问题。黏连等问题。黏连等问题。

【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会产生伪边缘，单一 算子只能捕获特定的上下文信息，通常需要使用其他手段来形成闭合边界，如使 用多种算子、线段去除、矢量化等。该类方法计算效率高，空间定位能力强，能 捕获的上下文信息有限，容易导致边缘不完整。
[0005]基于区域的方法：其通常能够利用像素之间的空间信息，依据一定的同质性 准则进行聚类得到最终的分割结果，如Mean
‑
Shift、分水岭算法、超像素分割等， 这类方法能利用影像的光谱信息、灰度值变化、颜色空间信息、图像形状等特征 对图像进行分割，同时，为避免产生次优结果，该类方法通常需要反复尝试寻找 最优分割参数，以降低边缘区域的错分割。
[0006]混合的方法：该类方法力图实现多种方法之间的优势互补以达到更好的农田 地块分割效果，如边缘检测方法、区域生长方法与机器学习算法结合进行农田地 块提取。但混合方法在参数调整、特征工程构建、处理流程上可能比单一方法更 加复杂。
[0007]基于深度学习的方法：是指网络模型从输入数据中进行学习目标地区的特征， 通过推理预测来检验模型的学习效果。主要采用编解码结构的网络模型，通过编 码器捕获多个空间尺度上各类型的农田地块及上下文信息，同时解码器将学习到 的细节特征进行恢复以完成输入图像的准确分割，最终实现农田地块的提取。
[0008]已有的方法均能实现类型多样、面积形状差异大等农田场景中农田地块提取 工
作。但基于传统图像分析技术的方法依赖于先验知识、足够有效的特征工程或 参数；基于深度学习技术的方法能够避免繁琐的人工参数调节过程，但容易出现 农田类别信息与农田边缘定位信息之间的失衡，在模型迁移过程中表现出来的泛 化能力可能会受到限制。这导致已有方法在多类型、面积形状差异大、分布密集 的农田场景中易出现农田地块提取不完整、相邻地块黏连等问题，限制了农田地 块信息的后续应用。因此，针对以上问题，本专利技术发展了一种空间约束下的全监 督农田地块提取方法。

技术实现思路

[0009]针对现有的基于深度学习技术农田地块提取方法在多类型、面积形状差异大、 分布密集的农田场景中易出现的农田地块提取不完整、相邻地块黏连等问题，本 专利技术提出了一种空间约束下全监督农田地块提取方法。采用双任务模式，分别构 建语义分支网络与边缘分支网络以执行语义分割与边缘探测任务，其中边缘分支 网络为辅助网络。为增强不同尺度语义信息的捕获，降低误分，语义分支网络有 多尺度特征提取结构与全局上下文信息增强模块组成；另外，为保留精准的空间 定位信息，边缘分支网络采用保持高分辨率的策略。为增强网络学习边缘信息、 类别信息的能力，该方法的损失函数由交叉损失函数与平衡交叉熵损失函数两部 分组成，形成网络在农田地块提取过程中的空间约束。
[0010]本专利技术的技术方案提供一种空间约束下全监督农田地块提取方法，包括以下 步骤：
[0011]步骤1，构建深度学习网络模型，具体包含以下6个子步骤：
[0012]步骤1
‑
1，对输入图像进行降采样；
[0013]步骤1
‑
2，提取降采样图像的多尺度特征；
[0014]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；
[0015]步骤1
‑
4，获取边缘语义增强信息特征图；
[0016]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；
[0017]步骤1
‑
6，设计损失函数；
[0018]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。
[0019]进一步的，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。
[0020]进一步的，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；
[0021]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：
[0022][0023]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：
[0024]B
i+1
＝Downsample(B
i
)，本文档来自技高网...

【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<...

【专利技术属性】
技术研发人员：张洪艳，曾薪鑫，
申请(专利权)人：武汉大学，
类型：发明
国别省市：