[發明專利]一種基于遙感圖像的耕地提取方法、系統及電子設備

在審

• 申請號: 201910912941.5
• 申請日: 2019-09-25
• 公開（公告）號: CN110717420A
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 徐文娜;陳勁松
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 44316 深圳市科進知識產權代理事務所(普通合伙)
• 代理人: 曹衛良

本申請涉及一種基于遙感圖像的耕地提取方法、系統及電子設備。包括：步驟a：對遙感圖像進行波段選擇及圖像裁剪，得到用于構建網絡模型的數據集；步驟b：構建基于HRU?Net結構的網絡模型，所述基于HRU?Net結構的網絡模型包括卷積層和反卷積層；步驟c：將所述數據集輸入構建好的基于HRU?Net結構的網絡模型，得到所述數據集的耕地提取結果。本申請通過構建基于HRU?Net結構的網絡模型，針對保持圖像高分辨率信息進行了改進，使之能更好的適應遙感圖像地物細節豐富的特點，克服了耕地提取同物異譜的難點，能夠保持住更多的遙感圖像細節信息，使得耕地提取結果的細節更為豐富準確。

技術領域

本申請屬于遙感影像處理技術領域，特別涉及一種基于遙感圖像的耕地提取方法、系統及電子設備。

背景技術

傳統的提取耕地信息方法主要包括目視解譯、非監督分類和監督分類。目視解譯雖然分類精度高但耗時長、工作量大、效率低；非監督分類方法適僅用于對研究區沒有深入了解但需快速得到分類結果的情況；監督分類需要用戶選擇并根據訓練樣區進行分類，當對研究區域比較了解時可以使用該方法。

支持向量機方法(SVM)是目前應用較多且效果較好的監督分類方法，但在通過遙感圖像分類來提取耕地信息的過程中，由于耕地上種植的作物類型多種多樣，灌溉方式和土壤類型存在差異，同時存在未覆蓋地物的休耕期耕地，導致不同耕地的光譜特征差別明顯，存在嚴重的同物異譜現象，對傳統遙感分類方法(如SVM)的提取效果產生了很大的影響，不能很好的適應覆蓋不同地物的耕地提取要求。

近年來，深度學習在遙感圖像分類領域發展也很迅速。Makantasis等提出的兩層卷積神經網絡在四個多光譜的遙感影像數據集上測試都有很好的性能。Yue J等提出了一種結合主成分分析，邏輯回歸和卷積神經網絡的混合方法對多光譜影像分類。Nogueira和Miranda等對Brazilian Coffee Scenes數據集和UCMerced Land-use數據集進行分類時，提出了一種新的卷積神經網絡模型，并與傳統分類算法進行了對比，實驗結果表明了卷積神經網絡可對遙感數據進行分類，且相較于人工設計的算子在分類時有更好的表現。

也有學者將卷積神經網絡作為提取特征的工具，將卷積網絡的某一層輸出作為特征，結合其他分類器分類。如Penatti等人提取Brazilian Coffee Scenes數據集中影像的低層特征(顏色相關圖、局部顏色直方圖、HOG等七種)和中層描述特征(結合OpponentSIFT的詞袋模型)，與使用卷積神經網絡提取的特征進行對比，證明卷積神經網絡的提取到的特征不僅在自然圖像分類中有良好的性能，在遙感影像分類中也較傳統算法表現的好。2014年全卷積網絡FCN提出，相比于卷積神經網絡，全卷積網絡把全連接層換為了卷積層，可適應任意尺寸輸入，還加入了增大數據尺寸的反卷積層，使之能夠輸出更加精確的結果。隨后，Olaf Ronneberger等人提出U-net(Olaf，2015)，網絡基于FCN構造，因其網絡結構為U型，所以稱為U-net。與FCN不同的是，U-net網絡在上采樣部分依然有大量的特征通道，這使得網絡可以將環境信息向更高的分辨率層傳播，在醫學圖像分類上取得了很好的效果。目前，基于深度學習的遙感圖像耕地提取方法中，雖然U-Net網絡所需訓練數據少，效果好，然而，在遙感圖像分類過程中，需要將高分辨率圖像轉化為低分辨率圖像來提取抽象的語義信息，會丟失圖像的細節和邊緣信息，使得耕地提取結果細節不夠豐富準確。

發明內容

本申請提供了一種基于遙感圖像的耕地提取方法、系統及電子設備，旨在至少在一定程度上解決現有技術中的上述技術問題之一。

為了解決上述問題，本申請提供了如下技術方案：

一種基于遙感圖像的耕地提取方法，包括以下步驟：

步驟a：對遙感圖像進行波段選擇及圖像裁剪，得到用于構建網絡模型的數據集；

步驟b：構建基于HRU-Net結構的網絡模型，所述基于HRU-Net結構的網絡模型包括卷積層和反卷積層；