一种协同边缘检测与空间注意力机制的耕地提取方法技术

本发明专利技术属于土地利用监测技术领域，尤其涉及一种协同边缘检测与空间注意力机制的耕地提取方法。本发明专利技术通过构建基于编码器

【技术实现步骤摘要】
一种协同边缘检测与空间注意力机制的耕地提取方法


[0001]本专利技术属于土地利用监测
，尤其涉及一种协同边缘检测与空间注意力机制的耕地提取方法。

技术介绍

[0002]耕地作为农业生产的基础资源，对于农业、粮食安全、生态平衡和经济发展等方面都具有重要意义。耕地地块提取是耕地资源管理和监测的重要环节，旨在从卫星遥感图像中自动、准确地提取出耕地作物的空间分布信息。然而，传统的地块提取方法通常需要耗费大量的人力、物力和时间，并且往往难以保证提取结果的准确性和实时性。随着科学技术的发展，越来越多的遥感对地观测技术用于种植面积统计、作物产量预估。随着卫星遥感影像时空分辨率的不断提高，所研究的地物也趋于更精细化，农业遥感的耕地提取对象从过去的大范围、大面积向着更加精准的耕地地块转变。
[0003]耕地地块提取是农业生产中非常重要的一个问题，准确提取耕地地块可以为农业生产提供很多有价值的信息，例如作物种类、种植面积、生长状态等，有利于科学合理地进行种植管理和农业资源的利用。传统的耕地地块提取方法主要依赖于人工解译遥感影像，但是这类方法存在着人力成本高、耗时长、易出错等缺点。近年来，随着机器学习和深度学习算法的发展，基于遥感影像的耕地地块提取也取得了长足的进步。
[0004]然而，传统的机器学习算法主要是基于手工设计特征进行分类，这种方法在特征选择和分类器设计上存在一定的主观性和局限性。深度学习算法可以自动学习高层次的特征表示和分类器，具有学习能力强、特征提取自动化等优点，可以有效地提高模型的准确性和泛化性，然而对于复杂多变的农业环境，尤其是耕地和其他地物的分界线模糊的区域，仅从空间特征提取角度来提取就容易导致耕地提取的误差增加，从而降低算法的准确性。

技术实现思路

[0005]针对上述存在的问题或不足，为解决现有耕地提取方法存在误差较大、准确性不高的问题，本专利技术提供了一种协同边缘检测与空间注意力机制的耕地提取方法。
[0006]一种协同边缘检测与空间注意力机制的耕地提取方法，包括以下步骤：
[0007]步骤1、对原始耕地图像数据和对应的原始标签图像数据分别进行分块处理：设两种原始图像的高为h，宽为w，通道个数为c，对于原始图像随机产生每个分块的高度、宽度的起始像素值，并以img_h为高，以img_w为宽划分出m个子像素块其中每个像素块X的大小为img_h
×
img_w
×
c。
[0008]为了增大训练集样本个数，获得充足的训练数据，随机对获得的分块数据进行旋转、翻转、添加扰动和/或添加噪声，以提高模型的泛化能力。
[0009]将最终获得的分块原始耕地图像数据和对应的分块原始标签图像数据分别存放在集合src_set和label_set中，作为后续深度学习的数据集。
[0010]步骤2、构造训练集和数据集，对src_set和label_set分别按照3∶1∶1的比例进行
划分，分别构造训练集train_set，验证集val_set和测试集test_set。
[0011]步骤3、将步骤2所得的训练集数据输入到构造的基于U
‑
net的深度学习空间注意力机制的模型(后面统称为模型)中去，得到边缘增强图像与特征图。
[0012]首先，对于训练集中的每一个输入样本F
train
采用边缘检测模块进行原始耕地图像数据的边缘特征提取，得到边缘增强图像F
edge
，并与F
train
进行连接融合，得到特征图
[0013]接着，通过模型进行多尺度下的语义分割，设共有l个尺度，在每个尺度i(i＝1，2，3，
…
，l)下对输入样本进行一次卷积得到以适配当前尺度下的分辨率大小；然后得到当前尺度下的边缘增强图像与特征图不同尺度下的维度大小均为h
i
×
w
i
×
c
i
。
[0014][0015]上式中，[
·
]channel
为拼接函数，在通道维度上进行拼接，Cov()为卷积核大小是1
×
1的卷积函数。
[0016]步骤4、生成空间注意力特征图：将步骤3中得到的每一尺度下的特征图输入到空间注意力模块中，生成空间注意力特征图其维度大小为：h
i
×
w
i
×
c
i
。
[0017]步骤5、空间特征与边缘提取的几何特征融合：利用步骤4得到空间注意力特征图和步骤3得到的边缘增强图像融合，得到全局空间关系感知特征图
[0018][0019]步骤6、特征图像加权融合：利用步骤5中得到的空间关系感知特征图与特征图进行加权操作，得到加权后的输出特征图
[0020][0021]上式中，为哈达曼乘积操作。
[0022]步骤7、空洞空间卷积池化：在最低分辨率下将得到的加权特征图通过一个空洞空间卷积池化ASPP模块，通过组合不同感受野下的特征，进一步捕获多尺度上下文信息：
[0023][0024]步骤8、对输出特征图进行上采样，并将上采样结果与模型编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入；以交叉熵作为损失函数，来评价分割结果。至此完成模型的训练工作得到训练好的模型。
[0025]步骤9、将步骤2所得的测试集数据输入到步骤8训练好的模型中，得到耕地的分割结果。
[0026]进一步的，所述步骤3包括以下步骤：
[0027]步骤3.1、将原始分块彩色图像转化为灰度图像：
[0028]F
gray
＝F
red
*0.299+F
green
*0.587+F
blue
*0.114
[0029]上式中，F
red
、F
green
、F
blue
分别原始图像在R,G,B三个不同通道上的像素值矩阵，F
gray
则是经过灰度转换后的灰度值矩阵。
[0030]步骤3.2、得到高斯模糊算子：
[0031][0032]上式中G(x，y)是二维高斯卷积算子，利用其低通滤波的性质，消除高频噪声。(x，y)是高斯卷积核下每一个像素点的相对坐标位置。
[0033]步骤3.3、利用Canny算法进行边缘检测，分别得到x和y轴图像上的边缘特征矩阵：
[0034][0035][0036]上式中*为卷积操作，F
gray
(x，y)为原始图像在坐标(x，y)处的灰度值。
[0037]步骤3.4、计算梯度幅值，得到边缘特征矩阵：
[0038][0039]进一步的，所述步骤4具体包括以下步骤：
[0040]步骤4.1、通过平均池化和最大池化两类函数M
avg
(
·
)和M
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种协同边缘检测与空间注意力机制的耕地提取方法，其特征在于，包括以下步骤：步骤1、对原始耕地图像数据和对应的原始标签图像数据分别进行分块处理：设两种原始图像的高为h，宽为w，通道个数为c，对于原始图像随机产生每个分块的高度、宽度的起始像素值，并以img_h为高，以img_w为宽划分出m个子像素块其中每个像素块X的大小为img_h
×
img_w
×
c；并随机对获得的分块数据进行旋转、翻转、添加扰动和/或添加噪声，增大训练集样本个数，以提高模型的泛化能力；将最终获得的分块原始耕地图像数据和对应的分块原始标签图像数据分别存放在集合src_set和label_set中，作为后续深度学习的数据集；步骤2、构造训练集和数据集，对src_set和label_set分别按照3∶1∶1的比例进行划分，分别构造训练集train_set，验证集val_set和测试集test_set；步骤3、将步骤2所得的训练集数据输入到构造的基于U
‑
net的深度学习空间注意力机制的模型中去，得到边缘增强图像与特征图；首先，对于训练集中的每一个输入样本F
train
采用边缘检测模块进行原始耕地图像数据的边缘特征提取，得到边缘增强图像F
edge
，并与F
train
进行连接融合，得到特征图接着，通过模型进行多尺度下的语义分割，设共有l个尺度，在每个尺度i下对输入样本进行一次卷积得到以适配当前尺度下的分辨率大小，i＝1，2，3，
…
，l；然后得到当前尺度下的边缘增强图像与特征图不同尺度下的准度大小均为h
i
×
w
i
×
c
i
；上式中，[
·
]
channel
为拼接函数，在通道维度上进行拼接，Cov()为卷积核大小是1
×
1的卷积函数；步骤4、生成空间注意力特征图：将步骤3中得到的每一尺度下的特征图输入到空间注意力模块中，生成空间注意力特征图其维度大小为：h
i
×
w
i
×
c
i
；步骤5、空间特征与边缘提取的几何特征融合：利用步骤4得到空间注意力特征图和步骤3得到的边缘增强图像融合，得到全局空间关系感知特征图骤3得到的边缘增强图像融合，得到全局空间关系感知特征图步骤6、特征图像加权融合：利用步骤5中得到的空间关系感知特征图与特征图进行加权操作，得到加权后的输出特征图进行加权操作，得到加权后的输出特征图上式中，为哈达曼乘积操作；步骤7、空洞空间卷积池化：在最低分辨率下将得到的加权特征图通过一个空洞空间卷积池化ASPP模块，通过组合不同感受野下的特征，进一步捕获多尺度上下文信息：步骤8、对输出特征图进行上采样，并将上采样结果与模型编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入；以交叉熵作为损失函数，
来评价分割结果；得到训练好的模型；步骤9、将步骤2所得的测试集数据输入到步骤8训练好的模型中，得到耕地的分割结果。2.如权利要求1所述协同边缘检测与空间注意力机制的耕地提取方法，其特征在于，所述步骤3包括以下步骤：步骤3.1、将原始分块彩色...

【专利技术属性】
技术研发人员：李世华，常明会，赵涛，穆羽，李军，冯庆，陈正洪，胡月明，
申请(专利权)人：四川省国土整治中心，
类型：发明
国别省市：