[發明專利]基于融合殘差修正的卷積神經網絡的耕地監測方法及系統

有效

• 申請號: 202010620615.X
• 申請日: 2020-06-30
• 公開（公告）號: CN111986099B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 邵振峰;王志強;姚遠;程濤
• 申請（專利權）人: 武漢大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/11;G06T7/155;G06T7/30;G06N3/04;G06K9/62;G06V20/10;G06V10/774
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

一種基于融合殘差修正的卷積神經網絡的耕地監測方法及系統，包括采集相同區域內不同時相高分辨率遙感影像，進行配準預處理，然后進行影像裁剪；提取相應的耕地區域矢量標注真值，得到影像區域內的耕地樣本和背景樣本；構建融合殘差修正的卷積神經網絡，包括基于Unet網絡加入空洞卷積操作，擴大感受野提取全局特征，然后融合殘差修正模型對耕地提取結果進行修正，取殘差修正后的結果作為耕地提取結果；對融合殘差修正的卷積神經網絡進行訓練；針對待提取的高分辨率遙感影像，通過訓練結果進行耕地提取；包括根據相同區域不同時相的遙感影像中耕地提取結果，對耕地提取結果相應柵格圖像進行差值運算和形態學濾波后處理，得到耕地區域變化檢測結果。

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種基于融合殘差修正的卷積神經網 絡的耕地監測方案。

背景技術

耕地是指用于種植農作物和耕種的土地，是人們賴以生存的資源，而基本農田是根 據國家、人口和農產品生產的需求，規劃的不可占用的耕地。

遙感影像可以用來檢測地表類型和狀況的變化，即利用遙感影像進行變化檢測。使 用兩個或兩個以上的時間獲取的多時相高分辨率圖像對耕地保護區的基本農田進行變化檢測，是實施永久基本農田保護政策的有效途徑。然而，目前各級單位中利用遙感影 像進行變化檢測大多還是基于人工目視解譯。目視解譯在傳統的耕地變化檢測中，憑借 從業人員的豐富經驗，可以取得符合生產需求的結果，但是效率較低，對工作人員的能 力和經驗要求較高，這存在一定的局限性。

近年來人工智能和遙感大數據的發展，使得基于深度學習的遙感影像變化檢測迅速 發展起來，利用深度學習方法從高分辨率圖像提取地物，再進行變化檢測也成為變化檢測的常用解決方法。基于該方法可以提高檢測效率，快速、客觀、準確地對耕地資源進 行變化檢測。目前在遙感影像語義分割、目標檢測等任務中取得較好效果的卷積神經網 絡主要包括AlexNet，VGGNet，ZFNet，GoogleNet，ResNet等。相比于傳統的人工設 計特征的方法，卷積神經網絡在具有強大的特征表征能力同時可以自動提取輸入圖像的 特征。由于卷積神經網絡在自然圖像領域展現出強大的優勢，越來越多的研究者嘗試將 卷積神經網絡應用于遙感影像領域，并在遙感影像地物分割以及地物識別等方面取得了 一定的進展。

在遙感影像的像素級地物分類領域，全卷積神經網絡(Fully ConvolutionalNeural Network，FCN)的提出，推進了其自動化進程。FCN目前是像素級語義分割的主流框架，在FCN的基礎上，又有諸如UNet，SegNet，DeconvNet，Deeplab系列等圖像語義 分割方法，為遙感影像的分類分割問題帶來解決方案。但是，目前主流的圖像語義分割 方法針對基于高分辨率遙感影像的耕地提取任務存在一定的誤差，包括耕地邊緣不完整 及椒鹽噪聲較多等問題。

因此，本發明基于遙感影像語義分割模型U-Net，引入空洞卷積和殘差修正模型，針對高分辨率遙感影像進行耕地提取，并結合多時相影像進行耕地保護區變化檢測。

發明內容

針對現有耕地保護區檢測存在的不足，本發明的目的是提供一種基于融合殘差修正 的卷積神經網絡進行耕地提取，再利用不同時相的影像中耕地提取結果對比的耕地監測 方案。

本發明技術方案提供一種基于融合殘差修正的卷積神經網絡的耕地監測方法，包括 以下步驟：

步驟1，數據預處理，包括采集相同區域內不同時相高分辨率遙感影像，進行配準預處理，然后，進行影像裁剪得到大小一致的圖像塊；

步驟2，構建樣本庫，包括基于步驟a采集到的影像，提取相應的耕地區域矢量標注真值，得到影像區域內的耕地樣本和背景樣本，構成含有標注信息的耕地樣本庫；

步驟3，構建融合殘差修正的卷積神經網絡，包括基于Unet網絡的基礎上，加入空洞卷積操作，在避免輸入圖像信息丟失的前提下，擴大感受野提取全局特征，然后融合 殘差修正模型對耕地提取結果進行修正，取殘差修正后的結果作為耕地提取結果；