【技术实现步骤摘要】
本专利技术属于遥感图像处理，涉及一种基于多层次特征细化的遥感影像耕地提取方法及系统。
技术介绍
1、耕地资源是人赖以生存的物质基础，及时准确的摸清耕地空间分布和变化信息对于自然资源监测具有重要意义。遥感技术具有大面积同步观测、实时性强的有点，采用遥感影像解译方法获取大面积的耕地信息是行之有效的解决方案。因此，及时准确地从遥感图像中获取耕地信息具有重要的现实意义，有助于开展耕地“非粮化”和“非农化”监测，保护粮食安全。
2、传统的从遥感影像的提取耕地信息的方法以人工目视解译和类别判读为主、野外调查为辅，虽然精度高，但是工程实施周期往往以数年计，人力成本高，信息更新慢，不能满足精准监测需求。近年来，基于深度学习的语义分割方法可以通过端到端的学习完成逐像元分分类任务，且相较于传统机器学习算法的分类精度更高，地物完整性更强。例如，全卷积神经网络fcn是语义分割的开创性工作，之后提出的unet采用“编码-解码”的结构设计，通过对高低层级的信息进行融合改善了边界的分割效果。目前，这些语义分割模型在公开的自然图像上取得了很好的分割效果。
3、然而，这些分割模型主要转化自计算机视觉领域，其面向的分割对象是背景简单、目标单一的自然图像。不同于自然图像，遥感影像的场景范围更广，背景信息较为复杂，而且耕地与周围地物存在较高的外观相似性，直接将分割网络应用于遥感图像容易造成误分类。此外，遥感影像中耕地形状多样且通常具有较大的尺寸差异，如何更好地利用不同地物的空间关系、捕获全局语义信息表征，有助于提高耕地边界的连续性和完整性。p>
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于多层次特征细化的遥感影像耕地提取方法及系统，通过对不同层次的特征进行注意力细化，捕捉多尺度目标的判别特征表示，有效提高遥感影像耕地提取的精度。所述方法包括：
2、获取遥感影像，对所述遥感影像进行预处理得到固定尺寸的遥感图像，并划分训练集和测试集。
3、构建遥感影像耕地提取网络模型，所述网络模型包括特征编码器模块、特征注意力细化模块和多层次特征融合模块。
4、所述特征编码器模块输入为所述遥感图像，输出为4个不同层次的特征图，其结构由顺序连接的1个卷积单元和4个残差结构组成。
5、所述特征注意力细化模块对所述特征编码器模块输出的不同层次的特征图分别进行空间细化和通道细化，得到不同层次的细化特征。
6、所述多层次特征融合模块，对所述细化特征进行维度处理后进行特征融合，得到二值耕地提取结果。
7、对所述遥感影像耕地提取网络模型进行训练，得到训练好的遥感影像耕地提取网络模型和最优的权重参数。
8、将需要检测的遥感影像输入到所述遥感影像耕地提取网络模型中，输出二值的耕地提取结果，获得耕地区域。
9、进一步的，对所述遥感影像进行预处理得到固定尺寸的遥感图像，具体为：
10、对所述遥感影像进行大气校正和地理配准处理，得到准确的空间位置信息。
11、对处理后的遥感影像进行裁剪，得到图像块集合。
12、对图像块进行逐像素标注，得到标注掩膜集合。
13、对所述图像块集合和所述标注掩膜集合按照8:2的比例进行划分，得到训练集和测试集。
14、进一步的，所述特征编码器模块的卷积单元由卷积层、归一化层、激活层、最大池化层堆叠组成，所述残差结构由卷积层、归一化层、激活层堆叠组成。
15、进一步的，所述特征注意力细化模块对所述特征编码器模块输出的不同层次的特征图分别进行空间细化和通道细化，具体为：
16、对输入的不同层次的特征图，其中c是通道的数量，h、w分别为特征图的高度和宽度，为在通道维度的分组数量，将在通道维度划分为通道注意分支特征和空间注意分支特征。
17、对所述通道注意分支特征使用全局平均池化来嵌入全局信息，得到通道权重，
18、，
19、式中，为通道权重，为全局平均池化， i，j分别为像素点在水平方向和垂直方向的坐标。
20、根据通道权重得到通道细化子特征，
21、，
22、其中，表示空间缩放权重，表示位移量，表示门控操作。
23、对所述空间注意分支特征进行分组归一化得到空间权重，空间细化子特征，
24、，
25、其中，分别表示空间缩放权重和位移量，表示对进行分组卷积；
26、将通道细化子特征和空间细化子特征拼接得到细化特征，将所述细化特征聚合后采用通道级shuffle操作使跨组信息能够沿着通道维度流动。
27、使用1×1卷积降低通道维数，并对特征图进行批归一化和用relu激活函数提高非线性特征。
28、进一步的，对所述细化特征进行维度处理后进行特征融合，具体为：
29、将所述特征编码器模块输出的4个不同层次的特征图、、、，分别利用所述特征注意力细化模块得到细化后的特征、、、；
30、对进行卷积和上采样至与维度一致，为。
31、对进行1×1卷积改变通道数，使得与维度一致，为。
32、对进行1×1卷积改变通道数，使得与维度一致，为。
33、沿通道维拼接、、和，然后进行1×1卷积改变通道数使其与一致。
34、本专利技术还提出一种基于多层次特征细化的遥感影像耕地提取系统，所述系统用于实现上述的遥感影像耕地提取方法，所述系统包括：
35、遥感影像获取及预处理单元，用于获取遥感影像，对所述遥感影像进行预处理得到固定尺寸的遥感图像，并划分训练集和测试集。
36、网络模型构建及训练单元，用于构建遥感影像耕地提取网络模型并对所述遥感影像耕地提取网络模型进行训练，所述网络模型包括特征编码器模块、特征注意力细化模块和多层次特征融合模块；所述特征编码器模块输入为所述遥感图像，输出为4个不同层次的特征图，其结构由1个卷积单元和4个残差结构组成；所述特征注意力细化模块对所述特征编码器模块输出的不同层次的特征图分别进行空间细化和通道细化，得到不同层次的细化特征；所述多层次特征融合模块，对所述细化特征进行维度处理后进行特征融合，得到二值耕地提取结果；对所述遥感影像耕地提取网络模型进行训练，得到训练好的遥感影像耕地提取网络模型和最优的权重参数。
37、耕地提取单元，将需要检测的遥感影像输入到所述遥感影像耕地提取网络模型中，输出二值的耕地提取结果，获得耕地区域。
38、本专利技术将特征注意力细化与遥感影像分割相结合，构建了一种基于多层次特征细化的遥感影像耕地提取方法及系统，与现有遥感影像耕地提取方法及系统相比，本专利技术通过对图像多层次的特征进行空间细化和通道细化，有效提高了地物的特征判别能力；本专利技术设计的多层次特征细化方法，由粗到细，既保留了地物的低层级细节信息，又捕获了高层语义特征，提高了地物边界的连续性和完整性本文档来自技高网...
【技术保护点】
1.一种基于多层次特征细化的遥感影像耕地提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，对所述遥感影像进行预处理得到固定尺寸的遥感图像，具体为：
3.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，所述特征编码器模块的卷积单元由卷积层、归一化层、激活层、最大池化层堆叠组成，所述残差结构由卷积层、归一化层、激活层堆叠组成。
4.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，所述特征注意力细化模块对所述特征编码器模块输出的不同层次的特征图分别进行空间细化和通道细化，具体为：
5.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，对所述细化特征进行维度处理后进行特征融合，具体为：
6.一种基于多层次特征细化的遥感影像耕地提取系统，其特征在于，所述系统用于实现如权利要求1-5任一项所述的遥感影像耕地提取方法，所述系统包括：
【技术特征摘要】
1.一种基于多层次特征细化的遥感影像耕地提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，对所述遥感影像进行预处理得到固定尺寸的遥感图像，具体为：
3.根据权利要求1所述的遥感影像耕地提取方法，其特征在于，所述特征编码器模块的卷积单元由卷积层、归一化层、激活层、最大池化层堆叠组成，所述残差结构由卷积层、归一化层、激活层堆叠组成。
4.根据权利...
【专利技术属性】
技术研发人员：唐芝青，王显奇，文志军，廖莎，林琼琼，贺江江，阳德志，张斌，
申请(专利权)人：湖南省第二测绘院，
类型：发明
国别省市：
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。