一种耕地地类分割方法、系统以及可读存储介质与流程

本发明涉及遥感图像分割，尤其涉及一种耕地地类分割方法、系统以及可读存储介质。

背景技术：

1、随着城镇化进程的加速和社会经济的快速发展，耕地保护面临着诸多现实挑战，例如，黄威耀、邹瑜以常德市为案例的研究中提到部分地区耕地“非农化”“非粮化”现象时有发生，基础设施建设、产业扩张等对耕地的占用压力持续增大，加之自然灾害、生态保护等因素的影响，耕地数量与质量的动态平衡难以稳定维持。

2、为了准确掌握耕地的数量、分布及利用状态，以实施有效保护和科学管理，传统的耕地监测方法依赖人工调查或常规遥感解译，这一方法虽然能够获取一定范围内耕地的宏观分布与基本数量信息，但却存在效率低、精度不足以及更新滞后等问题，难以满足精细化管理的需求。随着卫星遥感技术以及深度学习算法的广泛应用，基于深度学习的智能化耕地自动提取技术应运而生，该技术能够快速、准确地从高分辨率遥感影像中识别耕地边界、区分利用类型，为及时发现撂荒地块、监测耕地流转、评估保护成效等提供技术支持。然而，受地形起伏、地物光谱混淆及样本不均衡等因素的制约，目前该技术在复杂地形下仍然存在适应性不强的问题。

技术实现思路

1、本发明所要解决的技术问题是针对上述现有技术的不足，提供一种耕地地类分割方法、系统以及可读存储介质。

2、本发明解决上述技术问题的技术方案如下：一种耕地地类分割方法，所述方法包括：

3、s1、确定目标研究区域的历史遥感影像，并将所述历史遥感影像与对应用于存放耕地信息的耕地二值标注图进行绑定；

4、s2、按照预设的输入图像尺寸对绑定图像对进行切割，并基于所得的各切割图像对进行训练集的划分；

5、s3、将所述训练集输入到初始transunet++网络中进行模型训练，并在达到预设的训练结束条件时，得到目标transunet++网络，其中，transunet++网络以u-net网络的encoder-decoder结构为基础，并在encoder最深层特征图与decoder最浅层特征图之间嵌入了用于提升复杂地形下的特征表征能力的transformer-blocks模块，该transformer-blocks模块由多个transformer-block堆叠而成，各transformer-block均由多个transformer层、以及在多个transformer层之后串联的aspp层构成；

6、s4、将获取的实时遥感影像输入至所述目标transunet++网络中，得到耕地地类分割预测图。

7、进一步的，步骤s1中，所述确定目标研究区域的历史遥感影像，包括：

8、s11、获取目标研究区域的初始遥感影像，并对所述初始遥感影像进行几何变换增强，以模拟不同拍摄角度的遥感影像特征；

9、s12、对变换增强图像进行随机角度旋转，并在旋转图片时，采用双线性插值法保持图像分辨率，以确定目标研究区域的历史遥感影像。

10、进一步的，步骤s3中，所述transunet++网络在解码器的输出端还连接有用于实现耕地边界的精细优化以及细碎地块的连通性修复的pse模块。

11、进一步的，步骤s3中，所述transformer-blocks模块包括24个transformer层，且每间隔3个transformer层插入一个aspp层。

12、进一步的，步骤s3中，训练过程中，采用基于dice loss函数、focal loss函数以及bce loss函数加权组合的目标混合损失函数。

13、进一步的，所述目标混合损失函数的计算形式如下所示：

14、；

15、；

16、；

17、其中，表示总损失函数，表示像素级损失函数，表示多尺度损失函数，表示权重系数，表示用于处理类别不平衡的dice损失函数，表示用于解决难易样本不平衡问题的focal损失函数，表示二值交叉熵损失函数，、表示平衡上述三种像素级损失比重的权重系数，表示第k个尺度的权重系数，表示第k个空洞空间金字塔池化模块，表示变换后的特征图，表示真实标签。

18、进一步的，所述方法还包括：s5、将所述耕地地类分割预测图与步骤s1中获取的历史耕地标注图进行时空配准与对比分析，以识别目标研究区域内的耕地变化情况，为后续耕地保护措施的量化评估提供数据支撑。

19、第二方面，本申请公开的一种耕地地类分割系统，所述系统包括数据获取模块、训练集划分模块、分割模型训练模块以及耕地地类分割预测模块，其中：

20、所述数据获取模块，用于确定目标研究区域的历史遥感影像，并将所述历史遥感影像与对应用于存放耕地信息的耕地二值标注图进行绑定；

21、所述训练集划分模块，用于按照预设的输入图像尺寸对绑定图像对进行切割，并基于所得的各切割图像对进行训练集的划分；

22、所述分割模型训练模块，用于将所述训练集输入到初始transunet++网络中进行模型训练，并在达到预设的训练结束条件时，得到目标transunet++网络，其中，transunet++网络以u-net网络的encoder-decoder结构为基础，并在encoder最深层特征图与decoder最浅层特征图之间嵌入了用于提升复杂地形下的特征表征能力的transformer-blocks模块，该transformer-blocks模块由多个transformer-block堆叠而成，各transformer-block均由多个transformer层、以及在多个transformer层之后串联的aspp层构成；

23、所述耕地地类分割预测模块，用于将获取的实时遥感影像输入至所述目标transunet++网络中，得到耕地地类分割预测图。

24、第三方面，本申请公开的一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述任一项所述的一种耕地地类分割方法。

25、本发明的有益效果是：

26、1）以u-net网络的encoder-decoder结构为骨架，利用cnn提取局部纹理特征，利用transformer提取全局语义特征，实现了局部细节与全局语境的互补；

27、2）将aspp层串联在多个transformer层之后，先通过transformer层进行全局自注意力计算，建立像素间的长程依赖；再通过aspp层进行多尺度空洞卷积，提取不同感受野下的局部特征，这种“先全局后多尺度”的串联方式，使得网络在处理复杂地形下的遥感影像时，既能“看得远”又能“看得细”，极大地提升了特征表征能力；

28、3）transformer的自注意力机制结合u-net的跳跃连接，使得网络在解码阶段能更精准地恢复地物的空间细节，特别是针对遥感影像中常见的耕地不规则边缘，能够生成更加贴合真实情况的分割掩膜。

1.一种耕地地类分割方法，其特征在于，所述方法包括：

2.根据权利要求1所述方法，其特征在于，步骤s1中，所述确定目标研究区域的历史遥感影像，包括：

3.根据权利要求1所述方法，其特征在于，步骤s3中，所述transunet++网络在解码器的输出端还连接有用于实现耕地边界的精细优化以及细碎地块的连通性修复的pse模块。

4.根据权利要求1所述方法，其特征在于，步骤s3中，所述transformer-blocks模块包括24个transformer层，且每间隔3个transformer层插入一个aspp层。

5.根据权利要求1所述方法，其特征在于，步骤s3中，训练过程中，采用基于dice loss函数、focal loss函数以及 bce loss函数加权组合的目标混合损失函数。

6.根据权利要求5所述方法，其特征在于，所述目标混合损失函数的计算形式如下所示：

7.根据权利要求1所述方法，其特征在于，所述方法还包括：

8.一种耕地地类分割系统，其特征在于，所述系统包括数据获取模块、训练集划分模块、分割模型训练模块以及耕地地类分割预测模块，其中：

9.一种可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种耕地地类分割方法。