一种基于双重注意力和尺度融合的高分影像农田识别方法技术

本发明专利技术公开了一种基于双重注意力和尺度融合的高分影像农田识别方法，属于卫星遥感对地观测农田智能识别领域。方法包括：获取待识别区域的GF

【技术实现步骤摘要】
一种基于双重注意力和尺度融合的高分影像农田识别方法


[0001]本专利技术属于卫星遥感对地观测农田智能识别领域，具体涉及一种基于双重注意力和尺度融合的高分影像农田识别方法。

技术介绍

[0002]农田是指供生产粮食、经济作物以及森林、草原等农业生产和农村集体经济生产利用的土地，包括水田、旱地、园地、林地、草地等。农田是农业生产的基础，能够保障粮食安全、增加农业收入以及推动农业现代化，具有重要的经济、社会和生态意义。为有效进行农田资源的监督和管理，需要明确农田的位置和大小。农田地块识别是落实国家农业政策的基础，农田地块边界和范围要素的精准获取也是进行作物分类制图、产量预测和农业生产管理的重要前提。
[0003]与传统人工地面调查的农田制图方法相比，卫星遥感技术具有覆盖范围广、快速实时和无损的特点，已经成为农业监测最重要的手段之一。遥感影像具有光谱反射特征和空间纹理特征，利用这些特征能够对遥感影像中的土地利用类型进行有效分类。最初的遥感影像解译主要依靠目视解译，解译者利用影像中的色彩、纹理、形状等特征进行判断，并结合地面调查数据进行验证。但是该方法费时费力，且需要解译人员具备一定的专业知识和解译经验，不适合大面积、高精度的农田识别工作。随着计算机技术和数字图像处理技术的发展，遥感影像数字化处理手段逐渐应用于农田识别，这些方法包括利用光谱反射率波段计算植被指数识别农田的方法、利用图片纹理特征进行边缘检测的方法、基于区域分割的面向对象方法、以及一些统计学分析方法等。这些方法提高了农田识别的效率和准确性，但是存在参数优化难、远距离空间相关关系弱以及对噪声敏感等问题，无法充分挖掘遥感影像中农田的有关信息。
[0004]随着人工智能技术的兴起，遥感影像农田识别方法发展进入了新阶段。机器学习方法是一种依赖数据驱动的模型训练方法，不需要复杂的手工特征设计过程且模型参数能实现自动优化，模型计算速度快、准确率高。机器学习方法根据训练数据是否包含标签可分为监督学习和非监督学习，经典的算法包括k近邻算法(k
‑
Nearest Neighbors,KNN)、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)等，这些算法已经广泛应用于遥感影像农田识别任务中，并取得了良好的结果。一般的机器学习方法更多利用遥感影像的光谱特征进行分类，空间特征利用相对较少。随着计算机技术和硬件水平的发展，神经网络逐渐发展为深度学习方法，展现出了更强大的识别能力。卷积神经网络(Convolutional Neural Network,CNN)是一种特殊的深度学习网络结构，使用卷积操作提取图像特征，能够充分利用影像的空间特征和光谱特征，在图像处理方面有着极其突出的表现。由于其强大的特征提取能力和高识别准确性，已有许多研究采用CNN进行农田识别，是目前应用于遥感农田识别的主流方法。
[0005]虽然CNN能够成功完成图像处理任务，但将其应用于农田识别时仍存在一些问题。
首先，经典的CNN模型并不是针对信息丰富的遥感影像而设计的，如何构建能够有效挖掘信息和进行特征融合的深度学习网络，充分发挥高分辨率卫星的空间和光谱表达能力，是进行自动化遥感识别的重要问题。其次，农田对象在遥感影像中存在光谱类内差异大、类间差异小的问题，进行特征提取时容易收到其它地物特征的干扰，需要设计深度学习模块以重点关注农田特征的提取。最后，农田的大小、形状复杂多变，这要求模型能够识别不同尺度的农田对象，减少因为农田形态差异对识别结果的影响。因此，构建一个基于高分遥感影像的、能够有效提取不同尺度下农田特征的深度学习模型对遥感农田智能识别至关重要。

技术实现思路

[0006]本专利技术的目的在于解决现有技术中存在的问题，基于国产高分二号(GF
‑
2)卫星遥感影像，提供一种基于双重注意力和尺度融合的高分影像农田识别方法。
[0007]本专利技术所采用的具体技术方案如下：
[0008]本专利技术提供了一种基于双重注意力和尺度融合的高分影像农田识别方法，具体如下：
[0009]S1：获取待识别区域的GF
‑
2遥感影像数据，并对所述GF
‑
2遥感影像数据进行辐射定标和大气校正预处理；利用目视解译方法在待识别区域中绘制农田训练标签；选择经预处理后的GF
‑
2遥感影像数据的四个多光谱波段和所述农田训练标签构建数据集，随后使用移动窗口裁剪该数据集中的数据并进行数据增强，得到深度学习农田识别数据集；
[0010]S2：依次构建空洞残差模块、双重注意力机制模块和空洞金字塔池化模块，搭建双重注意力尺度融合网络模型；
[0011]所述空洞残差模块的构建方法具体如下：为减小农田对象在遥感影像中的尺度差异的影响，和增强对高分辨率遥感影像数据光谱信息的深度挖掘能力，空洞残差模块由并行的空洞卷积和残差连接构成；并行的空洞卷积分支有着逐渐扩大的空洞率，能够在不同的尺度下进行农田特征提取，且并行结构能够增强信息挖掘能力。
[0012]所述双重注意力机制模块的构建方法具体如下：双重注意力机制模块包括通道注意力和空间注意力计算，所述通道注意力在通道方向计算不同特征图权重，增强了农田特征图的权重，减少了其它地物特征的干扰；空间注意力在各个特征图内计算权重，有助于确定农田分布的位置和空间相关关系，增强农田与背景的区别。
[0013]所述空洞金字塔池化模块的构建方法具体如下：空洞金字塔池化模块结合了多尺度金字塔空洞卷积和池化操作，增强模型对不同尺度特征以及全局上下文信息的识别能力，融合全局特征和局部特征。
[0014]S3：利用所述深度学习农田识别数据集训练所述双重注意力尺度融合网络模型，进行模型验证和精度评价，得到最适用于待识别区域农田识别的深度学习网络模型参数，进而得到最优双重注意力尺度融合网络模型；
[0015]S4：利用经过步骤S1中辐射定标和大气校正预处理后的GF
‑
2遥感影像数据对待识别区域的农田分布进行识别，将待识别区域的GF
‑
2遥感影像数据裁剪后，输入所述最优双重注意力尺度融合网络模型，得到农田识别结果；将所述农田识别结果拼接并进行坐标投影，在矢量化后得到农田矢量分布图。
[0016]作为优选，所述待识别区域为中国新疆维吾尔自治区南部阿拉尔地区。
[0017]作为优选，所述步骤S1中，遥感影像预处理过程在ENVI软件中完成，目视解译绘制农田标签的过程在ArcGIS软件中完成；四个多光谱波段包括近红外波段、红光波段、绿光波段和蓝光波段，空间分辨率为4m；裁剪的移动窗口的大小为256
×
256，移动步长为128；数据增强方法包括水平翻转影像、垂直翻转影像以及随机修改亮度，这三种方法对裁剪影像依次应用。
[0018]作为优选，所述步骤S2中，利用Python语言的PyT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力和尺度融合的高分影像农田识别方法，其特征在于，具体如下：S1：获取待识别区域的GF
‑
2遥感影像数据，并对所述GF
‑
2遥感影像数据进行辐射定标和大气校正预处理；利用目视解译方法在待识别区域中绘制农田训练标签；选择经预处理后的GF
‑
2遥感影像数据的四个多光谱波段和所述农田训练标签构建数据集，随后使用移动窗口裁剪该数据集中的数据并进行数据增强，得到深度学习农田识别数据集；S2：依次构建空洞残差模块、双重注意力机制模块和空洞金字塔池化模块，搭建双重注意力尺度融合网络模型；所述空洞残差模块由并行的空洞卷积和残差连接构成；所述双重注意力机制模块包括通道注意力和空间注意力计算；所述通道注意力用于在通道方向计算不同特征图权重，所述空间注意力用于在各个特征图内计算权重；所述空洞金字塔池化模块包括多尺度金字塔空洞卷积和池化操作；S3：利用所述深度学习农田识别数据集训练所述双重注意力尺度融合网络模型，进行模型验证和精度评价，得到最适用于待识别区域农田识别的深度学习网络模型参数，进而得到最优双重注意力尺度融合网络模型；S4：利用S1中经辐射定标和大气校正预处理后的GF
‑
2遥感影像数据对待识别区域的农田分布进行识别，将待识别区域的GF
‑
2遥感影像数据裁剪后，输入所述最优双重注意力尺度融合网络模型，得到农田识别结果；将所述农田识别结果拼接并进行坐标投影，在矢量化后得到农田矢量分布图。2.如权利要求1所述的一种基于双重注意力和尺度融合的高分影像农田识别方法，其特征在于，所述待识别区域为中国新疆维吾尔自治区南部阿拉尔地区。3.如权利要求1所述的一种基于双重注意力和尺度融合的高分影像农田识别方法，其特征在于，所述步骤S1中，四个多光谱波段包括近红外波段、红光波段、绿光波段和蓝光波段，空间分辨率为4m；裁剪的移动窗口的大小为256
×
256，移动步长为128；数据增强方法包括对裁剪影像依次进行水平翻转影像、垂直翻转影像以及随机修改亮度处理。4.如权利要求1所述的一种基于双重注意力和尺度融合的高分影像农田识别方法，其特征在于，所述步骤S2的空洞残差模块构建过程中，计算方法具体如下：其中，x表示输入特征，w1、w2分别表示空洞残差模块...

【专利技术属性】
技术研发人员：卢瑞，张樱凡，杨媛媛，史舟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：