一种复杂场景地块的遥感提取方法、装置、计算机设备及存储介质与流程

1.本发明涉及遥感数据处理领域，尤其涉及一种复杂场景地块的遥感提取方法及装置。


背景技术：

2.近年来，深度学习技术在高分遥感影像信息提取领域得到了快速发展，针对农业地块地智能提取技术也逐渐发展起来，研究区域多位于平原地区，而在中国平原地区面积仅占到了12％，目前针对复杂场景下的有效智能提取方法研究较少。在现有基于深度学习技术的农业地块智能提取方法中，总是试图利用一种深度学习模型来实现高分辨率遥感影像中所有农业地块的分类和提取，均未达到人工目视解译的效果。究其原因，复杂场景下地形地貌多样、地表结构细碎、气象条件复杂，同类地物呈现的特征各异、异类地物呈现同质特征等复杂情形，导致边缘、纹理、上下文等特征的混分，同一个分割与分类模型无法适用于所有农业地块类型，从而使误差层层传递，结果难以精准评价。
3.因此，亟需一种针对复杂场景如山地区农业地块的高分遥感提取技术，以解决以上技术问题。


技术实现要素：

4.本发明的目的在于提供一种针对复杂场景的遥感地块提取方法，装置，计算机设备及存储介质，根据复杂场景特点将任务区域划分为多个并行计算模块，在每个计算模块中针对不同待提取要素采用不同模型进行提取。
5.为实现上述目的，本发明提出一种复杂场景地块的遥感提取方法，包括：
6.获取高分辨率遥感数据并处理数据；
7.在遥感影像上根据地块中待提取目标要素特征进行并行区块划分，将复杂场景划分为多个相对独立的简单场景；
8.提取并绘制样本，并生成对应的标签图像；
9.对绘制的样本和标签图像进行训练，通过深度学习形成不同地物类型的多个训练模型；以及
10.根据所述多个训练模型，采用并行计算模式，形成地块图斑完整的目标要素矢量成果。
11.本发明还提出一种复杂场景地块的遥感提取装置，包括：
12.遥感数据获取及处理模块，用于获取高分辨率遥感数据并处理数据；
13.场景简化模块，用于根据获取的遥感数据，在遥感影像上根据地块中待提取目标要素特征进行并行区块划分，将复杂场景划分为多个相对独立的简单场景；
14.标签图像生成模块，用于提取并绘制样本，形成针对不同地物类型的样本集，并生成对应的标签图像；
15.训练模型生成模块，用于对绘制的样本和标签图像进行训练，通过深度学习形成不同地物类型的多个训练模型；以及
16.矢量成果生成模块，根据所述多个训练模型，采用并行计算模式，形成地块图斑完整的目标要素矢量成果。
17.本发明还提出一种计算机设备，包括：
18.处理器，用于存储处理器可执行指令的存储器，以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上述方法。
19.本发明还提出一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法。
20.本发明采用并行计算的模式，将复杂场景依据待提取目标要素特征划分为多个简单场景区块，保证每个区块内的农业地块要素特征相对一致，化复杂场景为多个相对独立的单一简单场景，提高农业地块目标要求提取的精度及效率。
21.同时，本发明采用分布式终端编辑方式，通过互联网将需人工编辑任务分发给多个分布式终端进行并行化的操作，提高工作效率，缩短任务区工程作业周期。
22.且本发明针对待提取目标要素边缘、纹理特征的不同，将农业地块分为五个层级来分别提取，充分考虑了复杂场景下农业地块各类型的特点，避免了不同类型地块之间的相互干扰。
23.本发明的有益效果是：本发明揭示的一种复杂场景地块的遥感提取方法通过化繁为简的思路，将复杂场景任务区划分为内部条件相对一致的简单场景区块，有效抑制了复杂场景下地形背景噪声的影响，同时最大程度的保证了图斑地块边界的完整性。
24.同时，本技术采用逐级并行计算提取的方法，充分考虑了复杂场景地块各类型的特点，避免了不同类型地块之间的相互干扰，使得样本制作和提取模型训练难度大大降低，有效减少了漏提率和错提率。
25.经过实践验证，本技术采用的方法相较于传统人机交互目视解译的提取方法，以一块面积为1175km2的区域为例，人工目视解译提取效率约为3km2/天，完成提取工作共需408人日；采用本技术计算机智能自动提取仅需2小时，大大地提高了作业效率。同时样本绘制、人工编辑采用分布式人员编辑，大大减少任务区工程周期。
附图说明
26.图1是本发明复杂场景地块的遥感提取方法的流程框图；
27.图2是本发明复杂场景地块的遥感提取方法的流程示意图；
28.图3是本发明平原区域并行化区块划分前后的示意图；
29.图4是本发明山地区域并行化区块划分前后的示意图；
30.图5是本发明耕地样本示意图；
31.图6a是本发明规则耕地样本矢量与影像叠加的示意图；
32.图6b是图6a的标签图像示意图；
33.图7a是本发明模糊耕地样本矢量与影像叠加的示意图；
34.图7b是图7a的标签图像示意图；
35.图8a是本发明规则耕地边缘提取影像的示意图；
36.图8b是图8a的预测灰度示意图；
37.图8c是图8a的线矢量示意图；
38.图8d是图8a的面矢量示意图；
39.图8e是图8a的提取结果示意图；
40.图9是本发明复杂场景地块的遥感提取装置的框图。
具体实施方式
41.下面将结合本发明的附图，对本发明实施例的技术方案进行清楚、完整的描述。
42.本发明实施例公开的一种复杂场景地块的遥感提取方法，根据地形、地势、地貌等信息将试验区复杂场景划分为多个相对独立的单一简单场景，在每类简单场景基础上，根据农业地块所呈现的视觉特征划分为不同类型的地块，对不同类型的地块分别设计不同的深度学习模型逐层提取。具体来说，结合图1，图2所示，所述地块提取方法包括：
43.s1，获取高分辨率遥感数据并进行数据处理
44.该阶段为数据准备阶段，主要为获取高分辨率遥感数据并进行数据处理，其中所述分辨率遥感数据包括高分辨率遥感影像数据、dem数据以及导航数据。高分辨率遥感采用如高分二号、高分七号、北京二号等分辨率优于1米的遥感影像为优，地形数据采用覆盖任务区域且满足正射纠正精度要求的30、12米等格网间距数字高程模型dem。数据处理包括将遥感影像处理为正射遥感影像，经过影像分析形成山脊、山谷线等。
45.s2，根据获取并处理的遥感数据，在遥感影像上根据地块中待提取目标要素特征进行并行化区块的划分
46.具体来说，将复杂场景进行并行计算区块划分，依据道路网、水系网以及通过对dem数据的地形分析提取地形线，如山脊线/沟谷线等，进而联结成地形网络，在不破坏地块图斑的基础上，将复杂场景划分为多个简单场景，各简单场景相对独立，单个场景下待提取目标要素特征尽可能一致。为下一步逐层提取提供边界约束的同时，也为实施大规模生产任务的并行化计算提供了队列化排序的控制单元。本实施例中将将复杂场景下农用地块分为为规则耕地、梯田、模糊耕地、水域以及园地5种待提取目标要素，同一区块内地块特征一致，可采用同一种模型进行深度学习计算。
47.s3，提取并绘制样本，并生成对应的标签图像
48.根据每个并行化区块中待提取目标要素特征进行样本选择，单个区块或多个待提取目标要素特征一致的多个区块作为同一样本集，最终单个待提取目标要素可形成多个样本集，最终形成覆盖五类要素不同类型的多个样本集，如样本集1，样本集2
…
样本集n。在选择的样本集中进行人工绘制形成矢量与影像叠加的样本矢量文件。
49.其中，根据绘制的样本矢量与影像叠加的样本矢量文件，生成对应的标签图像，针对5种不同要素提取方式的不同，标签图像也相应地采用不同的形式。
50.s4，对绘制的样本和标签图像进行训练，通过深度学习形成不同地物类型的多个训练模型
51.对样本影像和标签图像进行训练，训练是根据绘制的样本，利用深度学习技术，最终形成针对某种地物类型的面/线模型。如本实施例中形成的模型有规则耕地线模型、梯田线模型、水域面模型、园地面模型以及模糊耕地面模型。规则耕地边界清晰，采用深度学习
的边缘模型(线模型)提取边界信息；模糊耕地、园地以及水域内部纹理匀质，采用深度学习的纹理模型(面模型)提取纹理信息。
52.s5，根据所述多个训练模型，采用并行计算模式，形成地块图斑完整的目标要素矢量成果。
53.具体来说，利用训练好的各类目标要素模型，采用并行计算模式，在单个简单场景模块下分别按照视觉注意顺序提取规则耕地、梯田、水、园地以及模糊耕地。包括：
54.s51,利用训练形成的模型对影像进行预测，生成预测灰度栅格数据。
55.s52，栅格矢量化，将预测灰度栅格数据转换为矢量数据。
56.s53，对生成的矢量数据进行边界平滑与美化等一系列后处理。
57.最终由多个简单场景模块汇总形成复杂场景任务区图斑要素。
58.s6，采用分布式终端的方式将矢量成果分发给多个分布式编辑终端进行人工编辑
59.复杂场景任务区庞大，样本绘制、智能提取成果编辑都需要大量的人工成果，本技术采用分布式终端的方式，通过互联网，将多个简单场景区块分别分发给多个分布式终端进行同步人工编辑，提高大型复杂场景目标要素解译效率，缩短了工程周期。
60.下面具体实施例以重庆市(地形地貌多样、气象条件复杂)作为研究区域，具体实施方案如下：
61.第一阶段，数据准备
62.1)以高分二号、高分七号等亚米级高分辨遥感影像为数据源，经过处理形成优于1米的正射遥感影像。
63.2)地形数据采用覆盖任务区域且满足正射纠正精度要求的30米等格网间距dem，并经过分析形成山脊、山谷线。
64.3)其他数据
65.重庆市区域内的导航数据、道路河流基础数据等数据。
66.第二阶段，并行化计算
67.1)基于道路网、水系网以及山谷/脊线等数据，在遥感影像上进行并行化区块的划分，划分依据为：保证同一区块待提取的目标要素特征一致，如图3，4所示，平原区并行化计算区块示例中，依据耕地因种植作物类型不同所呈现出的不同纹理特征，将任务区分为5个可并行计算的区块，同一区块内耕地特征一致，可采用同一种模型进行深度学习计算。
68.2)并行化区块影像裁剪，基于绘制好的并行化计算区块矢量，对任务区影像进行裁剪，以适应机器进行深度学习，重庆市共分为458个并行计算模块。
69.3)待提取目标要素样本选择：根据每个并行化区块中待提取目标要素特征进行样本选择，单个区块或多个待提取目标要素特征一致的多个区块作为同一样本集，最终单个待提取目标要素可形成多个样本集。如图5所示为耕地的样本示意图。
70.4)待提取目标要素样本制作：样本形式采用绘制边缘与纹理的矢量样本。本技术中任务区域范围较大，样本绘制采用分布式编辑方式完成。
71.5)样本标签图像制作：将样本矢量文件中目标标识地物类别的字段，生成一幅目标地物边缘像素灰度值为255、其余像素灰度值为0的单波段灰度图像。针对5个层级要素提取方式的不同，标签图像也相应地采用不同的形式，结合图6、7规则耕地和模糊耕地的标签制作示意图，分别如下：
72.对于规则耕地，规则耕地主要处于地势较为平缓的地区，其边界清晰，内部纹理较为均匀，在空间上分布相对整齐，形态比较规则，使用深度学习的边缘模型能较好地提取边界信息，构筑成地块。因此，针对规则耕地样本制作边缘标签图像，标签制作结果如规则耕地标签制作示例图6所示。
73.对于梯田，由于梯田地块的边界清晰，纹理均匀，相比于规则耕地地块，其形态较为细小狭长，因此需要设计更为聚焦的深度学习边缘模型，实现对更为精细边界的提取，标签制作过程与规则耕地一致。
74.对于模糊耕地，模糊耕地的边缘特征十分模糊或基本不存在，且形态各异，主要靠裸露土壤或作物冠层的纹理结构加以辨别，因此需要通过深度学习纹理分割模型进行识别。因此，针对模糊耕地样本制作纹理标签图像，标签制作结果如模糊耕地标签制作示例图7所示。
75.对于水域，由于水域地块由于受到水位以及土质等的影响呈现边缘杂乱不规则，内部纹理均匀的特点，因此使用深度学习的纹理模型实现对水域面的提取，标签制作过程与模糊耕地一致。
76.对于园地，由于园地地块种植以采集果、叶为主的多年生木本和草本植物，地块内分布相对整齐，纹理相对均匀，因此使用深度学习的纹理模型实现对园地面的提取，标签制作过程与模糊耕地一致。
77.第三阶段样本模型训练及目标要素矢量成果生成
78.训练是根据绘制的样本，利用深度学习技术，最终形成针对某种地物类型的面/线模型。本实施例中重庆市农业地块模型分为以下5种类型：规则耕地线模型、梯田线模型、水域面模型、园地面模型以及模糊耕地面模型。
79.基于5类要素的多个训练模型，将任务区域458个并行计算区块依次按照规则耕地、梯田、水域、园地和模糊耕地5种类型分别并行并行计算提取，结合图8所示为规则耕地边缘提取过程及结果的示意图所示，形成了相对独立、地块图斑完整的目标要素矢量成果。
80.第四阶段分布式终端处理
81.本技术涉及人工编辑部分采用了分布式终端并行开展的方式进行，分布式编辑涉及两个阶段：
82.1)样本绘制：将五类待提取目标要素样本分别分发个多个分布式终端进行人工绘制。
83.2)并行计算成果人工编辑：并行计算提取的五类成果在形态上、拓扑关系上仍存在一定误差，本专利采用分布式人工编辑的方式将成果分发给多个分布式编辑终端进行人工编辑。
84.经过上述工艺流程形成了各类目标提取成果，最终经过逐层组合形成全覆盖、精细形态的任务区成果，得到合并后的成果。
85.结合图9所示，本发明还提出一种复杂场景地块的遥感提取装置，包括：
86.遥感数据获取及处理模块，用于获取高分辨率遥感数据并处理数据；
87.场景简化模块，用于根据获取的遥感数据，在遥感影像上根据地块中待提取目标要素特征进行并行区块划分，将复杂场景划分为多个相对独立的简单场景；
88.标签图像生成模块，用于提取并绘制样本，形成针对不同地物类型的样本集，并生
成对应的标签图像；
89.训练模型生成模块，用于对绘制的样本和标签图像进行训练，通过深度学习形成不同地物类型的多个训练模型；
90.矢量成果生成模块，根据所述多个训练模型，采用并行计算模式，形成地块图斑完整的目标要素矢量成果。以及
91.分布式终端编辑模块，其采用分布式终端的方式将矢量成果分发给多个分布式编辑终端进行人工编辑解译，并经过逐层组合得到合并后的成果。
92.各模块具体实现对应的功能详见上述，此处不再一一赘述。
93.本发明还揭示了一种计算机设备，该计算机设备可实现上述所述的复杂场景地块的遥感提取方法，电子设备包括至少一个存储器、至少一个处理器以及计算机程序，至少一个存储器被耦合到所述至少一个处理器，其中，计算机程序存储于存储器中并可在处理器中运行。这里的计算机程序可被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述存储器执行，以完成本发明。其中，一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该计算机程序指令段用于描述计算机程序在所述电子设备中的执行过程。
94.本发明还揭示了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序被处理器执行时，可实现上述所述的复杂场景地块的遥感提取方法。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、可执行文件或某些中间形式等，所述计算机可读介质可以包括能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)等。
95.本发明的技术内容及技术特征已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰，因此，本发明保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求所涵盖。