[發(fā)明專利]結(jié)合邊緣檢測(cè)和多任務(wù)學(xué)習(xí)的遙感影像耕地地塊提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210435370.2
• 申請(qǐng)日: 2022-04-24
• 公開（公告）號(hào): CN114821315A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 李蒙蒙;龍江;汪小欽
• 申請(qǐng)（專利權(quán)）人: 福州大學(xué)
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V10/26;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 福州元?jiǎng)?chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 郭東亮;蔡學(xué)俊

本發(fā)明提出結(jié)合邊緣檢測(cè)和多任務(wù)學(xué)習(xí)的遙感影像耕地地塊提取方法，包括以下步驟；步驟S1：對(duì)研究區(qū)高分辨率遙感影像進(jìn)行預(yù)處理操作；步驟S2：基于多任務(wù)學(xué)習(xí)框架，通過設(shè)置對(duì)地塊邊界和形狀進(jìn)行約束的任務(wù)，進(jìn)行地塊邊界的高層級(jí)圖像特征提取；步驟S3：通過集成多尺度圖像邊緣信息和高層級(jí)語義邊界信息，改善地塊邊界提取存在的不連續(xù)、不閉合問題；步驟S4：基于同方差不確定性理論實(shí)現(xiàn)不同任務(wù)權(quán)重的自適應(yīng)調(diào)整；步驟S5：基于不同優(yōu)化器的模型訓(xùn)練與微調(diào)；步驟S6：對(duì)遙感影像滑窗預(yù)測(cè)、無縫拼接，提升大區(qū)域耕地地塊提取的效率；本發(fā)明能克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在耕地地塊提取中存在的邊界不連續(xù)、不閉合問題，有效提高了耕地地塊提取的幾何精度。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感影像分析技術(shù)領(lǐng)域，尤其是結(jié)合邊緣檢測(cè)和多任務(wù)學(xué)習(xí)的遙感影像耕地地塊提取方法。

背景技術(shù)

耕地是人類重要的生產(chǎn)資料，關(guān)系到糧食的供給，是人類重要的物質(zhì)基礎(chǔ)。精準(zhǔn)的耕地地塊信息是精細(xì)化農(nóng)業(yè)研究的基礎(chǔ)，是人類利用土地資源開展農(nóng)業(yè)耕作活動(dòng)的基本單元，也是開展精準(zhǔn)農(nóng)業(yè)數(shù)字化管理和決策的最小空間粒度。獲取精準(zhǔn)的耕地地塊信息有助于在地塊尺度上開展作物分類、產(chǎn)量估算和種植面積統(tǒng)計(jì)等相關(guān)工作。現(xiàn)有的耕地地塊提取技術(shù)多利用圖像分割、邊緣檢測(cè)，或單任務(wù)學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)等方法，但這些方法對(duì)復(fù)雜地形區(qū)(如南方丘陵區(qū))下的耕地地塊提取精度較低，難以獲得連續(xù)、閉合的地塊邊界。

多任務(wù)學(xué)習(xí)是將多個(gè)相關(guān)的任務(wù)放在一起學(xué)習(xí)的一種機(jī)器學(xué)習(xí)方法，涉及多個(gè)相關(guān)的任務(wù)同時(shí)并行學(xué)習(xí)，多個(gè)任務(wù)通過底層的參數(shù)共享來互相學(xué)習(xí)，提升學(xué)習(xí)算法的泛化效果。傳統(tǒng)的機(jī)器學(xué)習(xí)算法設(shè)計(jì)時(shí)，可通過構(gòu)建多種不同的約束條件，從不同角度優(yōu)化算法的學(xué)習(xí)能力，提高算法收斂速度和擬合效果。對(duì)于深度學(xué)習(xí)模型設(shè)計(jì)，可通過集成多任務(wù)學(xué)習(xí)模塊，分別優(yōu)化目標(biāo)函數(shù)或損失函數(shù)。這種結(jié)合專家知識(shí)的傳統(tǒng)機(jī)器學(xué)習(xí)算法設(shè)計(jì)理念，可有效的應(yīng)用在多任務(wù)深度學(xué)習(xí)模型設(shè)計(jì)中，進(jìn)而提升遙感信息的提取能力，本發(fā)明將其應(yīng)用于高分辨率遙感影像的耕地地塊提取的研究中。

發(fā)明內(nèi)容

本發(fā)明提出結(jié)合邊緣檢測(cè)和多任務(wù)學(xué)習(xí)的遙感影像耕地地塊提取方法，能克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在耕地地塊提取中存在的邊界不連續(xù)、不閉合問題，有效提高了耕地地塊提取的幾何精度。

結(jié)合邊緣檢測(cè)和多任務(wù)學(xué)習(xí)的遙感影像耕地地塊提取方法，包括以下步驟；

步驟S1：獲取用于提取耕地地塊的研究區(qū)高分辨率遙感影像，并對(duì)影像進(jìn)行預(yù)處理操作；預(yù)處理操作包括輻射校正、正射校正、影像融合、影像重采樣；

步驟S2：基于多任務(wù)學(xué)習(xí)框架，通過設(shè)置對(duì)地塊的邊界和形狀進(jìn)行約束的多個(gè)任務(wù)，進(jìn)行地塊邊界的高層級(jí)圖像特征提取；

步驟S3：通過集成多尺度圖像邊緣信息和高層級(jí)語義邊界信息，改善地塊邊界提取存在的不連續(xù)、不閉合問題；

步驟S4：基于同方差不確定性理論實(shí)現(xiàn)不同任務(wù)權(quán)重的自適應(yīng)調(diào)整；

步驟S5：基于不同優(yōu)化器的模型訓(xùn)練與微調(diào)；

步驟S6：對(duì)遙感影像滑窗預(yù)測(cè)、無縫拼接，提升大區(qū)域耕地地塊提取的效率。

步驟S2中，所述對(duì)地塊的邊界和形狀進(jìn)行約束的多個(gè)任務(wù)，分別通過計(jì)算地塊邊界的位置信息和地塊內(nèi)部點(diǎn)到最鄰近邊界的準(zhǔn)歐氏距離來實(shí)現(xiàn)；具體包括以下步驟；

步驟S21：選擇卷積神經(jīng)網(wǎng)絡(luò)VGG16為基礎(chǔ)網(wǎng)絡(luò)，修改網(wǎng)絡(luò)結(jié)構(gòu)，集成上下文信息聚合模塊構(gòu)建基礎(chǔ)網(wǎng)絡(luò)模型，捕捉多個(gè)尺度的圖像上下文信息；

步驟S22：使用常用的邊界提取算法，如MATLAB內(nèi)置的bwperim函數(shù)，獲得地塊邊界的位置信息，使用準(zhǔn)歐式距離變換得到地塊內(nèi)部點(diǎn)到最鄰近邊界的距離，完成多任務(wù)網(wǎng)絡(luò)模型的初步構(gòu)建。計(jì)算地塊邊界的位置信息B_l通過采用下式：

式中，x_i表示在影像空間R中的像素點(diǎn)位置；