【技术实现步骤摘要】
多任务线段约束的高分辨率遥感影像规则化地块提取方法
[0001]本专利技术涉及农田地块提取研究
,特别是多任务线段约束的高分辨率遥感影像规则化地块提取方法
。
技术介绍
[0002]耕地是农作物种植的基础,精准的耕地地块信息是精细化农业研究的基础,传统的地块提取方法多依赖实地调查或人工数字化高空间分辨率
(
简称高分辨
)
遥感影像,耗时费力
、
生产周期长,难以满足大范围的农业应用需求
。
遥感作为获取地理空间信息的有效手段,具有观测范围广
、
时效性强
、
周期性短的特点,被广泛应用于各类专题信息的提取和分类研究中
。
其中高分辨遥感影像能清晰地表达地物的空间结构和表层纹理特征,突出地物的边缘信息,为精细化地块提取提供了基础和条件
。
然而,目前常规的基于高分辨遥感影像的地块提取方法多依赖图像的光谱
、
纹理
、
形状等特征,对抽象级别高的语义特征利用不足,难以自动化提取高精度的地块
。
耕地地块小而破碎
、
结构复杂且分布零散,加上作物种植结构方式多样,精准的耕地地块信息提取十分困难
。
[0003]深度学习是人工智能领域先进的模式识别技术,因其在图像特征学习方面具有显著效果而受到研究者们的广泛关注
。
比较于传统的图像分割方法,深度学习方法不需要依赖专家知识进行人工的特征提取 ...
【技术保护点】
【技术特征摘要】
1.
多任务线段约束的高分辨率遥感影像规则化地块提取方法,其特征在于,多任务神经网络构建和地块形状规则化,包括以下步骤:步骤
S1
:选择覆盖研究区域的高分辨率遥感影像,并对图像进行预处理;步骤
S2
:构建底层顶点
、
中层线段
、
高层掩膜多层级空间信息相互融合的多任务卷积神经网络模型,进行不同层级图像特征提取;步骤
S3
:基于步骤
S2
,采用线段吸引力方向图表示方法对中层线段特征进行约束,改善地块提取存在几何形状不规则,边界不连续
、
不闭合问题;具体地,通过计算图上每个像素到最近线段的投影距离来实现;步骤
S4
:建立联合损失函数,选择模型的优化器并进行参数微调;步骤
S5
:训练步骤
S2
的多任务网络模型,并将训练好的模型用于步骤
S1
所获遥感影像进行规则化地块提取;步骤
S6
:模型输出结果规则化;具体包括多边形生成和顶点优化
。2.
根据权利要求1所述的多任务线段约束的高分辨率遥感影像规则化地块提取方法,其特征在于,步骤
S1
具体包括以下步骤:步骤
S11
:获取研究区域高分辨率遥感影像,并对影像进行预处理操作,包括辐射校正,几何校正,图像裁剪,多光谱
‑
全色融合操作
。3.
根据权利要求1所述的多任务线段约束的高分辨率遥感影像规则化地块提取方法,其特征在于,步骤
S2
具体包括以下步骤:步骤
S21
:构建卷积神经网络编码器,其中编码器由四个部分组成,每个部分均包含一个卷积层
、
池化层和激活函数;步骤
S22
:构建多任务卷积神经网络解码器,其中解码器由两个部分组成,前半部分为包含四个上采样
、
特征通道拼接操作和一个空间自注意力模块,后半部包含三个分支,其中一个分支用于输出中层线段增强掩膜,另外两个分支用于输出顶点热图和高层掩膜,每个分支均包含一个卷积层
、
池化层
、
激活函数
、
和任务输出模块,线段与顶点
、
掩膜分支间均包含一个空间信息融合模块,中层线段分支还设有一个通道增强模块;步骤
S23:
使用步骤
S2
构建的不同层级特征检测的多任务卷积神经网络模型来自动学习不同任务
Task1,Task2,....Task
n
间的空间信息并进行特征共享,提取多任务特征
。4.
根据权利要求1所述的多任务线段约束的高分辨率遥感影像规则化地块提取方法,其特征在于,步骤
S3
具体包括以下步骤:步骤
S31
:计算图上每一像素到所有线段的投影距离,并将其赋予给投影距离最短的线段;计算像素点到线段的投影距离
D
i
采用下式:式中,
w
i
和
h
j
代表像素点的横纵坐标,
a
i
、b
i
、c
i
为像素在线段上投影点的法线方程
(a
i
x+b
i
y+c
i
=
0)
的三个参数;图上每一个像素
x
可以表示为:
即将像素分配给其到线段投影距离最短的线段
i
;线段吸引力方向图可以表示为
S
=
x
′
i
‑
x
i
,x
i
∈
δ
i
式中
x
′
i
为属于线段
l
i
的像素点
x
i
在线段
l
i
上的投影
。5.
根据权利要求1所述的多任务线段约束的高分辨率遥感影像规则化地块提取方法,其特征在于,步骤
S4
具体包括以下步骤:步骤
S41
:基于步骤
S2
构建的多任务网络模型,设计多任务损失函数,用来更新网络权值,以此减少实际与预测结果的误差;具体地,使用负对数似然函数作为地块预测掩膜损失函数,计算公式为:
l
Mask
=
w1l
Mseg
+w2l
Mafm
式中,
l
Mask
表示掩膜预测部分的总损失值,
w1、w2是各部分损失的权重参数;具体的单项损失计算公式为:损失计算公式为:式中,
l
Mseg
、l
Mafm
分别表示经不同层次特征融合生成的掩膜和线段引力图融合生成的掩膜与标签像素对比计算的分类误差;
n
表示像素的数量,
p
m
·
(x
;
f
m
·
)
代表模型在经过
Softmax
函数后的预测概率,
f
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。