基于面向对象与深度学习的GF-2影像林窗提取方法技术

本发明专利技术公开了基于面向对象与深度学习的GF‑2影像林窗提取方法，首先利用隶属度函数的面向对象分类法对研究区林窗进行提取，然后对结果进行精度验证后转化为索引图，制作深度学习模型训练所需的林窗样本标签数据集。第三步是对比PSPNet模型和DeepLabv3+模型对林窗识别的性能和准确度，最后，综合考虑对PSPNet模型进行改进，使用的方法是用轻量化网络MobileNetV2替换参数量大的ResNet50，为模型加入Focal Loss损失函数，加入CBAM注意力机制模块并对模型的结构进行优化。结果表明，该方法能提升模型识别林窗的效率和准确率。此方法针对目前使用遥感技术手段对林窗进行大范围识别研究较少的问题，该方法可有效完成基于高分辨遥感影像的林窗识别工作。

【技术实现步骤摘要】

本专利技术涉及遥感影像识别领域，专利技术具体涉及基于面向对象与深度学习的gf-2影像林窗提取方法。

技术介绍

1、林窗又被称为林间空隙，一般指森林间的树木由于病虫害、天气、风力、火灾、或者人为伐木造成的林间空地，是森林系统中比较常见的自然现象。林窗对于维持森林系统中物种多样性和森林物质循环具有重要作用。生态系统中，由于林窗的出现，森林内部的光照条件还有水热条件都会由于微环境的改变而改变，森林系统才能够持续更新。在实际调查当中，掌握森林系统的生态安全以及探索森林系统中林窗的空间分布状况，有助于进一步研究森林生态系统的动态演变及生态安全。

2、目前基于遥感影像的林窗提取，仍有很多研究人员采用目视解译的方法，结合实地勘测，根据工作人员的经验在影像上对林窗进行目视识别，这样的方法依赖于研究人员的主观意识和经验，提取精度会根据人工经验有所差异，在科学性上难免有所缺失。当前遥感信息提取中的面向对象分类法逐渐成为林窗提取的主流方法。面向对象分类方法是以对象为最小分割单元，很好地避免了传统基于像元分类的“椒盐现象”，然而，由于面向对象分类法在一定程度上依赖于研本文档来自技高网...

【技术保护点】

1.基于面向对象与深度学习的GF-2影像林窗提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于面向对象与深度学习的GF-2影像林窗提取方法，其特征在于，所述步骤(1)中预处理包括投影﹑裁切、辐射定标，几何精度校正和大气校正等处理。

3.根据权利要求1所述的基于面向对象与深度学习的GF-2影像林窗提取方法，其特征在于，所述步骤(2.1)中选择公式(1)，(2)，(3)作为RMAS值计算公式，与eCognition软件的ESP 2工具结合计算各类地物的最有分割尺度；

4.根据权利要求1所述的基于面向对象与深度学习的GF-2影像林窗提取方法，...

【技术特征摘要】

1.基于面向对象与深度学习的gf-2影像林窗提取方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于面向对象与深度学习的gf-2影像林窗提取方法，其特征在于，所述步骤(1)中预处理包括投影﹑裁切、辐射定标，几何精度校正和大气校正等处理。

3.根据权利要求1所述的基于面向对象与深度学习的gf-2影像林窗提取方法，其特征在于，所述步骤(2.1)中选择公式(1)，(2)，(3)作为rmas值计算公式，与ecognition软件的esp 2工具结合计算各类地物的最有分割尺度；

4.根据权利要求1所述的基于面向对象与深度学习的gf-2影像林窗提取方法，其特征在于，所述步骤(3)构建林窗样本数据集，根据步骤(2)所得到的林窗分类结果对其进行精度评价，然后结合人工校正，将其结果转化为索引图，考虑到训练样本当中既要保证林窗信息的完整性，又要使得标签数据集中尽量少包含背景信息，最后选择256*256像素对图片进行滑动窗口分割，得到深度学习模型训练使用的林窗样本数据集。

5.根据权利要求1所述的基于面向对象与深度学习的gf-2影像林窗提取方法，其特征在于，所述步骤(4)中由于林窗在森林系统中分布数量有限，且林窗样本数据集并没有公开的数据集，模型训练的数据集需要自己制作数量有限，为防止模型训练出现过拟合现象，对林窗数据集进行增广，...

【专利技术属性】
技术研发人员：夏既胜，刘丹莹，马孙杰，栾桂泽，邹福燕，
申请(专利权)人：云南大学，
类型：发明
国别省市：