一种基于深度学习的黄土高原侵蚀沟提取方法及系统技术方案

本发明专利技术涉及一种基于深度学习的黄土高原侵蚀沟提取方法及系统，涉及遥感影像提取领域，方法包括：获取黄土高原的第一遥感图像；对所述第一遥感图像进行预处理，得到第二遥感图像；根据所述第二遥感图像构建数据集；构建基于双端输入的深度学习模型，所述深度学习模型用于对黄土高原的侵蚀沟信息进行提取；利用所述数据集对所述深度学习模型进行训练，得到训练后的深度学习模型；获取待测的黄土高原第三遥感图像；利用所述训练后的深度学习模型对所述第三遥感图像进行侵蚀沟提取。本发明专利技术能够获取高精度侵蚀沟信息提取结果。取高精度侵蚀沟信息提取结果。取高精度侵蚀沟信息提取结果。

【技术实现步骤摘要】
一种基于深度学习的黄土高原侵蚀沟提取方法及系统


[0001]本专利技术涉及遥感影像提取领域，特别是涉及一种基于深度学习的黄土高原侵蚀沟提取方法及系统。

技术介绍

[0002]黄土高原具有复杂且独特的地表景观特征，受风力侵蚀、水里侵蚀等外营力影响，存在较为严重的地表侵蚀，侵蚀沟分布广泛。传统的基于数字地形分析和遥感解译侵蚀沟提取方法过于依赖专业人员的经验和高精度解译数据，无法满足实际生产需求，且自动化程度低，限制性较强。深度学习方法可以利用端对端的提取方式，智能化、自动化提取黄土高原侵蚀沟信息，减少外业调绘、现场调查和遥感解译等耗时长、效率低的工作，不仅提升侵蚀沟提取效率，还有效地节约成本支出。已有侵蚀沟提取方法存在以下不足：
[0003](1)传统遥感解译方法过于依赖解译人员的专业知识，普适性较低。
[0004](2)基于数字地形分析和遥感解译的侵蚀沟提取方法需结合大量外业调绘信息，无法发挥历史数据的优势，导致资源浪费。
[0005](3)目前已有基于深度学习模型的侵蚀沟提取方法聚焦于提高精度，忽略了提取效率，浪费计算资源，耗时长、效率低。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度学习的黄土高原侵蚀沟提取方法及系统，能够获取高精度侵蚀沟信息提取结果。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于深度学习的黄土高原侵蚀沟提取方法，包括：
[0009]获取黄土高原的第一遥感图像；
[0010]对所述第一遥感图像进行预处理，得到第二遥感图像；
[0011]根据所述第二遥感图像构建数据集；
[0012]构建基于双端输入的深度学习模型，所述深度学习模型用于对黄土高原的侵蚀沟信息进行提取；
[0013]利用所述数据集对所述深度学习模型进行训练，得到训练后的深度学习模型；
[0014]获取待测的黄土高原第三遥感图像；
[0015]利用所述训练后的深度学习模型对所述第三遥感图像进行侵蚀沟提取。
[0016]可选的，所述第一遥感图像的数据源采用Google earth中16级影像。
[0017]可选的，所述数据集包括第二遥感图像和所述第二遥感图像的DEM、坡度、边缘信息以及纹理信息。
[0018]可选的，利用Canny边缘检测算子提取所述第二遥感图像的边缘信息。
[0019]可选的，基于灰度共生矩阵计算所述第二遥感图像的纹理信息；所述纹理信息包括逆差距、对比度和能量。
[0020]可选的，所述深度学习模型包括第一输入端，第二输入端和输出端；
[0021]所述第一输入端和第二输入端分别包括依次连接的五个编码器模块，所述输出端包括依次连接的五个解码器模块；
[0022]所述第一输入端和第二输入端的编码器模块均与所述输出端的解码器模块对应连接；
[0023]所述第一输入端用于输入第二遥感图像，所述第二输入端用于输入DEM、坡度、边缘信息以及纹理信息。
[0024]可选的，所述五个编码器模块中的深度可分离卷积通道数分别为32、64、128、256和256，逐通道卷积的卷积核尺寸为3*3*C
i
‑1，逐点卷积的卷积核尺寸为1*1*C
i
，其中，C
i
‑1是上层输出的深度可分离卷积通道数，C
i
为本层输出的深度可分离卷积通道数。
[0025]可选的，所述五个解码器模块中卷积层的卷积核通道数分别是32、64、128、256和256。
[0026]一种基于深度学习的黄土高原侵蚀沟提取系统，包括：
[0027]第一遥感图像获取模块，用于获取黄土高原的第一遥感图像；
[0028]第二遥感图像获取模块，用于对所述第一遥感图像进行预处理，得到第二遥感图像；
[0029]数据集构建模块，用于根据所述第二遥感图像构建数据集；
[0030]深度学习模型构建模块，用于构建基于双端输入的深度学习模型，所述深度学习模型用于对黄土高原的侵蚀沟信息进行提取；
[0031]训练模块，用于利用所述数据集对所述深度学习模型进行训练，得到训练后的深度学习模型；
[0032]第三遥感图像获取模块，用于获取待测黄土高原的第三遥感图像；
[0033]侵蚀沟提取模块，用于利用所述训练后的深度学习模型对所述第三遥感图像进行侵蚀沟提取。
[0034]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于深度学习的黄土高原侵蚀沟提取方法。
[0035]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0036]本专利技术利用深度可分离卷积层代替传统卷积层，并结合残差连接处理，建立侵蚀沟信息提取模型，不仅有效的减少了模型复杂度，还提高模型收敛速度和提取精度。同时，基于双端输入的深度学习模型还可以结合基于遥感影像提取的纹理和形状等浅层特征，实现在维度层次上的信息融合，融合了深层特征的语义信息和浅层特征的纹理边缘信息，最终获取高精度侵蚀沟信息提取结果。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本专利技术基于深度学习的黄土高原侵蚀沟提取方法流程图；
[0039]图2为本专利技术基于双端输入的深度学习模型结构示意图；
[0040]图3为本专利技术的编码器结构示意图；
[0041]图4为本专利技术的解码器结构示意图；
[0042]图5为本专利技术的侵蚀沟提取结果示意图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0044]由于基于遥感解译的侵蚀沟提取方法无法实现侵蚀沟信息的自动提取，这种方法无法发挥历史数据的作用，造成人力和物力等资源的浪费。另外，虽然深度学习模型可以通过端对端的的方式实现侵蚀沟信息提取，然而力求高精度提取结果而忽略了模型复杂度、收敛速度对模型的影响，这样无法充分发挥深度学习模型自动化和智能化的优势。
[0045]因此，利用深度可分离卷积层代替传统卷积层，并结合残差连接处理，建立侵蚀沟信息提取模型，不仅有效的减少了模型复杂度，还提高模型收敛速度和提取精度。同时，基于双端输入的深度学习模型还可以结合基于遥感影像提取的纹理和形状等浅层特征，实现在维度层次上的信息融合，融合了深层特征的语义信息和浅层特征的纹理边缘信息，最终能够获取高精度侵蚀沟信息提取结果。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，包括：获取黄土高原的第一遥感图像；对所述第一遥感图像进行预处理，得到第二遥感图像；根据所述第二遥感图像构建数据集；构建基于双端输入的深度学习模型，所述深度学习模型用于对黄土高原的侵蚀沟信息进行提取；利用所述数据集对所述深度学习模型进行训练，得到训练后的深度学习模型；获取待测的黄土高原第三遥感图像；利用所述训练后的深度学习模型对所述第三遥感图像进行侵蚀沟提取。2.根据权利要求1所述的基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，所述第一遥感图像的数据源采用Googleearth中16级影像。3.根据权利要求1所述的基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，所述数据集包括第二遥感图像和所述第二遥感图像的DEM、坡度、边缘信息以及纹理信息。4.根据权利要求3所述的基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，利用Canny边缘检测算子提取所述第二遥感图像的边缘信息。5.根据权利要求3所述的基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，基于灰度共生矩阵计算所述第二遥感图像的纹理信息；所述纹理信息包括逆差距、对比度和能量。6.根据权利要求3所述的基于深度学习的黄土高原侵蚀沟提取方法，其特征在于，所述深度学习模型包括第一输入端，第二输入端和输出端；所述第一输入端和第二输入端分别包括依次连接的五个编码器模块，所述输出端包括依次连接的五个解码器模块；所述第一输入端和第二输入端的编码器模块均与所述输出端的解码器模块对应连接；所述第一输入端用于输入第二遥感图像，所述第二输入端用于输入DEM、坡度、边缘信息以及纹...

【专利技术属性】
技术研发人员：许兆鹏，刘瓦，崔立业，陈楠，王磊，田宇，曹国庆，吕相南，叶棚超，张旭晴，王蕴琦，
申请(专利权)人：吉林高分遥感应用研究院有限公司江西中电投新能源发电有限公司，
类型：发明
国别省市：