基于深度迁移学习的黄土高原梯田自动识别方法技术

本发明专利技术提供基于深度迁移学习的黄土高原梯田自动识别方法，首先，以U

【技术实现步骤摘要】
基于深度迁移学习的黄土高原梯田自动识别方法


[0001]本专利技术属于梯田识别领域，具体为基于深度迁移学习的黄土高原梯田自动识别方法。

技术介绍

[0002]在中国黄土高原地区，由于自然地理环境的特殊性，致使水土流失严重，黄河中泥沙剧增，这严重制约了区域经济的发展，进一步威胁下游地区数千万人民生命与财产安全。梯田其独特的地形结构，不仅可以有效防止水力侵蚀，还可为植被生长提供充分水因子，具有显著的蓄水、保土、增产的作用，是黄土高原地区治理坡耕地水土流失的根本措施。梯田建成后维护、验收、监测等工作的完成，都依赖于准确的梯田信息。因此，高效、精确的提取梯田信息对水土保持规划及监测均具有重要指导意义。
[0003]传统人工统计梯田信息的方法不仅耗费大量人力物力，而且所受限制颇多，具有可重复性差、效率低下、周期性长等问题，而高分辨率遥感技术的发展，使得遥感影像的光谱分辨率、时间分辨率、空间分辨率等各方面都得到了很大的提高，使得连续监测梯田成为了可能，有助于获取更为丰富、准确的梯田特征信息。
[0004]在以高分辨率遥感影像为基础的梯田识别研究中，目前主要包括三种提取梯田的方法，即目视解译法，基于纹理特征的傅里叶变换法以及面向对象分类方法。人工目视解译方法由于不需要实地踏勘在一段时间内被广泛使用，但其对解译人员专业知识依赖程度较高，结果准确性难以保证，无法在较短时间内完成大面积梯田提取。随着高分辨率遥感卫星传感器的快速发展，基于梯田的频谱纹理特征进行自动提取成为可能，现有技术采用傅里叶变换算法，基于高分辨率遥感影像进行梯田纹理特征的提取，发现该方法对小面积梯田识别精度较高，但大面积识别时，由于地貌类型更为复杂，非梯田类型的不规则纹理信息对结果产生极大干扰，错分、漏分现象严重，所得精度无法满足工程化生产需要。而面向对象分类方法综合考虑了形状、光谱、问题等信息，不再基于某一单一特征对梯田进行提取，而是将有意义的邻近对象作为分析的基本单元实现对梯田的提取。还有将DEM、DSM数据与高分辨率遥感影像结合，采用多尺度对象分类方法实现了梯田进行识别。但是此方法的精度主要依赖于用户提供的特征向量，未考虑梯田田坎，对于不规则的梯田形状，此方法分类效果一般。
[0005]综上所述，以上进行梯田提取的方法对区域环境较为敏感，其精度均无法满足工程需要。而深度学习依托端到端的学习方式，更为关注目标本身的信息特征，在一定程度上可以弱化复杂环境带来的影响，更好的实现对研究对象深层次信息的挖掘，从而提高精度，目前已经在图像分类、语义分割、目标检测等领域得到了深度应用。许多学者也利用深度学习方法对梯田进行了提取，精度较高，但深度学习技术存在一个重要问题，即需要大量训练数据才可能达到较好的泛化能力，对于小样本问题效果较差。迁移学习的基本思想是复用，是指利用数据、任务或模型之间的相似性，将辅助领域的知识应用到新领域，实现不同任务之间的迁移与共享。深度迁移方法主要是将深度学习与迁移学习结合起来，在保证速度快、
硬件设备要求低的同时，对复杂环境的小样本数据也能克服环境影响，快速学习到主要特征，实现高精度的提取，该方法近几年在遥感领域的目标识别、图像分类等方面的应用也非常广泛。

技术实现思路

[0006]针对现有梯田识别领域存在的问题，本专利技术以高分辨率遥感影像为基础，基于WorldView
‑
1数据集训练一个适应于多类型数据源进行梯田识别的源模型，引入迁移机制，选择其作为预训练模型以供第二个任务进行学习，构建迁移模型，以小样本的GF
‑
2数据集作为第二个任务的数据基础，探索深度迁移学习对目标任务的完成能力，以期实现小样本梯田的大面积、高精度、自动识别。
[0007]具体的技术方案为：
[0008]基于深度迁移学习的黄土高原梯田自动识别方法，包括以下步骤：
[0009](1)数据预处理：对影像进行预处理，以此为基础进行人工标注获得真实的样本标签，利用滑动窗口裁剪方法生成256
×
256像素的样本数据集，将其格式由tiff转换为png，最后进行数据增强处理，划分为训练集和验证集；
[0010](2)构建IEU
‑
Net模型：在U
‑
Net模型基础上构建IEU
‑
Net模型，对高分辨率遥感数据进行深度特征提取；
[0011](3)获取最优梯田识别预训练模型：将WorldView
‑
1样本集输入IEU
‑
Net模型进行训练，调整参数，保存最优WorldView
‑
1梯田识别模型；
[0012](4)将预训练模型迁移到GF
‑
2小样本梯田的高精度识别：载入预训练模型权重，根据实验要求调整模型结构，构建迁移模型，采用不同的Fine
‑
tune策略，选择训练部分参数或者重新训练所有参数，将GF
‑
2样本集输入新模型进行训练，参数对比调优，保存迁移模型；
[0013](5)预测成图：采用忽略边缘预测方法构建一个预测模型，将测试集输入预测模型进行预测成图，从而消除边界拼接痕迹、丰富图像边缘信息；
[0014](6)精度评价：将各测试区的预测图与真值图进行对比，选择总体精度(OA)、F1
‑
分数(F1
‑
Score)、平均交并比(mIoU)等评价指标进行精度评价。
附图说明
[0015]图1为实施例研究区地理位置及区域遥感影像；
[0016]图2a为实施例WorldView
‑
1样本集的影像图；
[0017]图2b为实施例WorldView
‑
1样本集的标签图；
[0018]图3a为实施例GF
‑
2样本集的影像图；
[0019]图3b为实施例GF
‑
2样本集的标签图；
[0020]图4为实施例样本区及各测试区影像图；
[0021]图5为本专利技术的方法流程图；
[0022]图6为实施例IELoss计算区域示意图；
[0023]图7
‑
0为实施例输入图像；
[0024]图7
‑
1为实施例第1个卷积层特征映射图；
[0025]图7
‑
2为实施例第2个卷积层特征映射图；
[0026]图7
‑
3为实施例第3个卷积层特征映射图；
[0027]图7
‑
4为实施例第4个卷积层特征映射图；
[0028]图7
‑
5为实施例第5个卷积层特征映射图；
[0029]图7
‑
6为实施例第6个卷积层特征映射图；
[0030]图7
‑
7为实施例第7个卷积层特征映射图；
[0031]图7
‑
8为实施例第8个卷积层特征映射图；
...

【技术保护点】

【技术特征摘要】
1.基于深度迁移学习的黄土高原梯田自动识别方法，其特征在于，包括以下步骤：(1)数据预处理：对影像进行预处理；(2)构建IEU
‑
Net模型；(3)获取最优梯田识别预训练模型；(4)将预训练模型迁移到GF
‑
2小样本梯田的高精度识别；(5)预测成图；(6)精度评价。2.根据权利要求1所述的基于深度迁移学习的黄土高原梯田自动识别方法，其特征在于，包括以下步骤：(1)数据预处理：对影像进行预处理，以此为基础进行人工标注获得真实的样本标签，利用滑动窗口裁剪方法生成256
×
256像素的样本数据集，将其格式由tiff转换为png，最后进行数据增强处理，划分为训练集和验证集；(2)构建IEU
‑
Net模型：在U
‑
Net模型基础上构建IEU
‑
Net模型，对高分辨率遥感数据进行深度特征提取；(3)获取最优梯田识别预训练模...

【专利技术属性】
技术研发人员：蔚铭阁，芮小平，
申请(专利权)人：河海大学，
类型：发明
国别省市：