一种农田边界高精度提取方法及系统

1.本发明属于图像处理技术领域，尤其涉及一种农田边界高精度提取方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.在农业监测时，精确高效地获取农田的范围和位置有助于满足土地精细化管理以及农业产业结构调整等社会需求。从而促进农业的现代化的发展，支持农业监测趋向于区域化、精细化和定量化。
4.现如今，涉及地块分类和提取的研究多数基于高分辨率影像进行，从对象、像元、亚像元尺度，围绕边缘检测算法、区域分类识别等关键技术。与传统的实地调查相比，基于卫星影像的方法可以大大降低成本，提高效率。如何精准高效的提取农田地块是农业遥感领域面临的长期挑战。
5.目前，地块的提取主要通过人工矢量化和高分辨率影像分割这两种方式来实现。通过人工矢量化提取边界的精度较高，但是在获取大范围农田边界数据时，该方法会耗费大量时间，效率较低。使用高分辨率影像分割，如基于阀值的分割方法、基于边缘的分割方法、基于区域的分割方法等，虽然省时省力，但最优分割尺度受地物类型、周围环境对比度和内部异质性影响，在复杂农耕区农田边界提取时效果较差，精度较低，存在着与地理实体不匹配的问题。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种农田边界高精度提取方法及系统，实现了农田的高精度划定，大大地节约了人力和物力。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种农田边界高精度提取方法，其包括：
9.获取待提取区域的多个波段的遥感图像；
10.将每一波段的遥感图像输入基于循环残差卷积神经网络，得到多个粗略农田边界图；
11.对所有粗略农田边界图进行融合后，计算融合图中的边界强度，得到初级农田边界图；
12.采用分水岭变换算法，对所述初级农田边界图中的边界进行间隙闭合，得到最终农田边界。
13.进一步的，所述基于循环残差卷积神经网络包括编码器；所述编码器用于对所述每一波段的遥感图像进行下采样操作，提取遥感图像的特征，生成不同尺度的特征图。
14.进一步的，所述编码器包括多个依次连接的编码层；
15.每个编码层包括依次连接的卷积层、批量标准化处理层和线性整流层。
16.进一步的，所述基于循环残差卷积神经网络还包括解码器；
17.所述解码器将所述编码器生成的不同尺度的特征图，进行特征融合，还原出粗略农田边界图。
18.进一步的，所述解码器包含多个依次连接的解码层；
19.每个解码层包括依次连接的反卷积层、批量标准化处理层和线性整流层。
20.进一步的，所述分水岭变换算法的具体步骤为：
21.为输入图像的每一个像元寻找下游像元，并记录在数组中；
22.对于数组中的每一个像元，判断其是否为局部最小，若是，则赋予一个新的标号，并将新的标号同样赋予与其连通并为局部最小的像元，直到所有的局部最小的像元获得标号；若不是，则判断其下游像元是否有标号，若有，则将其下游像元的标号作为其自身的标号，否则，判断其下游像元的下游像元是否存在标号，直到找到存在标号的像元，并将找到的存在标号的像元的标号作为其自身的标号。
23.进一步的，所述对所有粗略农田边界图进行融合具体采用单波段融合方法。
24.本发明的第二个方面提供一种农田边界高精度提取系统，其包括：
25.图像获取模块，其被配置为：获取待提取区域的多个波段的遥感图像；
26.分割模块，其被配置为：将每一波段的遥感图像输入基于循环残差卷积神经网络，得到多个粗略农田边界图；
27.初级农田边界图获取模块，其被配置为：对所有粗略农田边界图进行融合后，计算融合图中的边界强度，得到初级农田边界图；
28.间隙闭合模块，其被配置为：采用分水岭变换算法，对所述初级农田边界图中的边界进行间隙闭合，得到最终农田边界。
29.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种农田边界高精度提取方法中的步骤。
30.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种农田边界高精度提取方法中的步骤。
31.与现有技术相比，本发明的有益效果是：
32.本发明提供了一种农田边界高精度提取方法，其以高分辨率卫星影像为数据源，通过对带有循环(递归)卷积层和残差单元的u-net模型进行改进，得到农田地块边界划定模型，实现了农田的高精度划定，大大地节约了人力和物力，能够改善国土资源调查严重依赖人工数字化田块边界的情况。
33.本发明提供了一种农田边界高精度提取方法，其通过使用残差卷积模块代替传统的前向卷积层，基于不同时间步长持续性提取图像特征，实现特征积累，有助于开发更有效的深层模型，保证了更好、更强的特征表示，残差单元的引入也有效避免了网络深度加深引发的网络退化问题。
34.本发明提供了一种农田边界高精度提取方法，其可以测定农田的范围和位置，为开发一个准确的农业监测系统，提供作物条件的实时信息，通过构建适应农耕种植区特点的算法模型实现复杂农耕种植区内细碎地块的精准划定，为大范围地块精细化分类提供参考，满足土地精细化管理以及农业产业结构调整动态监测等社会需求，促进了农业的现代
化发展。且在农田边界提取中具有很大的普适性，可以服务于智慧农业、农业管理、作物种植管理、生态服务等方面，有广泛的应用范围。
附图说明
35.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
36.图1是本发明实施例一的改进r2u-net模型的结构图；
37.图2是本发明实施例一的u-net、resu-net、r2u-net在四个研究区内的地块边界提取结果图。
具体实施方式
38.下面结合附图与实施例对本发明作进一步说明。
39.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
40.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
41.实施例一
42.本实施例提供了一种农田边界高精度提取方法，如图1所示，包括以下步骤：
43.步骤1、获取待提取区域的多个波段的遥感图像；
44.步骤2、将每一波段的遥感图像输入训练好的基于循环残差卷积神经网络(改进r2u-net模型)，得到相同面积的多个粗略农田边界图；
45.步骤3、将所有粗略农田边界图进行融合后，计算融合图中的边界强度，基于边界强度，得到初级农田边界图。
46.步骤4、采用分水岭变换算法，对所述初级农田边界图中的边界进行间隙闭合，得到最终农田边界。
47.基于循环残差卷积神经网络的具体构建、训练和评价步骤如下：
48.步骤p1：通过目视解译，采用矢量化的方式获取研究区域的训练样本，得到目标区域的训练数据集。
49.采集研究区域的遥感图像，通过目视解译，利用人工矢量化的方式获取研究区域的农田边界样本数据，从而得到目标区域的训练数据集，包括如下具体步骤：
50.步骤p101：本发明中的研究区域为黑龙江，在黑龙江选取了四个研究区，分别为：牡丹江市阳明县(ym，研究区1)、佳木斯市桦川县(hc，研究区2)、齐齐哈尔市克东县(kd，研究区3)和绥化市望奎县(wk，研究区4)。其中，ym位于耕地破碎化的山区，其他3个县主要分布在平原区。hc和wk地区有小农农场，夏季种植玉米、棉花和大豆等多种作物，而kd地区的农田一般都很大，形状也很整齐。
51.采用sentinel-2提供的分辨率分别为10m和20m的9个波段的遥感图像，在四个研
究区域共生成了400个有标记的子集图像，每个子集为256
×
256像素，其中350个用于训练，其余50个用于模型测试。
52.步骤p102：对获取的400个有标记的子集图像进行辐射校正、大气校正、几何配准等预处理操作。
53.步骤p103：利用arcgis对预处理后的遥感影像中农田地块进行矢量化，获取人工数字化的田块边界矢量数据。
54.步骤p104：对数字化后得到的农田矢量边界数据进行掩膜提取，获得相应的农田地块样本数据。将研究区域的遥感影像与农田地块边界图组成训练样本集。
55.步骤p2：构建基于循环残差卷积神经网络(改进r2u-net模型)的农田边界划定模型。
56.从作物遥感识别的地块尺度入手，采用起源于r2u-net的循环残差u-net结构(循环残差卷积神经网络)。r2u-net最初是通过利用最近开发的三种cnn，即u-net模型、深度残差模型和循环cnn(rcn)的优势来分割医学图像。在本发明中，通过研究带有基本前向卷积层的u-net模型、带有前向卷积层和残余单元的u-net模型，即残余u-net(resu-net)以及带有循环(递归)卷积层和残差单元的u-net模型，即r2u-net，构建适应农耕种植区特点的农田边界划定算法模型，实现复杂农耕种植区内细碎地块的精准提取，为大范围地块精细化分类提供参考。
57.循环残差卷积神经网络包含编码器、解码器和预测器，其中，编码器用于对输入的每一波段的遥感图像进行下采样操作，提取遥感图像的特征，生成不同尺度特征图。编码器包括多个依次连接的编码层，每个编码层包括依次连接的残差卷积模块(卷积层)、批量标准化处理(bn层)和relu非线性激活函数(线性整流层)。将遥感影像输入模型，通过带有残余单元的循环卷积层(rcls)对目标影像进行特征提取，由此循环发掘深层次特征。为了加速深度网络训练的技术，对输出结果使用标准化处理，该过程同时能够缓解内部协变量移位的问题。在卷积神经网络中，卷积操作是线性操作，为了提高网络的非线性表达能力，引入了激活函数，帮助网络学习数据中复杂的抽象特征。因此，将经过批量标准化处理之后的特征图输入至线性整流层中，在该线性整流层中使用卷积神经网络中应用较广的relu函数作为激活函数，得到了融合后不同尺度的特征图像。
58.解码器将编码器生成的大量具有较低维数的不同尺度的特征图进行特征融合，还原出分割图像(粗略农田边界图)。解码器包括多个依次连接的解码层，每个解码层包括依次连接的残差循环反卷积块(反卷积层)、批量标准化处理(bn层)和relu非线性激活函数(线性整流层)。将编码层输出的特征图输入至解码层的反卷积模块，从而放大特征图尺寸，将特征图的尺寸进行恢复。为了更好的实现对特征图的融合，在对恢复大小的特征图进行融合前引入了辅助监督数据，遥感图像分割模型会更加关注物体的边缘部分，使得遥感图像分割模型对边缘的预测更加精确。对上一步输出的结果进行批量标准化处理以及利用激活函数实现不同尺度的特征融合，将受监督的边缘特征图与主体特征图融合起来，还原出分割图像。
59.预测器用于对分割结果进行监督。预测器包含卷积核大小为3*3的卷积层，该预测器将最终的特征图映射到与遥感图像类别数相同的维度中，采用柔性最大传递损失函数(softmax loss，交叉熵损失函数)监督分割结果。
60.其中，编码器将输入编码到中间状态，其中输入为向量，然后解码器网络将该中间状态解码为输出形式。标准化处理是指layer normalization，因为一层输出的改变会产生下一层输入的高相关性改变，特别是当使用relu,其输出改变很大。因此使用标准化处理，其作用为加速深度网络训练的技术，通过进行均值和方差的归一化处理，缓解内部协变量移位的问题，针对一层网络全部的神经元作数据归一化。循环卷积第一次是输入的影像图，输出的是特征图，进入循环卷积时输入就是输出的特征图继续进行特征提取，然后由此循环发掘深层次特征。线性整流层(rectified linear units layer,relu layer)，这一层神经的活性化函数(activation function)使用线性整流(rectified linear units,relu)f(x)＝max(0,x)f(x)＝max(0,x)。
61.循环残差卷积神经网络的构建过程包括如下具体步骤：
62.步骤p201：本发明中采用的r2u-net模型在带有循环(递归)卷积层和残差单元的u-net模型的基础上进行了相应改进，保留原始u-net模型的卷积编码和解码单元。与u-net中基本前向卷积层相比，在r2u-net中使用了循环卷积层，这有助于开发更高效的更深层次的模型。
63.步骤p202：r2u-net模型中只使用串联操作，并去掉卷积网络(u-net)模型中使用的裁剪和复制单元。
64.步骤p203：与u-net相比，本发明在r2u-net模型中进行了标准化处理。标准化处理是一种可以加速深度网络训练的技术，通过进行均值和方差的归一化处理，缓解内部协变量移位的问题。
65.标准化处理的具体操作流程为：
66.求每一个训练批次数据的均值，公式为：
[0067][0068]
求每一个训练批次数据的方差，公式为：
[0069][0070]
使用求得的均值和方差对该批次的训练数据做归一化，获得0-1分布，公式为：
[0071][0072]
进行尺度变换和偏移，公式为：
[0073][0074]
其中，b为输入的一批数据，μb和为b的均值和方差，ε是为了避免除数为0时所使用的微小正数，γ和β分别为尺度因子和平移因子，为可训练参数。
[0075]
标准化处理可以大大提高模型训练速度，不加标准化处理的网络需要慢慢的调整学习率，网络中加入标准化处理时，可以采用初始化很大的学习率，然后学习率衰减速度也很大，因此该算法收敛很快，可以显著减少趋向收敛的迭代次数，提高最终性能。数据标准
化处理后相当于只使用了s型激活函数的线性部分，可以缓解s型激活函数反向传播中的梯度消失的问题。
[0076]
步骤p204：与带有前向卷积层和残余单元的u-net模型相比，在模型中加入循环卷积层，并在加入的循环卷积层中加入不同时间步长的高效特征累积方法持续性提取图像特征，时间步长t分别为1，2，3。输入图像首先经过两个卷积核为3
×
3的循环卷积层，图1表示了循环卷积操作在t＝3时间步长上的展开流程，在t＝0时将图像输入至循环卷积层，t＝1时对图像进行第一次3
×
3前向卷积操作，t＝2将输入图像以及第一次前向卷积操作的输出整体作为第二次前向卷积操作的输入，以此类推，t＝3时的输出即为循环卷积层的输出。
[0077]
经过循环卷积模块操作后得到的低级特征信息与输入图像进行融合操作，实现残差连通性，循环卷积层基于不同时间步长的特征积累保证了更好、更强的特征表示，有助于提取非常低级的特征，这些特征对于特征复杂的遥感图像分割任务提供了更加细节的特征，提高了分割农田的精准性。
[0078]
步骤p205：由于在多个图像识别基准中，步长增加的卷积层优于最大池，所以在r2u-net模型基础上将最大池化层替换为3
×
3步长为2的卷积层。
[0079]
步骤p3：输入训练样本，基于模型学习具有代表性和判别性的特征，训练农田边界划定模型。
[0080]
基于人工矢量化后得到的训练数据集，将训练样本输入到构建完成循环残差卷积神经网络模型中，学习具有代表性和判别性的特征，优化各个参数，训练农田边界划定模型，包括如下具体步骤：
[0081]
步骤p301：对训练样本集中包含农田的样本进行过采样，选取与过采样的样本数目相同的仅包含背景的样本进行欠采样。
[0082]
步骤p302：将过采样和欠采样后的训练样本集输入到循环残差卷积神经网络模型中，采用逐级训练的方式，不断调整优化模型的参数。利用随机梯度下降算法，得到训练好的循环残差卷积神经网络模型。
[0083]
步骤p303：将训练好的的循环残差卷积神经网络模型应用于处理研究区的sentinel-2数据，得到初步不闭合的边界图。
[0084]
步骤p4：进行边界连接和场生成。
[0085]
基于r2u-net的轮廓检测结果是碎片化的轮廓，而不是将图像分割成封闭的部分。为解决这一问题，需要采用单波段融合以及边缘跟踪算法对破碎的边界进行整合，包括如下具体步骤：
[0086]
步骤p401：将sentinel-2多光谱图像的每一波段一次摄取到经过训练后的r2u-net模型中，得到相同面积的9个粗略农田边界层。
[0087]
步骤p402：在本发明中，由于三个红边与两个swir波段相似度很高，因此通过不同波段(9个波段)得到的粗略农田边界层进行叠加的方法，得到融合图(波段叠加后的边界影像图称为融合图)，计算粗略农田边界层每个边界在融合图中出现的频率(即，边界强度)，并将其归一化到0-1。
[0088]
步骤p403：根据预先设定的阈值进行分层融合。其中，通过正在工作的接收器特征(roc)曲线自动调查最佳阈值。roc是一个显示真实预测与错误预测对比程度的图表，它描述了真阳性率(tpr，绘制在y轴上)和假阳性率(fpr，绘制在x轴上)之间的相对权衡。
[0089]
在本发明中，在四个研究区内分别计算融合图的tpr和fpr，通过设置0.1-1.0的阈值范围来生成roc空间。在roc空间中，每个阈值都创建一个不同的点，最佳截断点是tpr高和fpr低的地方。roc曲线显示了不同研究区域的最佳截断点和不同阈值。结果表明，四个研究区域的最佳阈值分别为0.9、0.8、0.7和0.8。
[0090]
步骤p404：选出归一化的融合图中边界强度大于设定阈值的边界，得到初级农田边界图。
[0091]
步骤p405：采用分水岭变换算法，对所述初级农田边界图中的边界进行间隙闭合，得到最终农田边界。
[0092]
对于初级农田边界图中的未闭合边界，利用分水岭变换(owt)算法来处理。分水岭算法对微弱边缘具有良好的响应，可得到封闭连续边缘。但图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。其中阈值的获取方法为，首先将高斯滤波器(使用9
×
9个像素的移动窗口)应用于聚合的边缘图像(基于canny算子获得)，然后通过计算每个像素的加权平均值作为移动窗口的中间像素值，得出一个广义的边缘图像。最后，从广义图像的标准偏差中得到阈值。
[0093]
通过迭代合并基于分水岭变换(owt)得到的闭合边界，同时结合分割图中的初级农田边界图，得到最终的农田边界。
[0094]
分水岭分割算法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭，具体操作步骤如下(降水分水岭变换)：
[0095]
(1)为每一个像元寻找下游像元(即与其相比灰度最小的邻域像元)，并记录在数组中，数组中记录了所有像元的下游像元。
[0096]
(2)标识局部最小，对于数组中的每一个像元，判断其是否为局部最小(即局部图像灰度值最小的像素点)，若是，则赋予一个新的标号，将该标号同样赋予与其连通并均为局部最小的区域，直到所有的局部最小的像元获得标号；
[0097]
(3)标识非局部最小的像元，对于每一个非局部最小的像元p，总是存在一个下游像元，如果该下游像元已经被标识，则将此标号赋给p，否则寻找下游像元的下游像元，直到找到己经被标识的下游像元，并将该标号赋给p。所有像元的标号组成初级农田边界图。即，若像元不是局部最小，则判断其下游像元是否有标号，若有，则将其下游像元的标号作为其自身的标号，否则，判断其下游像元的下游像元是否存在标号，直到找到存在标号的像元，并将找到的存在标号的像元的标号作为其自身的标号。
[0098]
步骤p406：由于分水岭分割算法容易产生过分割，往往产生大量的小目标，因此，在分水岭分割操作之后需要执行一些形式的区域合并。
[0099]
步骤p5：对生成的农田边界进行精度评定。采用基于区域和基于边缘的方法对最终生成的农田边界的准确性进行评价，从而分析农田边界划定模型的适用性。并与常规边缘检测方法进行比较，分析基于循环残差卷积神经网络的农田边界划定模型的精确度，包括如下具体步骤：
[0100]
步骤p501：采用基于区域的方法对最终农田边界的适用性进行评价。其中基于区
域的度量是利用混淆矩阵计算的，矩阵由10,000个像素组成，其中在距离参考边界10m的范围内随机选取5000个“边界”像素，在距离参考边界10m以上的范围内随机选取5000个“非边界”像素。
[0101]
准确度的指标包括总体准确度(oa)、kappa系数(k)、佣金误差(ce)、遗漏误差(oe)和精度召回率(pr)。ce代表了场域的假边界，通常是由于场域分割过度造成的。oe提供了沿着参考场边界提取边界的准确性指标，其中高误差表明分割没有很好地描述场边界。pr是一个计算精确率(p)、召回率(r)和f1评分(或f度量)的框架，对于农田边界图，基于真阳性、真阴性、假阳性和假阴性四个项计算pr测度。其中，p是真阳性预测像素的数量除以网络返回的所有阳性像素的数量，用来衡量检测的边界与参考边界的接近程度；r是真正的阳性预测像素的数量除以所有应该被识别为阳性的像素，表示正确检测的参考边界的比例；f1评分(f)是p和r的谐波平均值，范围从0到1，当它接近1时趋于最佳状态，其计算公式为：
[0102][0103]
步骤p502：采用基于边缘的方法对最终的农田边界的准确性进行评价。其中基于边缘的准确性由四个指标(过分割率、欠分割率、位置偏移和偏心率)来评估，这四个指标分别反映了所提取区域相对于目标或参考区域的形状、大小和偏移。
[0104]
首先提取参考场和划定场之间的重叠区域，然后计算四个指标：(1)重叠区域与参考场的相对面积(过分割率，raor)；(2)重叠区域与提取场的相对面积(欠分割率，raos)；(3)提取场(s)与参考场的位置差异(位置偏移，dsr)，计算为提取场中心点与参考场中心点的平均距离；(4)形状的绝对差异(偏心系数，ε)；
[0105]
计算公式如下：
[0106][0107][0108][0109]
ε＝||eccentricity
or-eccentricity
os
||；
[0110]
其中，n代表r2u-net模型产生的场的数量，ao(i)是与参考场相关的第i个重叠区域的面积，ar是参考场的面积，as(i)是第i个提取场的面积，d
sr
是提取场的中心点与参考场的中心点之间的平均距离，代表划定场的位置精度；xs(i)和ys(i)是第i个提取场的中心点的坐标，xr和yr是参考场的中心点的坐标；ra
or
和ra
os
用于评估提取区域和参考区域之间的拓扑(部分)相似性，提供从0到100的比率值：数值越接近100，越不容易出现过度分割和分割不足现象。ra
or
、ra
os
和d
sr
的平均值代表整体分割质量；偏心率表示一个区域的形状偏离圆的程度(偏心率＝0)。表1展示了u-net、resu-net和r2u-net在四个研究区域的基于面积和基于边缘的度量结果。图2展示了u-net、resu-net、r2u-net在四个研究区内的地块边界
提取结果图。
[0111]
表1基于面积和基于边缘的度量结果
[0112][0113][0114]
步骤p503：与常规边缘检测方法进行比较，检测农田边界划定模型的精确度。在本发明中采用具有代表性的基于对象的图像分析(obia)方法作为参考，对所提方法的分类性能进行评价。
[0115]
obia中广泛使用的图像分割方法之一是嵌入商业定义专业软件中的多分辨率分形网络进化方法(fnea)。fnea是一种自底向上的区域增长算法，通常使用光谱方差和对象几何来定义。它从一个单像素对象开始，然后将相邻的成对对象合并为一个较大的对象，并以最小的异质性增加，直到异质性超过用户定义的阈值(如尺度参数)。本发明实施例中的图像分割使用的是易康(版本9)。
[0116]
分割算法需要几个用户定义的参数:(1)与输入图像层相关的权重；(2)定义光谱和空间异质性贡献的比率；(3)定义分割对象的紧密度和平滑度贡献的比例；(4)定义用于合并对象的异质性阈值的尺度参数。
[0117]
其中，尺度参数通过控制合成目标的大小来影响图像分析的空间尺度。目前，还没有自动、客观的方法来确定最优尺度参数，通常是通过对输入图像进行目视判读的试错方法来确定。在本发明实施例中，通过试错确定了形状参数为0.3，紧实度参数为0.5，量表为70。
[0118]
实施例二
[0119]
本实施例提供了一种农田边界高精度提取系统，其具体包括如下模块：
[0120]
图像获取模块，其被配置为：获取待提取区域的多个波段的遥感图像；
[0121]
分割模块，其被配置为：将每一波段的遥感图像输入基于循环残差卷积神经网络，得到多个粗略农田边界图；
[0122]
初级农田边界图获取模块，其被配置为：对所有粗略农田边界图进行融合后，计算融合图中的边界强度，得到初级农田边界图；
[0123]
间隙闭合模块，其被配置为：采用分水岭变换算法，对所述初级农田边界图中的边
界进行间隙闭合，得到最终农田边界。
[0124]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0125]
实施例三
[0126]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种农田边界高精度提取方法中的步骤。
[0127]
实施例四
[0128]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种农田边界高精度提取方法中的步骤。
[0129]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0132]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0133]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0134]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。