基于遥感影像的岩溶场景耕地地块提取方法与流程
本发明涉及遥感图像处理与计算机视觉,尤其涉及基于遥感影像的岩溶场景耕地地块提取方法。
背景技术:
1、高分辨率遥感影像的普及为耕地地块制图提供了可靠的数据源,可为耕地精细化管理与农业资源优化配置提供有力支撑,但传统耕地地块制图严重依赖人工解译,效率低、成本高,近年来,深度学习因其自动学习深层特征的能力,为高分辨率遥感影像耕地地块精准提取提供了可行方案。以卷积神经网络为代表的模型被广泛用于耕地分割研究,其中,u-net及其变体、deeplab系列等是应用最为广泛的语义分割架构,然而,上述主流深度学习模型在应对岩溶山区耕地地块大小、形状和光谱特征高度异质时,面临局部纹理与全局结构信息融合困难,容易导致边界丢失或描述错误,制约了制图精度;
2、现有深度学习方法在岩溶山区耕地地块提取存在以下缺陷:
3、传统cnn受限于卷积核的局部感受野,难以捕捉大范围耕地之间的长距离空间联系,容易导致大片连通耕地内部出现空洞或破碎,而基于transformer的模型虽利用自注意力机制解决了全局依赖问题,但其计算复杂度随图像分辨率呈二次方增长,且在处理耕地边缘等高频细节时往往不如cnn精细;
4、岩溶山区耕地地块边界不规则、形态复杂,且与背景对比度低,现有模型在深层特征提取过程中容易丢失精细的空间边界信息,导致分割结果出现边界粘连、边缘锯齿或细节丢失;
5、岩溶山区耕地地块尺度多变,既有大片连片耕地,也有大量小而分散的耕地斑块,现有模型难以同时有效感知不同尺度的地块特征,对小尺度地块容易漏提,对大尺度地块内部容易产生空洞。
6、现有方法多止步于栅格分割结果的输出,而实际应用如耕地地块精细化管理,需要矢量图斑数据,将栅格结果转换为高质量矢量图斑的后处理流程仍需大量人工干预,流程不够自动化、智能化;
7、针对上述的技术缺陷,现提出一种解决方案。
技术实现思路
1、本发明采用了如下技术方案:基于遥感影像的岩溶场景耕地地块提取方法,包括以下步骤:
2、步骤s1:获取岩溶山区高分辨率遥感影像及耕地地块标注数据,对遥感影像及标注数据进行预处理,按预设尺寸裁剪为影像块及对应的标签块;
3、步骤s2:基于标签块通过距离变换算法生成距离图,并通过边缘检测算法生成边界图,构建包含影像块、标签块、距离图和边界图的耕地地块多任务训练样本集,并对训练样本集进行数据增强操作;
4、步骤s3:构建基于长短距离融合、地块边界引导、多尺度特征融合和共享多语义空间注意力模块的多语义空间注意力-多尺度特征融合网络,用于输出耕地地块分割掩码及辅助边缘与距离图;
5、步骤s4:利用训练样本集对多语义空间注意力-多尺度特征融合网络进行端到端训练,采用多任务联合损失函数进行优化,得到多语义空间注意力-多尺度特征融合网络模型;
6、步骤s5:将待提取的整景遥感影像输入训练好的多语义空间注意力-多尺度特征融合网络模型,采用滑窗预测方式逐块处理并融合重叠区域,生成初步耕地地块栅格分割结果;
7、步骤s6:对初步耕地地块栅格分割结果依次进行孔洞填充、小斑过滤处理,经栅格矢量化后,对矢量图斑边界进行平滑处理,最终生成耕地地块矢量图斑。
8、进一步的,基于标签块通过距离变换算法生成距离图,并通过边缘检测算法生成边界图,构建包含影像块、标签块、距离图和边界图的耕地地块多任务训练样本集,并对训练样本集进行数据增强操作,具体过程如下:
9、将遥感影像及对应的耕地地块标注数据按照256×256像元尺寸、步长为256进行滑窗裁剪,生成影像块及对应的标签块;
10、基于耕地地块标注数据,采用欧氏距离变换计算每个像素到最近耕地地块边界的距离,并进行归一化处理,生成距离图,用于辅助网络学习地块边界位置信息;
11、基于耕地地块标注数据,采用canny边缘检测算法提取耕地地块边界,生成边界图,其中边界像素值为255,非边界像素值为0,用于提供边界监督信号;
12、将处理后的影像块、标签块、距离图和边界图按比例随机划分为训练集、验证集和测试集,完成样本数据集的构建;
13、对训练集样本进行随机水平翻转和垂直翻转数据增强操作,以扩充训练样本规模。
14、进一步的,构建的多语义空间注意力-多尺度特征融合网络,具体包括:
15、编码器,采用金字塔视觉pvt v2作为骨干网络,用于从输入影像块中提取多层级语义特征;
16、长短距离融合模块,连接于编码器的不同层级之后,用于融合全局上下文信息与局部邻域特征,补偿下采样过程中丢失的精细边界信息,输出多粒度互补增强特征;
17、地块边界引导模块,用于从原始影像块中提取边缘特征,并从所述编码器提取的语义特征中生成边界注意力权重,以强化特征图中的地块边界响应;
18、多尺度特征融合模块,用于对不同尺寸的卷积核并行提取多尺度特征进行动态加权融合,输出增强的多尺度特征表示;
19、共享多语义空间注意力模块,用于将二维空间注意力分解为两个正交的一维注意力,并通过多感受野共享深度可分离卷积进行多语义上下文建模,对特征进行自适应重标定;
20、解码器,用于对共享多语义空间注意力模块输出的特征进行上采样,并通过跳跃连接融合所述编码器提取的浅层特征,输出耕地地块分割掩码、边缘概率图和距离图。
21、进一步的,长短距离融合模块包括长距离分支、短距离分支和特征融合单元;
22、长距离分支基于共享多语义空间注意力模块捕获全局上下文信息,建立远距离像素间的依赖关系;
23、短距离分支基于残差卷积模块提取局部邻域特征,保留精细的空间细节;
24、特征融合单元,用于将长距离分支和短距离分支的输出进行通道拼接,并通过卷积层进行融合,输出多粒度互补增强特征,长短距离融合模块的运算过程如下:
25、
26、其中,为输入特征图,h为高度,w 为宽度,表示共享多语义空间注意力操作,表示残差卷积操作,[·]表示通道维度拼接,表示1×1卷积融合,为融合后的输出特征。
27、进一步的,地块边界引导模块包括边缘特征提取分支、语义特征处理分支、边界注意力生成单元和特征重标定单元;
28、边缘特征提取分支采用拉普拉斯卷积核从原始输入图像提取边缘特征图;
29、语义特征处理分支通过卷积层将骨干网络输出的多尺度语义特征,首先通过上采样处理后,再通过1×1卷积调整至目标通道数;
30、边界注意力生成单元对边缘特征图依次进行通道变换、通道维度取最大值压缩、sigmoid激活,生成边界注意力权重图;
31、特征重标定单元将边界注意力权重图与调整后的语义特征逐元素相乘,再与相加形成残差连接,输出引导后的特征。
32、进一步的,多尺度特征融合模块msf包括多尺度卷积分支、动态权重学习单元和加权求和融合单元;
33、多尺度卷积分支采用1×1、3×3、7×7、11×11不同尺寸的卷积核并行提取多尺度特征;
34、动态权重学习单元基于通道注意力机制为每个尺度分支分配自适应融合权重;
35、加权求和融合单元将各尺度特征按自适应权重进行加权融合:
36、
37、其中,为第个分支的动态权重,表示尺寸为的卷积核,表示全局平均池化,表示多层感知机,为加权求和后的多尺度融合结果。
38、进一步的,共享多语义空间注意力模块将二维空间注意力分解为两个正交的一维注意力,分别在高度方向和宽度方向进行多感受野特征提取,具体包括:
39、将输入特征图在高度方向求平均得到,在宽度方向求平均得到;
40、将和分别按通道分为4组,每组通道数为,对每组特征分别应用不同核尺寸的深度可分离一维卷积,核尺寸集合为;
41、将各组卷积结果拼接后通过sigmoid门控函数生成高度方向注意力图和宽度方向注意力图;
42、将输入特征图与高度方向注意力图和宽度方向注意力图逐元素相乘,得到增强特征:
43、
44、其中,表示逐元素乘法,沿宽度维度广播,沿高度维度广播。并在浅层和边缘特征增强时使用。
45、进一步的,步骤s4中多任务联合损失函数表示为:
46、
47、其中,,,为各任务损失的平衡权重,为多任务联合损失函数,为耕地地块分割掩码的二元交叉熵损失与dice损失的加权和:
48、
49、其中为平滑项,为二元交叉熵损失函数,bce是对模型输出的数值计算,为预测概率图,为真实标签,为第 i个像素的预测概率,为第 i个像素的真实标签,为平滑项;
50、为边缘概率图的focal损失,其中边缘分支的输出为未经过softmax函数转换的数值记为,focal损失函数内部对应用softmax得到概率,再计算加权交叉熵:
51、
52、
53、为预测概率,为类别平衡因子,为聚焦参数,i为像素索引,n为像素总数,t为真实类别索引。
54、为距离图的均方误差损失:
55、
56、其中,,分别为预测距离值和真实距离值。
57、进一步的,将待提取的整景遥感影像输入训练好的多语义空间注意力-多尺度特征融合网络模型,具体过程如下:
58、采用滑窗方式在整景影像上以固定步长依次裁剪与模型输入尺寸相同的影像块,块间设置重叠区域;
59、将每个影像块输入多语义空间注意力-多尺度特征融合网络模型进行预测,得到对应的分割结果块;
60、对于相邻影像块之间的重叠区域,采用最大值融合策略,将各块在重叠位置的预测值取最大值作为最终预测结果,以消除拼接痕迹并保留精细边界;
61、将多语义空间注意力-多尺度特征融合网络模型输出的概率图以0.5为阈值进行二值化,得到初步的二值栅格图。
62、进一步的,对初步耕地地块栅格分割结果依次进行孔洞填充、小斑过滤处理,经栅格矢量化后,对矢量图斑边界进行平滑处理,最终生成耕地地块矢量图斑,具体过程如下:
63、对二值化分割结果进行连通域分析,查找前景区域的轮廓,识别被前景完全包围的背景区域作为孔洞,计算各孔洞的面积,将面积小于预设阈值的孔洞填充为前景,以消除耕地斑块内部的小面积背景空洞,保证斑块的完整性。
64、小斑过滤:对孔洞填充后的二值栅格图进行取反操作,查找背景区域的轮廓,提取所有孤立的小图斑,计算各孤立图斑的面积,将面积小于预设阈值的图斑剔除,以去除噪声和细小误分类区域;
65、栅格矢量化:利用地理空间数据抽象库的polygonize函数,将经孔洞填充和小斑过滤处理后的二值栅格图转换为矢量面图层,生成包含耕地地块几何信息的矢量图斑;
66、边界平滑:对矢量化后的图斑边界采用角切割算法进行平滑处理,通过迭代角切割和顶点细分,在保持图斑主体形状特征的前提下,有效去除边界上的锯齿状棱角,使边界更加自然平滑,最终生成高质量的耕地地块矢量图斑成果。
67、综上所述,由于采用了上述技术方案,本发明的有益效果是:
68、该基于遥感影像的岩溶场景耕地地块提取方法,通过基于共享多语义空间注意力捕获全局上下文信息,短距离分支基于残差卷积保留精细空间细节,显式地将长距离依赖建模与局部残差学习相结合,有效补偿骨干网络下采样过程中丢失的精细边界信息,通过融合拉普拉斯卷积提取的边缘特征与骨干网络的语义特征,并利用生成的权重图进行特征重标定,强化边界区域的特征响应,以边缘检测任务学习到的边界知识引导分割任务的特征表示,使解码器在后续特征融合中能够更精准地定位耕地地块边界,有效缓解边界粘连与边缘锯齿现象,根据不同尺寸的卷积核并行提取多尺度特征,在不显著增加参数量和计算量的前提下有效扩大感受野,基于通道注意力机制动态为各尺度分支分配融合权重,使模型能够根据当前区域地块大小自动选择合适的尺度组合,显著增强对尺度多变耕地地块的建模能力,有效提高分割精度与鲁棒性,将二维空间注意力分解为两个正交的一维注意力,并结合多感受野共享深度可分离卷积块,以轻量级方式高效完成多语义上下文建模,生成软性权重,对原始特征进行自适应重标定,在保留更多原始信息的同时确保训练稳定性,实现高效且富含多语义信息的特征增强,依据滑窗预测最大值融合策略、孔洞填充、小斑过滤、矢量化及边界平滑后处理链路,实现了高度自动化的处理流程,有效支撑岩溶山区耕地精细化管理与农业资源优化配置实际应用需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com