一种基于线面结合的密集遥感地物提取方法技术

一种基于线面结合的密集遥感地物提取方法，包括：选定最终需要提取的目标应用区域影像数据，并用于绘制样本；挑选、设计语义边缘提取网络模型以及语义分割网络模型；利用语义边缘提取网络模型和语义分割网络模型对高分遥感影像训练数据进行训练，获得密集遥感地物的语义边缘提取网络模型和语义分割网络模型；对目标应用区高分遥感影像大图数据分别进行预测，获得应用区域密集遥感地物的线结果和面结果；将面预测结果进行二值化和去小图斑处理，线预测结果进行细化和补断线处理；将处理后的面结果和线结果矢量化，并使用融合算法融合面和线的矢量化结果得到最终密集遥感地物提取结果。本发明专利技术能获得精确的结果，并减少人工劳动。动。动。

【技术实现步骤摘要】
一种基于线面结合的密集遥感地物提取方法


[0001]本专利技术属于遥感影像处理以及遥感信息提取领域，涉及到遥感信息提取相关的语义边缘提取方法、语义分割方法以及一系列后处理方法。具体来说本专利技术采用语义边缘提取以及语义分割结合的方法来对密集遥感地物进行综合提取，并采用一系列后处理方法融合语义边缘与语义分割的提取结果得到密集遥感地物最终的提取结果。本专利技术可以适用于多种高分遥感影像的密集遥感地物提取任务。

技术介绍

[0002]如今，高分辨率遥感影像已经成为遥感信息提取领域最重要的研究资料之一。高分遥感影像比中低分辨率的遥感影像有着更加丰富和精确的地物细节信息，这使得高分遥感影像拥有更高的应用价值和意义。高分遥感影像在各种遥感相关任务中扮演着不可或缺的重要角色，其不仅在目标检测、语义分割等高热度领域占据重要地位，还在地物识别等遥感专业领域起着不可替代的作用。遥感地物有着十分丰富的类型，这在高分辨率遥感影像中更为明显，对于不同种类的地物分类有着不同的提取方法和要求，但最终目的都是为了更高精度地提取想要的地物信息。遥感地物提取方法中，深度学习方法占本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线面结合的密集遥感地物提取方法，其特征在于，包括以下步骤：步骤1：选定最终需要提取的目标应用区域影像数据，并准备将目标应用区的数据用于绘制样本，选定区域需包含大量密集遥感地物(密集耕地、密集建筑等)；步骤2：从高分遥感影像的特点以及密集遥感地物的特点挑选、设计语义边缘提取网络模型以及语义分割网络模型，使之适合高分遥感影像中密集遥感地物的提取任务；步骤3：利用步骤2设计改进的适用于密集遥感地物的语义边缘提取网络模型和语义分割网络模型对步骤1中准备的高分遥感影像训练数据进行训练，获得密集遥感地物的语义边缘提取网络模型和语义分割网络模型，然后利用步骤1中的测试数据对模型进行评估，根据评估结果决定是否重复步骤2对网络结构及参数进行微调，获取最终最优提取模型；步骤4：利用步骤3中训练好的语义边缘提取网络模型和语义分割网络模型对步骤1中准备的目标应用区高分遥感影像大图数据分别进行预测，获得应用区域密集遥感地物的线结果和面结果；步骤5：将步骤4中的面预测结果进行二值化和去小图斑处理；将步骤4中的线预测结果进行细化和补断线处理；步骤6：将步骤5中的得到的处理后的面结果和线结果矢量化，并使用融合算法融合面和线的矢量化结果得到最终密集遥感地物提取结果。2.根据权利要求1所述的一种基于线面结合的密集遥感地物提取方法，其特征在于，步骤1包括：步骤1.1：选定并获取最终方法的应用区域高分遥感影像大图数据；步骤1.2：选取密集遥感地物较多的区域进行裁图，并对具体密集遥感地物(密集耕地、密集建筑等)进行人工标注；步骤1.3：检查标注样本，对人工标注样本进行优化和挑选；步骤1.4：对标注好的密集遥感地物样本进行划分，按比例将样本分为训练集和测试集。3.根据权利要求1所述的一种基于线面结合的密集遥感地物提取方法，其特征在于，步骤2包括：步骤2.1：结合高分遥感影像以及密集遥感地物的特点挑选适合的语义边缘提取网络模型以及语义分割网络模型结构，首先需要网络本身性能优秀，然后就是需要与密集遥感地物相匹配，也就是说网络本身需要对密集遥感地物敏感，能够胜任密集且小的遥感物体的提取任务；针对语义边缘提取部分，为了减少影像中边缘像素和非边缘像素的分布极为不平衡的问题的影响，引入边缘比例参数β来减少这种影响；L＝
‑
βΣlogPry
j
＝1
‑
(1
‑
β)ΣlogPr(y
j
＝0)#1步骤2.2：获取到合适的网络结构之后，进行超参数的适应性更改，使之能够在密集遥感地物上取得高质量的提取结果；步骤2.3：得到合适的超参数之后，直接作为最终网络结构使用，或做出针对...

【专利技术属性】
技术研发人员：夏列钢，米书林，苏一少，刘瑞彦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：