融合特征对比边缘先验与门控引导的多任务地块提取方法

摘要: 本发明涉及遥感影像智能解译、农业遥感监测与计算机视觉,特别是涉及融合特征对比边缘先验与门控引导的多任务地块提取方法。背景技术:1、耕地地块是农业生产管理、耕地资...
融合特征对比边缘先验与门控引导的多任务地块提取方法

本发明涉及遥感影像智能解译、农业遥感监测与计算机视觉,特别是涉及融合特征对比边缘先验与门控引导的多任务地块提取方法。

背景技术:

1、耕地地块是农业生产管理、耕地资源调查、农业补贴核查、粮食安全评估和国土空间治理的重要基础单元。随着高分辨率遥感技术的发展,遥感影像已能够较精细地反映田块边界、作物纹理和农业基础设施分布情况,为耕地地块自动提取提供了重要数据基础。

2、然而,在高分辨率农业遥感影像中,耕地地块常常呈现出复杂的空间形态和显著的尺度差异,耕地地块的提取仍然面临较大挑战。首先,耕地地块在光谱和纹理上具有显著异质性,不同作物类型、播种状态、生长期、土壤背景、灌溉状态和管理方式均会导致影像表现差异。其次,耕地边界常常受田间道路、林带、阴影、灌溉渠以及相邻地块纹理相似性的影响,呈现边界模糊、断裂、粘连或弱对比特征。再次,不同尺度地块并存,既存在连片大田,也存在细碎小田,模型需要同时保持小尺度地块的细节结构和大尺度地块的整体轮廓。上述因素使得耕地地块精准提取成为农业遥感影像中的难点问题。

3、对现有技术进行检索、比较和分析后,筛选出如下具有代表性的现有技术信息:

4、现有耕地地块提取方法主要包括传统图像处理方法、基于机器学习的方法以及基于深度学习的语义分割方法:

5、传统图像处理方法通常利用光谱阈值、纹理特征、边缘检测算子或面向对象分割方法提取耕地边界。例如,sobel(索贝尔算子)、laplacian(拉普拉斯算子)、canny(坎尼算子) 等算子可以根据灰度变化检测图像边缘,面向对象方法可以通过影像分割和规则分类得到地块对象。然而,这类方法对人工参数依赖较强,难以适应不同区域、不同季节和不同作物背景下的复杂农业场景。特别是在光照不均、阴影遮挡、背景纹理复杂或地块边界对比度较低时,传统边缘算子往往会产生大量伪边缘或漏检真实边界,边界先验表达不足,难以刻画具有语义属性的真实地块边界。

6、基于机器学习的方法通常利用人工设计的光谱、纹理、形状和空间特征,再结合支持向量机、随机森林等分类器进行耕地识别。该类方法相比传统图像处理方法提升了分类能力,但其特征表达能力受限于人工设计特征,难以充分挖掘高分辨率遥感影像中的深层语义信息,对复杂场景和跨区域应用的泛化能力不足。

7、近年来,卷积神经网络和语义分割模型被广泛应用于遥感影像耕地提取任务。

8、unet、segnet、pspnet、deeplab、unetformer、pvtv2 等模型通过编码器—解码器结构、多尺度上下文建模、跳跃连接和层级特征提取机制,提高了遥感影像分割精度。然而,现有基于深度学习的语义分割方法在耕地地块提取任务中仍存在以下不足:一是对边界信息缺少显式约束,弱边界区域识别困难;对田埂、道路、林带阴影等复杂边界区域的判别能力不足,容易在复杂农业场景中出现地块粘连、边界断裂、轮廓模糊、边界不连续;二是多尺度特征融合策略较为固定,融合不充分,现有多尺度融合方法多采用简单拼接或加权融合策略,对尺度差异悬殊的农业地块适应性不足,难以同时兼顾小尺度碎片化地块和大尺度连片农田,小尺度地块细节易丢失;深层语义特征虽然具备较强的全局表达能力,但在采样过程中会损失细粒度空间信息,导致细碎地块、窄田埂和复杂轮廓区域难以被完整保留;三是模型输出通常以掩膜分割为主,缺少对边界连续性、空间距离关系和对象级几何结构的约束,容易产生边界粗糙、轮廓不完整、内部孔洞、相邻地块粘连、局部破碎等问题,导致对象级结构保持能力不足,影响地块对象级提取精度。四是不同农业区域之间存在明显的纹理、光谱和地块形态差异,现有方法跨域泛化能力有限,对区域间差异适应能力不足,精度有待提升。

9、综合上述,现有技术在针对高分辨率遥感影像耕地地块提取过程中存在弱边界区域识别困难、相邻地块易粘连、小尺度地块细节易丢失、多尺度特征融合不充分以及对象级结构保持能力不足的问题。

10、因此本发明提供一种新的方案来解决此问题。

技术实现思路

1、针对现有技术存在的不足,本发明的目的是提供融合特征对比边缘先验与门控引导的多任务地块提取方法,有效的解决了现有技术在针对高分辨率遥感影像耕地地块提取过程中存在弱边界区域识别困难、相邻地块易粘连、小尺度地块细节易丢失、多尺度特征融合不充分以及对象级结构保持能力不足的问题。

2、其解决的技术方案是,融合特征对比边缘先验与门控引导的多任务地块提取方法,所述方法包括如下七个步骤:

3、步骤s1:输入遥感影像,并通过主干特征提取网络提取多尺度层级特征,然后对所述多尺度层级特征进行空间对齐;

4、步骤s2:构建特征对比边缘模块fcem,所述模块fcem对输入的遥感影像和经步骤s1处理后得到的对齐后的多尺度层级特征进行处理,最后输出边界先验特征;

5、步骤s3:构建门控边界引导模块 gbgm,利用边界先验特征生成空间自适应门控权重,利用所述空间自适应门控权重对经步骤s1处理后得到的对齐后的多尺度层级特征进行动态调制,最后输出边界感知特征;

6、步骤s4:构建渐进式多尺度特征融合模块pmsf,所述pmsf模块将接收的多尺度边界感知特征进行拼接,输出多尺度融合特征;

7、步骤s5:构建多任务预测头模块,对多尺度融合特征以及边界感知特征进行处理,输出耕地地块掩膜预测结果、地块边界预测结果、距离约束图预测结果;

8、步骤s6:构建多任务联合损失函数,对耕地地块掩膜预测结果、地块边界预测结果、距离约束图预测结果进行联合监督训练;

9、步骤s7:将待识别的遥感影像输入到本发明训练完成的网络中,输出耕地地块提取结果。

10、本发明所实现的有益效果:

11、1.本发明构建的特征对比边缘模块fcem,采用真实空间差分方式与边界复制填充机制,该机制在计算水平和垂直差分时采用边界复制填充方式,能够有效抑制边界伪影,保证边缘特征在空间上的连续性和完整性;通过浅层卷积特征、真实空间差分特征和多尺度局部对比特征构建边界先验,从局部语义不一致性角度挖掘地块边缘线索,能有效增强弱边界、阴影遮挡和复杂纹理区域的可分性,提高弱边界区域的识别能力。

12、2.本发明设计的门控边界引导模块gbgm,边界与语义融合更灵活,该模块基于边界先验特征生成空间自适应门控权重,对同尺度语义特征进行动态调制,实现边界信息对语义特征的动态调制,在边界区域增强语义响应,在非边界区域抑制噪声干扰,缓解地块的粘连。

13、3.本发明构建的渐进式多尺度特征融合模块pmsf,融合不同尺度特征,通过不同卷积核或不同感受野分支分别提取局部细节、中尺度结构和全局语义上下文信息,同时引入注意力机制,实现多尺度边界感知特征的自适应融合,能够同时保留小尺度细碎地块的边界细节和大尺度连片农田的整体轮廓,增强不同尺度地块表达能力,提高模型在尺度差异悬殊场景下的稳定性,使得多尺度特征融合充分。

14、4.本发明通过地块掩膜、边界图和距离约束图三任务联合监督,使模型同时具备像素级分类能力、边界识别能力和对象几何结构感知能力,对象结构保持能力增强。

15、5.实验结果表明,本发明具有优异的分割性能,在 fhapd-js 数据集上取得了优异的像素级和对象级性能; iou达到95.45%,f1-score达到 97.27%,边界f1指标达到98.08%,对象级总分割误差 tse 降至 2.7840,本发明在整体分割精度、边界质量和对象结构保持方面均具有明显优势;本发明还具有优异的跨域泛化能力,在fhapd-js 训练并直接迁移至 fhapd-xj 的零样本跨域实验中仍保持优异的跨区域泛化能力。