一种集成多尺度特征的高分辨率影像茶园自动识别方法技术

本发明专利技术提供了一种集成多尺度特征的高分辨率影像茶园自动识别方法，包括以下步骤：步骤S1：高分辨率影像预处理；步骤S2：茶园样本数据集制作；步骤S3：轻量级深度学习框架构建；步骤S4：在编码器与解码器之间的横向跳跃连接中嵌入注意力机制；步骤S5：集成多尺度特征提取模块；步骤S6：基于Adam优化器的模型训练；步骤S7：超大尺寸遥感影像的滑窗预测、无缝拼接；本发明专利技术构建了集成多尺度特征的轻量级模型，可识别不同尺度的茶园，减少小面积茶园漏提现象，在小样本情况下做到准确获取茶园种植面积和空间分布数据，以经济、高效的方式完成研究区茶园分布的高精度提取。茶园分布的高精度提取。茶园分布的高精度提取。

【技术实现步骤摘要】
一种集成多尺度特征的高分辨率影像茶园自动识别方法


[0001]本专利技术涉及茶园制图
，特别是一种集成多尺度特征的高分辨率影像茶园自动识别方法。

技术介绍

[0002]由于茶园特有的纹理特征在中低分辨率遥感影像上无法很好地得到体现，高分辨率遥感影像是开展茶园制图的主要数据源。常用于高分辨率影像的提取方法是面向对象的分类方法，对遥感影像进行分割，提取影像特征，以对象为基本分类单位，判断对象是否为茶园，但过程中有过多人工干预且耗时费力。随着基于深度学习的语义分割技术发展，不需要人工设计特征，通过端到端的训练方式学习语义信息丰富的深层特征，最终得到与输入图像相对应的分割图。但深度学习方法极度依赖大规模标注数据，这一缺陷极大地限制了深度学习方法在实际图像识别任务中的应用。茶园信息是小众专题信息，一般不可能建立大样本数据，如何针对小样本情况完成模型训练和预测具有实际意义。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种集成多尺度特征的高分辨率影像茶园自动识别方法，针对小样本情况的专题信息提取，构建了一个轻量级网络模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成多尺度特征的高分辨率影像茶园自动识别方法，其特征在于，包括以下步骤：步骤S1：获取研究区高分辨率遥感影像，并对影像进行预处理操作，包括辐射定标、正射校正、大气校正操作；步骤S2：茶园样本数据集制作，滑动窗口分割将影像和标签数据裁剪成H
×
W像素大小的数据集，采用翻转、旋转、亮度增强、色度增强数据增强扩大数据集，作为模型的输入数据；步骤S3：轻量级深度学习框架构建，包括卷积模块和标记化多层感知机模块；遵循编码器
‑
解码器体系结构，特征图在编码阶段多次最大池化或Patch embedding下采样，每个编码器块减少特征尺度2倍，特征图在解码阶段与编码阶段相对应，每一层级通过转置卷积上采样与下一层级进行关联，每个解码器块增加特征尺度2倍，通过横向跳级连接将编码与解码阶段的特征进行结合；步骤S4：利用注意力机制scSE模块，嵌入在编码器与解码器之间的横向跳跃连接中，实现对编码阶段茶园特征中有效特征信息的增强以及无效特征信息的抑制来对网络特征进行调整；具体地，嵌入的scSE模块集成了通道注意力机制模块即cSE模块和空间注意力机制模块即sSE模块，cSE模块在通道维度进行特征学习，形成各个通道的重要性；sSE模块在空间上学习所有通道的整体分布；scSE模块通过加大重要特征权重能有效表征茶园光谱、纹理、形状的深度语义信息；步骤S5：利用转置卷积上采样将不同深度、尺度特征调整一致，开展茶园多尺度特征提取；在解码器每一层级末端进行茶园对象上采样输出并拼接，捕捉多个尺度的图像上下文信息，集成茶园多尺度特征；步骤S6：基于Adam优化器的模型训练，在每一个训练批次中计算损失函数的梯度，进而更新参数；步骤S7：超大尺寸遥感影像的滑窗预测、无缝拼接，实现大区域茶园提取。2.根据权利要求1所述的一种集成多尺度特征的高分辨率影像茶园自动识别方法，其特征在于，步骤S2中具体包括以下步骤：步骤S21：基于步骤S1预处理后的影像数据，选择常用的标签制作方法，如ArcGIS软件内置的面矢量构建方法，对遥感影像中的地类进行矢量化，其中茶园的像素值赋值为A，非茶园像素值赋值为B，然后采用矢量转栅格算法获得研究区内的初始茶园样本数据集；步骤S22：基于初始茶园样本数据集，通过划窗裁剪将影像和标签数据分成H
×
W像素大小的茶园样本数据集，采用翻转、旋转、亮度增强、色度增强等数据增强操作，扩大训练样本数据，作为模型的输入数据；。3.根据权利要求1所述的一种集成多尺度特征的高分辨率影像茶园自动识别方法，其特征在于，步骤S3中具体包括以下步骤：步骤S31：基于编码器
‑
解码器框架，集成卷积模块和标记化多层感知机模块，构建一种端到端轻量级基础网络模型；步骤S32：在编码器部分输入图像通过编码器传递，其中前4个块是卷积块，后2个是标记化多层感知机块，基于最大池化或Patch Embedding对输入影像进行下采样，输入图像通过编码器，每个编码器块减少特征尺度2倍；
步骤S33：解码器有2个标记化多层感知机块，后面跟着3个卷积块，解码器基于转置卷积上采样，每个解码器块增加特征尺度2倍，跳跃连接也被应用在了编码器和解码器之间。4.根据权利要求3所述的一种集成多尺度特征的高分辨率影像茶园自动识别方法，其特征在于，步骤S31，所述的卷积块定义如下：编码器卷积块组合为一个卷积层、批量归一化层、池化层和ReLU激活；卷积块的内核大小为3
×
3，stride为1，padding为1，池化层为带有池窗口2
×
2的最大池化层；解码器卷积块组合为一个卷积层、批量归一化层、上采样层和ReLU激活，卷积块的内核大小为3
×
3，stride为1，padding为1，上采样层为转置卷积上采样。5.根据权利要求3所述的一种集成多尺度特征的高分辨率影像茶园自动识别方法，其特征在于，步骤S31，所述的标记化多层感知机模块定义如下：标记化多层感知机模块包括移位多层感知机Shifted MLP块和标记化多层感知机tokenized MLP块；在移位多层感知机Shifted MLP块中，在标记之前首先移动shifted卷积特征通道的轴线；由于标记化多层感知器块有2个移位多层感知器，先在一个块中跨越宽度移动特征，后在另一个块中跨越高度移动特征；对这些特征进行h个划分，并根据指定的轴通过j个位置移动它们；在标记化之前，特征在高度和宽度上依次移动；在标记化多层感知器tokenized MLP块中，首先转移特征并投影到标记中：用3x3卷积块把特征投影到E维，其中E是embad...

【专利技术属性】
技术研发人员：汪小钦，林欣怡，龙江，李蒙蒙，
申请(专利权)人：福州大学，
类型：发明
国别省市：