[發(fā)明專利]一種從高分辨率城市遙感圖像中提取植被信息的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111364578.1
• 申請(qǐng)日: 2021-11-17
• 公開(kāi)（公告）號(hào): CN114067209A
• 公開(kāi)（公告）日: 2022-02-18
• 發(fā)明（設(shè)計(jì)）人: 歐陽(yáng)雯思;陳雙
• 申請(qǐng)（專利權(quán)）人: 廣西師范大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06K9/62;G06V10/774;G06T3/60;G06T7/11
• 代理公司: 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司 45112
• 代理人: 劉梅芳

本發(fā)明公開(kāi)了一種從高分辨率城市遙感圖像中提取植被信息的方法，包括如下步驟：1）數(shù)據(jù)增強(qiáng)；2）訓(xùn)練；3）獲取樣本圖像集；4）獲取分塊提取結(jié)果圖；5）獲取超像素子區(qū)域塊；6）獲取分塊樣本圖像；7）合并。這種方法能提升深度模型的泛化能力，減少拼接痕跡，提取準(zhǔn)確度高。

技術(shù)領(lǐng)域

本發(fā)明涉及高分辨率城市遙感圖像信息提取領(lǐng)域，具體是一種從高分辨率城市遙感圖像中提取植被信息的方法。

背景技術(shù)

城市植被生態(tài)系統(tǒng)在維持大氣碳氧平衡、減少熱島效應(yīng)、凈化以及美化城市環(huán)境等方面具有不可代替的作用。隨著遙感衛(wèi)星技術(shù)的不斷發(fā)展，利用高分辨率城市遙感圖像對(duì)植被信息進(jìn)行提取與分析能夠節(jié)省大量人力財(cái)力物力，可以更加高效地幫助規(guī)劃、管理城市地區(qū)的植被。

現(xiàn)有的城市遙感圖像植被信息提取方法主要分為以下兩種：一種是以支持向量機(jī)為代表的傳統(tǒng)機(jī)器學(xué)習(xí)方法，此類方法主要利用光譜特征對(duì)像元進(jìn)行單獨(dú)處理，忽略了高分辨率遙感圖像中包含的空間結(jié)構(gòu)及豐富的紋理信息，而植被光譜特性受環(huán)境條件、大氣狀況等諸多因素影響存在一定的地域性和實(shí)效性，往往使提取結(jié)果具有嚴(yán)重的“椒鹽現(xiàn)象”；一種是面向?qū)ο蟮闹脖惶崛》椒ǎ祟惙椒ㄗ詣?dòng)化程度較低，提取效果的好壞極其依賴人為設(shè)置的閾值，性能不夠穩(wěn)定。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，而提供一種從高分辨率城市遙感圖像中提取植被信息的方法。這種方法能提升深度模型的泛化能力，減少拼接痕跡，提取準(zhǔn)確度高。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種從高分辨率城市遙感圖像中提取植被信息的方法，包括如下步驟：

1)數(shù)據(jù)增強(qiáng)：對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)剪裁，并對(duì)剪裁后數(shù)據(jù)集中的圖像進(jìn)行圖像旋轉(zhuǎn)，如逆時(shí)針或順時(shí)針進(jìn)行90°、180°或270°的旋轉(zhuǎn)、圖像翻轉(zhuǎn)，如鏡面、模糊、添加噪聲，如高斯噪聲、椒鹽噪聲數(shù)據(jù)增強(qiáng)操作；

2)訓(xùn)練：采用UNet++網(wǎng)絡(luò)結(jié)構(gòu)，選取步驟1)中數(shù)據(jù)增強(qiáng)操作后數(shù)據(jù)集中百分之八十的圖像作為訓(xùn)練集，然后輸入U(xiǎn)Net++網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其余百分之二十的數(shù)據(jù)集圖像作為驗(yàn)證集，用于驗(yàn)證模型效果；

3)獲取樣本圖像集：選取任意一張圖像作為需要進(jìn)行植被提取的樣本圖像，對(duì)樣本圖像進(jìn)行膨脹分塊處理，得到樣本圖像集；

4)獲取分塊提取結(jié)果圖：加載步驟2)中訓(xùn)練后的最佳模型，使用模型對(duì)步驟3)得到的樣本圖像集進(jìn)行信息提取處理，得到分塊提取結(jié)果圖；

5)獲取超像素子區(qū)域塊：對(duì)步驟3)的樣本圖像集中的圖像進(jìn)行SLIC分割，得到超像素子區(qū)域塊；

6)獲取分塊樣本圖像：將步驟4)得到的分塊提取結(jié)果圖與步驟5)得到的超像素子區(qū)域塊進(jìn)行融合，統(tǒng)計(jì)該子區(qū)域內(nèi)所有像素點(diǎn)的預(yù)測(cè)標(biāo)簽值，通過(guò)公式計(jì)算子區(qū)域熵值，式中，H(S)為子區(qū)域S的熵值，Nc代表總類別數(shù)，l(i)代表第i個(gè)像素的標(biāo)簽類別，M代表子區(qū)域S的總像素?cái)?shù)，設(shè)置閾值T進(jìn)行判斷，若子區(qū)域熵值大于閾值T則進(jìn)一步分割與計(jì)算，直至每一塊子區(qū)域熵值均低于閾值T，最終將子區(qū)域中包含最大像素?cái)?shù)的預(yù)測(cè)標(biāo)簽值賦予該子區(qū)域，得到分塊樣本圖像；

7)合并：將步驟6)的分塊樣本圖像進(jìn)行合并，得到最終提取結(jié)果。

由于遙感圖像數(shù)據(jù)集樣本較少，故進(jìn)行數(shù)據(jù)增強(qiáng)操作增加樣本量提升深度模型的泛化能力；UNet++網(wǎng)絡(luò)結(jié)構(gòu)嵌入了1至4層的U-net結(jié)構(gòu)，重新設(shè)計(jì)的跳躍路徑減少了編碼器和解碼器子路徑間的語(yǔ)義差距，密集的跳躍連接改進(jìn)了語(yǔ)義相似特征的映射，深度監(jiān)督提供了剪枝操作，使得模型更加靈活通用；膨脹分塊的方式能夠避免提取結(jié)果圖產(chǎn)生明顯的拼接痕跡；SLIC分割算法相較于其他超像素分割方法在運(yùn)行速度、生成超像素的緊湊度、輪廓保持方面表現(xiàn)都更加優(yōu)秀，為之后子區(qū)域判斷的準(zhǔn)確率奠定基礎(chǔ)；通過(guò)對(duì)融合后樣本子區(qū)域的重新判斷，能夠有效去除“椒鹽現(xiàn)象”的影響并提高整體提取準(zhǔn)確度。