基于改进U-net网络的无人机麦田遥感图像分割方法与流程

技术特征：
1.一种基于改进u-net网络的无人机麦田遥感图像分割方法，其特征在于它包括：步骤1：以u-net为基础，融合多信息注意力模块，改善卷积在局部感受野上对特征图的无差别信息处理，加强对麦田和田埂相似特征差异的学习，达到分割精确化的目的；步骤2：定义一个关注区域结构的混合损失函数，处理麦田图像中田埂与麦田的占比不均衡问题；步骤3：利用形状先验信息，并结合阈值和矩形结构参数信息，以区域连通算法为指导对分割结果进一步修正。2.根据权利要求1所述的方法，其特征在于步骤1中，多信息注意力模块包括空间注意力模块，和通道注意力模块；输入特征首先经过通道注意力模块，得到在通道维度上具有更强指向性和注意力信息的新特征；再将新特征输入空间注意力计算模块，最终得到融合空间和通道注意力信息的复合新特征。3.根据权利要求2所述的方法，其特征在于通道注意力模块通过计算各通道的重要性并以此进行权重分配，得到融合通道注意力信息的新特征；其计算公式如下：m
c
＝σ(mlp(avgpool(f)) mlp(maxpool(f)))式中，m
c
表示获得通道注意力的新特征，σ表示sigmoid函数计算，mlp为特征的共享网络，avgpool(f)表示平均池化特征，maxpool(f)表示最大池化特征。4.根据权利要求2所述的方法，其特征在于通过空间注意力模块捕获潜在信息，实现局部特征的丰富的上下文关系建立；计算公式如下：式中，i和j为特征图中某像素点位置，n表示输出总数，a
j
为融合通道注意力模块输出的新特征，特征a生成的三个新特征映射记做{b，c，d}∈r
c
×
n
；α表示尺度系数。5.根据权利要求1所述的方法，其特征在于步骤2中，提出基于区域结构的混合损失函数l
rs
为：式中，n表示输出总数，η
i
是每个损耗的权重，及分别表示第i个的焦点损失focal loss、结构相似损失ssimloss和tversky系数损失tverskyloss。6.根据权利要求1所述的方法，其特征在于步骤3中，修正步骤具体包括：s3-1、利用尺寸为20
×
512的先验矩形模板遍历网络分割结果图像，对待补全田埂roi进行初步选取，得到遴选的待补全田埂集合；s3-2、对s3-1中遴选的待补全田埂集合进行筛选，得到待补全田埂roi集合；s3-3、取s3-2中待补全田埂roi集合中某一roi的中线中点p
center
为种子节点；s3-4、均分当前roi为上下两部分，取二者中sum
p,xel
较大者并以p
center
为初始种子，利用区域连通算法得其宽度w
′
，并对当前roi进行动态拟合得到新的待补全田埂roi；s3-5、对s3-4中新roi进行填充；s3-6、重复s3-3-s3-5，直至roi集合中所有元素均被处理完成。
7.根据权利要求6所述的方法，其特征在于s3-2中，筛选公式为：式中，sum
p,xel
表示每个roi内田埂像素占比，col
pixel
表示纵向田埂在每个roi内的占比，t1和t2分别表示成为待补全田埂roi所需满足的条件阈值；i的取值由步长step和前一个roi位置共同决定。8.根据权利要求7所述的方法，其特征在于t1＝1500，t2＝100。9.根据权利要求7所述的方法，其特征在于i＝roi
before
7*step。10.根据权利要求6所述的方法，其特征在于s3-4中，重新拟合的公式为：式中，road
area
表示通过动态拟合后所得的最终待补全田埂区域，即新roi，w
′
为依据像素拟合的新田埂宽，half_l为roi的半高，为roi中点p
center
的x坐标，θ为新的待补全田埂roi与原roi的夹角。

技术总结
本发明提出基于改进U-net网络的无人机麦田遥感图像分割方法，通过加入注意力模块的方式加强目标特征学习，同时通过改进损失函数的方法对权重进行重分配，从而解决遥感图像中目标背景类别分布不均的问题；最后，结合形状先验信息对分割结果进行进一步修正。本发明利用采集的无人机麦田数据集进行训练和模型验证，试验结果表明，分割准确率和平均交并比分别达93.31％和73.91％，较好解决了田埂分割遮挡和缺失等问题。缺失等问题。缺失等问题。


技术研发人员：任守纲 顾兴健 李思哲 郑恒彪 徐焕良
受保护的技术使用者：南京农业大学
技术研发日：2021.09.14
技术公布日：2022/1/28