一种基于深度学习的遥感图像地块提取方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113763396A(43)申请公布日2021.12.07(21)申请号202111028054.5G06N3/08(2006.01)(22)申请日2021.09.02(71)申请人中国农业科学院农业信息研究所地址100081北京市海淀区中关村南大街12号申请人湖南大学(72)发明人方乐缘孙伟黄来锋罗元孙斌李树涛张峭赵思建(74)专利代理机构湖南兆弘专利事务所(普通合伙)43008代理人谭武艺(51)Int.Cl.G06T7/11(2017.01)G06K9/46(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图6页(54)发明名称一种基于深度学习的遥感图像地块提取方法及系统(57)摘要本发明公开了一种基于深度学习的遥感图像地块提取方法及系统，本发明包括将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图；对地块边界概率图二值化、进行霍夫变换检测直线补充边界，得到地块边界；对地块区域概率图首先进行二值化得到二值化地块区域图，然后将二值化地块区域图基于地块边界进行粘连地块的分离，得到最终的遥感图像地块提取结果。本发明由深度神经网络提取初始地块及地块边界，在提取地块边界的基础上，利用地块的边界先验信息，通过霍夫变换检测边界直线对断开处进行补充完善，最终获得完整闭合的地块边界，从而对粘连地块进行修正分离，达到进一步优化地块结果的目的，有效解决地块粘连问题。CN113763396ACN113763396A权利要求书1/2页1.一种基于深度学习的遥感图像地块提取方法，其特征在于，包括：1)将遥感图像输入完成训练的深度神经网络得到地块边界概率图和地块区域概率图；2)对地块边界概率图二值化、进行霍夫变换检测直线补充边界，得到地块边界；3)对地块区域概率图首先进行二值化得到二值化地块区域图，然后将二值化地块区域图基于地块边界进行粘连地块的分离，得到最终的遥感图像地块提取结果。2.根据权利要求1所述的基于深度学习的遥感图像地块提取方法，其特征在于，步骤1)中的深度神经网络为由编码部分和解码部分串联构成编码‑解码结构的深度神经网络，其中编码部分用于对输入图像提取特征，解码部分用于根据编码器提取的特征恢复原图大小实现对地块区域及地块边界的预测，所述编码部分包括依次串行连接的输入模块、特征下采样模块以及空间引导模块，所述输入模块用于对输入图像处理以提取图像特征，特征下采样模块用于对输入模块提取的图像特征进行多次下采样以丰富语义信息，空间引导模块用于基于输入图像的归一化植被指数NDVI作为引导进行多尺度的特征信息挖掘以提高地块提取能力。3.根据权利要求2所述的基于深度学习的遥感图像地块提取方法，其特征在于，所述输入模块对输入图像的处理步骤包括：首先对输入图像通过三个卷积层得到特征图a，将得到的特征图a分别进行池化、卷积处理后在合并得到特征图b，将得到的特征图b一方面通过四个卷积层得到特征图c、另一方面通过两个卷积层得到特征图d，然后将特征图c和特征图d合并后再通过一个卷积层获得特征图e。4.根据权利要求2所述的基于深度学习的遥感图像地块提取方法，其特征在于，所述特征下采样模块为ResNeSt50残差网络，用于将特征图e进行多次下采样以丰富语义信息得到特征图f。5.根据权利要求4所述的基于深度学习的遥感图像地块提取方法，其特征在于，空间引导模块针对特征图f的处理步骤包括：将特征图f分别进行池化、卷积以及空洞比率分别为1、2、4、8的四个空洞卷积模块在进行合并得到特征图g，再将特征图g进行卷积后再与输入图像的归一化植被指数NDVI相乘得到编码部分最终提取得到的特征图h。6.根据权利要求3所述的基于深度学习的遥感图像地块提取方法，其特征在于，所述解码部分包括多个级联连接的上采样模块，且每一级上采样模块的输入包含上一级上采样模块的输出以及编码部分中同一分辨率的编码层特征。7.根据权利要求1所述的基于深度学习的遥感图像地块提取方法，其特征在于，步骤2)包括：2.1)对地块边界概率图进行二值化得到地块边界二值图像；2.2)针对地块边界二值图像，通过逐次去除边界的细化方法得到地块边界的骨架；2.3)在得到的地块边界的骨架的基础上进行边界补充与去除，其中进行边界补充是指进行霍夫变换检测直线，通过检测的直线对边界中断续的部分进行补充，得到完整的地块边界；进行去除是指对未闭合边界的部分检测进行清除；2.4)针对完成补充与去除后的地块边界的骨架，根据首尾已有边界的宽度进行宽度扩展，最终得到具有一致宽度的地块边界。8.根据权利要求1所述的基于深度学习的遥感图像地块提取方法，其特征在于，步骤3)包括：对地块区域概率图二值化；在地块区域概率图的二值化图像中