CN109543630A - 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 - Google Patents
基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109543630A CN109543630A CN201811433346.5A CN201811433346A CN109543630A CN 109543630 A CN109543630 A CN 109543630A CN 201811433346 A CN201811433346 A CN 201811433346A CN 109543630 A CN109543630 A CN 109543630A
- Authority
- CN
- China
- Prior art keywords
- forest land
- data
- remote sensing
- sensing image
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供基于深度学习的遥感影像林地提取方法,包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取***、存储介质、电子设备;本发明融合数字地表模型,将DSM数据与四波段样本数据进行融合,得到具有五个波段信息的训练数据,输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型,然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束,从而完成林地的精确分割,使林地的边界更加符合实际,本发明实现自动高效的林地矢量数据提取,极大的提高遥感影像的林地提取方法的准确度,缩短手工绘制的时间成本和人力成本。
Description
技术领域
本发明属于遥感图像处理技术领域,是一种基于数字地表模型的的深度学习高空间分辨率遥感影像林地提取方法,主要应用于亚米级遥感影像的林地自动提取。
背景技术
林地在人类生活环境中具有不可或缺的作用,它是生态环境重要的组成部分,是反映区域生态环境的最好标志之一,也是环境遥感应用研究的重要对象。利用遥感技术提取绿色林地信息已经有很长的历史,遥感可以快速有效地检测大面积林地的种类、特性、生长情况等信息;而林地遥感信息提取的目的是在遥感影像上有效确定植物的分布、类型、生长情况以及对植被的生物量做出估算等;因此,林地信息作为生态环境评价的重要参数对区域生态环境的检测和建设具有重要的意义。
近年来,随着计算机性能的极大提升以及深度学习的快速发展,卷积神经网络应用的领域不断扩大,利用卷积神经网络进行地物的自动化提取方法逐渐成熟,并在遥感领域取得了较大成效。由于传感器精度的提高,能够利用的遥感影像分辨率也越来越高,卷积神经网络提取的特征也越来越丰富。这样一来,利用卷积神经网络以林地为单位提取高分辨遥感影像上的多种类型林地也有了理论基础。
林地具有明显的光谱特征,特别是绿色植物在近红外波段的高反射特性和在可见光红色范围内的低反射特性,成为构建植被指数的理论基础,因此植被光谱成为最早的遥感基础研究对象之一;传统的林地提取方法大多基于NDVI植被指数加上一定的纹理识别方法来实现,但是由于林地本身的茂密程度不同,以及传统方法的局限性,提取效果一直欠佳;植被的种类有很多种,林地只是其中一种,只用植被指数很难将植被中的林地分离出来,要从植被中将林地单独提取出来还存在一定的困难,虽然林地和低矮草地在纹理上具有一定的区别,但是运用语义分割仍然存在误提和漏提的情况;另外由于植被的类别比较丰富,林地类别中也存在灌木、乔木等许多种类,纹理特征各不相同,界定起来也比较困难。前急需一种新型的针对遥感影像的林地提取方法。
发明内容
为了克服现有技术的不足,本发明提出的一种基于深度学习的遥感影像林地提取方法,融合数字地表模型,将DSM数据与四波段样本数据进行融合,得到具有五个波段信息的训练数据,输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型,从而完成林地的精确提取。
本发明提供基于深度学习的遥感影像林地提取方法,包括以下步骤:
S0、影像数据融合,第一分辨率的遥感影像数据与第二分辨率的DSM数据进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;
S1、样本制作,获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本;
S2、模型训练,利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型;
S3、精度评定,将待测试的遥感影像数据输入林地面模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型参数返回步骤S2并重新迭代训练;
S4、林地预测,利用经步骤S3中评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据。
进一步地,在步骤S1中还包括采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量样本中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率;
在步骤S2中还包括利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型;
在步骤S3中还包括将待测试的遥感影像数据输入林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整RCF边界提取网络模型参数返回步骤S2并重新迭代训练;
在步骤S4中还包括利用经步骤S3中评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据;
在步骤S4后还包括,步骤S6、边界约束,将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据。
进一步地,步骤S4与步骤S6之间还包括步骤:
S5、影像后处理,利用图像处理模块对步骤S4中预测得到的栅格化的林地面数据进行填充、去噪,利用图像处理模块对步骤S4中预测得到的栅格化的林地线数据进行边界平滑。
进一步地,所述深度学习网络模型为Deep TEN深度纹理编码网络模型。
进一步地,所述遥感影像数据为四波段影像数据。
进一步地,在步骤S0中,获取第一分辨率的四波段遥感影像数据与第二分辨率的DSM数据,将第一分辨率的四波段遥感影像数据重采样至第二分辨率,得到第二分辨率的四波段遥感影像数据,再将第二分辨率的四波段遥感影像数据与第二分辨率的DSM数据进行融合,得到第二分辨率的融合数据,其中,融合数据为五波段数据。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行基于深度学习的遥感影像林地提取方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行基于深度学习的遥感影像林地提取方法。
基于深度学习的遥感影像林地提取***,包括样本制作模块、模型训练模块、精度评定模块、林地预测模块、图像处理模块、影像数据融合模块;其中,
所述影像数据融合模块用于获取第一分辨率的遥感影像数据与第二分辨率的DSM数据并进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;
所述图像处理模块包括矢量化单元、栅格化单元,所述矢量化单元用于将遥感影像的栅格化数据进行矢量化,所述栅格化单元用于将遥感影像的矢量化数据栅格化;
所述样本制作模块用于获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本;采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量样本中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率;
所述模型训练模块用于利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型;利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型;
所述精度评定模块用于分别将待测试的遥感影像数据输入林地面模型与林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型、RCF边界提取网络模型参数返回并重新迭代训练;
所述林地预测模块用于利用经精度评定模块评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据;利用经精度评定模块评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据;
所述林地预测模块将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据。
进一步地,所述图像处理模块还包括影像后处理单元;所述影像后处理单元用于对所述林地预测模块预测得到的栅格化的林地面数据进行填充、去噪,对所述林地预测模块预测得到的栅格化的林地线数据进行边界平滑。
进一步地,所述深度学习网络模型为Deep TEN深度纹理编码网络模型;所述遥感影像数据为四波段影像数据。
相比现有技术,本发明的有益效果在于:
本发明提供基于深度学习的遥感影像林地提取方法,包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取***、存储介质、电子设备;本发明融合数字地表模型,将DSM数据与四波段样本数据进行融合,得到具有五个波段信息的训练数据,输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型,然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束,从而完成林地的精确分割,使林地的边界更加符合实际,本发明实现自动高效的林地矢量数据提取,极大的提高遥感影像的林地提取方法的准确度,缩短手工绘制的时间成本和人力成本。
在数据层面上,在四波段林地面样本上融合DSM数据得到具有五波段信息的面样本数据,将Deep TEN神经网络配置为适应多波段训练的结构,使用具有更加丰富信息的五波段样本数据。
在结果修正上,除了使用传统后影像后处理方法对结果进行粗修正外,还加入RCF边界模型对结果进行了更加有效地改善。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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。在附图中:
图1为本发明的基于深度学习的遥感影像林地提取方法流程示意图;
图2为本发明的基于深度学习的遥感影像林地提取方法逻辑示意图;
图3为深度学习的Deep TEN深度纹理编码网络模型示意图;
图4为RCF算法模型示意图;
图5为本发明的基于深度学习的遥感影像林地提取***示意图;
图6为运用本发明的测试区遥感影像原图;
图7为运用本发明的测试区林地提取结果示意图;
图8为运用本发明的测试区林地的原图与提取结果叠加示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
基于深度学习的遥感影像林地提取方法,如图1、图2所示,包括以下步骤:
S0、影像数据融合,第一分辨率的遥感影像数据与第二分辨率的DSM数据进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;在一实施例中,通过获取第一分辨率的四波段遥感影像数据与第二分辨率的DSM数据,将第一分辨率的四波段遥感影像数据重采样至第二分辨率,得到第二分辨率的四波段遥感影像数据,再将第二分辨率的四波段遥感影像数据与第二分辨率的DSM数据进行融合,得到第二分辨率的融合数据,其中,融合数据为五波段数据。例如,获取研究区的高分一号2米分辨率四波段影像以及对应区域5米的DSM数据,将2米分辨率影像重采样到5米分辨率,确保四波段影像数据与DSM数据分辨率保持一致,并将两者影像数据融合得到为五波段数据。
需要说明的是,DSM(Digital Surface Model,数字地表模型),包含地表建筑物、桥梁和树木等高度的地面高程模型;和DEM(Digital Elevation Model)相比,DEM只包含地形的高程信息,并未包含其它地表信息,DSM是在DEM的基础上,进一步涵盖除地面以外的其它地表信息的高程。DSM是最真实地表达地面起伏情况,如在森林地区,可以用于检测森林的生长情况;在本实施例中,由于植被的类别比较丰富,林地类别中也存在灌木、乔木等许多种类,纹理特征各不相同,界定起来也比较困难,特别是针对草地与林地,单从遥感影像的像素颜色上难以区分,故引入DSM数据来对林地进行标签分类,有助于更准确的区分草地与林地的面特征。
S1、样本制作,获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本。
在一实施例中,还包括采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量样本中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率。例如,采集样本区域对应的高分二号0.8米分辨率影像,建立影像库,并建立林地线矢量样本库,在高分二号遥感影像上通过选择的点矢量文件进行影像样本块的自动裁切,得到大小为1000*1000且包含分类对象的面矢量框样本,绘制样本标签,利用GDAL(Geospatial Data Abstraction Library)批量处理多波段样本数据为标准格式;需要说明的是,在本实施例中优选四波段融合影像,因四波段融合影像中在包含RGB三波段影像的基础上还包括近红外影像,首先在数据样本的数据量上较普通的三波段影像而言数据量大,有利于样本训练,从而提高准确性;其次,因近红外影像能有效区分绿色,和RGB三波段结合后有效快速区分绿植的图像信息,提高林地提取效率。在本实施例中,林地的轮廓线通过RCF(Richer Convolutional Features)算法来提取遥感影像的边界,并以边界作为约束输入至深度学习的网络模型中。
S2、模型训练,利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型。在一实施例中,还包括利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型。
如图3所示,深度学习网络模型为Deep TEN(Deep Texture Encoding Network)深度纹理编码网络模型原理,Deep TEN引入一个新的可学习残差编码层,能够将整个字典学习和残差编码集成到单一的CNN模型中,充分描述特征空间,使用于纹理和材质识别;另外,该模型将特征提取、字典学习和编码集成于单个网络中,每个组件受益于BP中的梯度流动,都可以做学习调整。其中,编码层具有三个主要属性:
1、编码层推广鲁棒残差编码器,如VLAD和Fisher Vector,这种表示是无序的,描述特征空间,适用于纹理和材质识别;
2、编码层在卷积层顶端充当池化层,接收不同尺寸大小并提供固定长度的表示输出,因为可接收不同尺寸的输出,模型更为灵活并且实现证明多尺度输入能够提升模型性能。
3、编码层学习固定字典并编码表示,这可能会携带特定域的信息,因此适合迁移预训练特征;CNN是从对象分类迁移到纹理识别,由于网络作为回归过程实现端对端训练,因此卷积特征与顶端的编码层一起更容易迁移。
在本实施例中,由于植被的类别比较丰富,林地类别中也存在灌木、乔木等许多种类,纹理特征各不相同,通过Deep TEN深度纹理编码网络模型快速提取与识别林地特征。在数据层面上,在四波段林地面样本上融合DSM数据得到具有五波段信息的面样本数据,如图3所示,为使用具有更加丰富信息的五波段样本数据,将Deep TEN神经网络配置为适应多波段训练的结构。
如图4所示,为RCF算法模型原理,RCF算法是在HED算法结构的基础上进行一定的改进,其中,HED算法采用级联结构同时利用VGG作为模型进行fine-tune,输出VGG中5个stage的输出进行融合,但HED只利用每个stage中最后一层的卷积特征输出,而RCF则利用每个stage中所有卷积层的特征,并且引入新的损失函数loss/sigmoid。
S3、将待测试的遥感影像数据输入林地面模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型参数返回步骤S2并重新迭代训练;例如,设定MIoU值范围在0.80-1间,设定MPA值范围在0.85-1间认定为达标,当超出范围时,则调整DeepTEN深度纹理编码网络模型参数返回S2中重新训练。
在一实施例中,还包括将待测试的遥感影像数据输入林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整RCF边界提取网络模型参数返回步骤S2并重新迭代训练;例如,设定MIoU值范围在0.80-1间,设定MPA值范围在0.85-1间认定为达标,当超出范围时,则调整RCF算法网络模型参数返回S2中重新训练
S4、林地预测,利用经步骤S3中评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据;例如,利用DeepTEN深度纹理编码网络模型对遥感影像目标区域高分2号遥感影像进行林地提取,在一实施例中,充分考虑林地边界特征以及林地面特征,实现在分类的同时进行边界约束,利用经步骤S3中评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据。
S6、边界约束,将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据,从而得到可应用的结果,最后再对矢量化的遥感影像林地数据进行拓扑检查、边缘检查等矢量化运算;例如,图6-图8所示,为提取南京栖霞区城市部分林地结果示意图;其中,图6为测试区遥感影像原图,图7为测试区林地提取结果图图,图8为原图与提取结果叠加图;通过实践人工建筑生产试验的验证,试验区面积约200平方千米,共有林地约60平方千米,单人提取消耗约25小时,本发明提取用时1小时,人工精修1.5小时,生产效率提高约20倍;本发明在保证精度的前提下有效提高现有林地提取方法的效率。
需要说明的是,矢量数据结构可具体分为点、线、面,可以构成现实世界中各种复杂的实体,当问题可描述成线或边界时,特别有效。矢量数据的结构紧凑,冗余度低,并具有空间实体的拓扑信息,容易定义和操作单个空间实体,便于网络分析。矢量数据的输出质量好、精度高。但矢量数据结构的复杂性,导致了操作和算法的复杂化,作为一种基于线和边界的编码方法,不能有效地支持影像代数运算,如不能有效地进行点集的集合运算(如叠加),运算效率低而复杂。由于矢量数据结构的存贮比较复杂,导致空间实体的查询十分费时,需要逐点、逐线、逐面地查询。矢量数据和栅格表示的影像数据不能直接运算(如联合查询和空间分析),交互时必须进行矢量和栅格转换。矢量数据与DEM(数字高程模型)的交互是通过等高线来实现的,不能与DEM直接进行联合空间分析。栅格数据结构是通过空间点的密集而规则的排列表示整体的空间现象的。其数据结构简单,定位存取性能好,可以与影像和DEM数据进行联合空间分析,数据共享容易实现,对栅格数据的操作比较容易。栅格数据的数据量与格网间距的平方成反比,较高的几何精度的代价是数据量的极大增加。因为只使用行和列来作为空间实体的位置标识,故难以获取空间实体的拓扑信息,难以进行网络分析等操作。栅格数据结构不是面向实体的,各种实体往往是叠加在一起反映出来的,因而难以识别和分离。对点实体的识别需要采用匹配技术,对线实体的识别需采用边缘检测技术,对面实体的识别则需采用影像分类技术,这些技术不仅费时,而且不能保证完全正确。通过以上的分析可以看出,矢量数据结构和栅格数据结构的优缺点是互补的,为了有效地实现GIS中的各项功能(如与遥感影像数据的结合,有效的空间分析等)需要同时使用两种数据结构,并在GIS中实现两种数据结构的高效转换。
在一实施例中,所述步骤S4与所述步骤S6之间还包括步骤:
S5、影像后处理,利用图像处理模块对步骤S4中预测得到的栅格化的林地面数据进行填充、去噪,利用图像处理模块对步骤S4中预测得到的栅格化的林地线数据进行边界平滑。在本实施例中,如图2所示,对提取的林地轮廓边界进行平滑以及细化处理,对提取的林地面区域进行填充、去噪。应当理解,图像处理包括但不限于现有的图形学算法如边缘平滑、细化处理、图斑填充、去噪,在本实施例中,采用opencv图像处理模块对预测结果进行后处理。
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行基于深度学习的遥感影像林地提方法。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行基于深度学习的遥感影像林地提取方法。
基于深度学习的遥感影像林地提取***,如图5所示,包括样本制作模块、模型训练模块、精度评定模块、林地预测模块、图像处理模块、影像数据融合模块;其中,
所述影像数据融合模块用于获取第一分辨率的遥感影像数据与第二分辨率的DSM数据并进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;
所述图像处理模块包括矢量化单元、栅格化单元,所述矢量化单元用于将遥感影像的栅格化数据进行矢量化,所述栅格化单元用于将遥感影像的矢量化数据栅格化;
所述样本制作模块用于获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本;采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量文件中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率;
所述模型训练模块用于利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型;利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型;
所述精度评定模块用于分别将待测试的遥感影像数据输入林地面模型与林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型、RCF边界提取网络模型参数返回并重新迭代训练;
所述林地预测模块用于利用经精度评定模块评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据;利用经精度评定模块评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据;
所述林地预测模块将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据。
优选地,如图5所示,基于深度学***滑;所述深度学习网络模型为Deep TEN深度纹理编码网络模型;所述遥感影像数据为四波段影像数据。
基于深度学习的遥感影像林地提取***在数据层面上,在四波段林地面样本上融合DSM数据得到具有五波段信息的面样本数据,为使用具有更加丰富信息的五波段样本数据,将Deep TEN神经网络配置为适应多波段训练的结构。基于深度学习的遥感影像林地提取***在结果修正上,除了使用传统后影像后处理方法对结果进行粗修正外,还加入RCF边界模型对结果进行更加有效地改善。
本发明提供基于深度学习的遥感影像林地提取方法,包括步骤影像数据融合、样本制作、模型训练、精度评定、林地预测。本发明还涉及基于深度学习的遥感影像林地提取***、存储介质、电子设备;本发明融合数字地表模型,将DSM数据与四波段样本数据进行融合,得到具有五个波段信息的训练数据,输入到深度学习网络模型中反复迭代得到包含DSM特征的林地分类模型,然后再用边界提取网络RCF提取遥感影像中的林地边界作为约束,从而完成林地的精确分割,使林地的边界更加符合实际,本发明实现自动高效的林地矢量数据提取,极大的提高遥感影像的林地提取方法的准确度,缩短手工绘制的时间成本和人力成本。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.基于深度学习的遥感影像林地提取方法,其特征在于,包括以下步骤:
S0、影像数据融合,第一分辨率的遥感影像数据与第二分辨率的DSM数据进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;
S1、样本制作,获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本;
S2、模型训练,利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型;
S3、精度评定,将待测试的遥感影像数据输入林地面模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型参数返回步骤S2并重新迭代训练;
S4、林地预测,利用经步骤S3中评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据。
2.如权利要求1所述的基于深度学习的遥感影像林地提取方法,其特征在于:
在步骤S1中还包括采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量样本中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率;
在步骤S2中还包括利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型;
在步骤S3中还包括将待测试的遥感影像数据输入林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整RCF边界提取网络模型参数返回步骤S2并重新迭代训练;
在步骤S4中还包括利用经步骤S3中评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据;
在步骤S4后还包括,步骤S6、边界约束,将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据。
3.如权利要求2所述的基于深度学习的遥感影像林地提取方法,其特征在于,步骤S4与步骤S6之间还包括步骤:
S5、影像后处理,利用图像处理模块对步骤S4中预测得到的栅格化的林地面数据进行填充、去噪,利用图像处理模块对步骤S4中预测得到的栅格化的林地线数据进行边界平滑。
4.如权利要求1-3任一项所述的基于深度学习的遥感影像林地提取方法,其特征在于:所述深度学习网络模型为Deep TEN深度纹理编码网络模型。
5.如权利要求1所述的基于深度学习的遥感影像林地提取方法,其特征在于:所述遥感影像数据为四波段影像数据。
6.如权利要求5所述的基于深度学习的遥感影像林地提取方法,其特征在于:在步骤S0中,获取第一分辨率的四波段遥感影像数据与第二分辨率的DSM数据,将第一分辨率的四波段遥感影像数据重采样至第二分辨率,得到第二分辨率的四波段遥感影像数据,再将第二分辨率的四波段遥感影像数据与第二分辨率的DSM数据进行融合,得到第二分辨率的融合数据,其中,融合数据为五波段数据。
7.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
8.一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如权利要求1所述的方法。
9.基于深度学习的遥感影像林地提取***,其特征在于:包括样本制作模块、模型训练模块、精度评定模块、林地预测模块、图像处理模块、影像数据融合模块;其中,
所述影像数据融合模块用于获取第一分辨率的遥感影像数据与第二分辨率的DSM数据并进行数据融合,得到第二分辨率的融合数据,其中,第一分辨率高于第二分辨率;
所述图像处理模块包括矢量化单元、栅格化单元,所述矢量化单元用于将遥感影像的栅格化数据进行矢量化,所述栅格化单元用于将遥感影像的矢量化数据栅格化;
所述样本制作模块用于获取融合数据,对融合数据进行分割裁剪得到包含分类对象的面矢量样本,并绘制所述面矢量样本中的林地标签,将标签为林地的面矢量样本的矢量数据转换成栅格数据,得到栅格化的林地面矢量样本;采集第三分辨率的遥感影像,对第三分辨率的遥感影像进行边界提取得到包含分类对象的线矢量样本,并绘制所述线矢量样本中为林地标签,将标签为林地的线矢量样本的矢量数据转换成栅格数据,得到栅格化的林地线矢量样本,其中,第三分辨率高于第一分辨率;
所述模型训练模块用于利用深度学习网络模型对栅格化的林地面矢量样本进行训练,得到林地面模型;利用RCF边界提取网络模型对栅格化的林地线矢量样本进行训练,得到林地线模型;
所述精度评定模块用于分别将待测试的遥感影像数据输入林地面模型与林地线模型进行数据预测测试,并计算本次测试的检测评价函数MIoU以及MPA,若MIoU值或MPA均达标则跳转至下一步,若MIoU值或MPA存在不达标情况则调整深度学习网络模型、RCF边界提取网络模型参数返回并重新迭代训练;
所述林地预测模块用于利用经精度评定模块评定达标的林地面模型对遥感影像目标区域进行林地面预测,得到遥感影像中栅格化的林地面数据;利用经精度评定模块评定达标的林地线模型对遥感影像目标区域进行林地线预测,得到遥感影像中栅格化的林地线数据;所述林地预测模块将林地线数据作为边界约束对林地面数据进行约束,得到基于边界约束的林地提取数据。
10.如权利要求9所述的基于深度学***滑;所述深度学习网络模型为Deep TEN深度纹理编码网络模型;所述遥感影像数据为四波段影像数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811433346.5A CN109543630B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811433346.5A CN109543630B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543630A true CN109543630A (zh) | 2019-03-29 |
CN109543630B CN109543630B (zh) | 2023-06-16 |
Family
ID=65850661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811433346.5A Active CN109543630B (zh) | 2018-11-28 | 2018-11-28 | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543630B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647932A (zh) * | 2019-09-20 | 2020-01-03 | 河南工业大学 | 一种种植作物结构遥感影像分类方法及装置 |
CN110909821A (zh) * | 2019-12-03 | 2020-03-24 | 中国农业科学院农业资源与农业区划研究所 | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 |
CN111310614A (zh) * | 2020-01-22 | 2020-06-19 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像的提取方法和装置 |
CN111476308A (zh) * | 2020-04-10 | 2020-07-31 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及*** |
CN111738201A (zh) * | 2020-07-01 | 2020-10-02 | 中国科学院空天信息创新研究院 | 基于感兴趣区域网络的有林地遥感影像提取方法及*** |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及*** |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
CN113139511A (zh) * | 2021-05-13 | 2021-07-20 | 珠江水利委员会珠江流域水土保持监测中心站 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及*** |
CN116310225A (zh) * | 2023-05-16 | 2023-06-23 | 山东省国土测绘院 | 基于三角网融合的osgb模型镶嵌方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020649A (zh) * | 2013-01-16 | 2013-04-03 | 东北林业大学 | 一种基于纹理信息的森林类型识别方法 |
CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
CN108052911A (zh) * | 2017-12-20 | 2018-05-18 | 上海海洋大学 | 基于深度学习的多模态遥感影像高层特征融合分类方法 |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
-
2018
- 2018-11-28 CN CN201811433346.5A patent/CN109543630B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020649A (zh) * | 2013-01-16 | 2013-04-03 | 东北林业大学 | 一种基于纹理信息的森林类型识别方法 |
CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN108052911A (zh) * | 2017-12-20 | 2018-05-18 | 上海海洋大学 | 基于深度学习的多模态遥感影像高层特征融合分类方法 |
Non-Patent Citations (1)
Title |
---|
王传立等: "基于多核极限学习机的遥感影像林地信息提取", 《中南林业科技大学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647932B (zh) * | 2019-09-20 | 2022-09-09 | 河南工业大学 | 一种种植作物结构遥感影像分类方法及装置 |
CN110647932A (zh) * | 2019-09-20 | 2020-01-03 | 河南工业大学 | 一种种植作物结构遥感影像分类方法及装置 |
CN110909821A (zh) * | 2019-12-03 | 2020-03-24 | 中国农业科学院农业资源与农业区划研究所 | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 |
CN110909821B (zh) * | 2019-12-03 | 2020-07-28 | 中国农业科学院农业资源与农业区划研究所 | 基于作物参考曲线进行高时空分辨率植被指数数据融合的方法 |
CN111310614A (zh) * | 2020-01-22 | 2020-06-19 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像的提取方法和装置 |
CN111310614B (zh) * | 2020-01-22 | 2023-07-25 | 航天宏图信息技术股份有限公司 | 一种遥感影像的提取方法和装置 |
CN111476308A (zh) * | 2020-04-10 | 2020-07-31 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
CN111476308B (zh) * | 2020-04-10 | 2024-06-11 | 高崟 | 基于先验几何约束的遥感影像分类方法、装置和电子设备 |
CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及*** |
CN111738201B (zh) * | 2020-07-01 | 2022-08-09 | 中国科学院空天信息创新研究院 | 基于感兴趣区域网络的有林地遥感影像提取方法及*** |
CN111738201A (zh) * | 2020-07-01 | 2020-10-02 | 中国科学院空天信息创新研究院 | 基于感兴趣区域网络的有林地遥感影像提取方法及*** |
CN112729130A (zh) * | 2020-12-29 | 2021-04-30 | 四川天奥空天信息技术有限公司 | 卫星遥感测量树木冠层高度的方法 |
CN112966548A (zh) * | 2021-01-18 | 2021-06-15 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及*** |
CN112966548B (zh) * | 2021-01-18 | 2023-10-27 | 中国农业科学院农业信息研究所 | 一种大豆地块识别方法及*** |
CN113139511A (zh) * | 2021-05-13 | 2021-07-20 | 珠江水利委员会珠江流域水土保持监测中心站 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
CN113139511B (zh) * | 2021-05-13 | 2021-12-31 | 珠江水利委员会珠江流域水土保持监测中心站 | 水土保持生产建设项目扰动图斑提取方法、介质和设备 |
CN113095303A (zh) * | 2021-06-04 | 2021-07-09 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及***及装置及介质 |
CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及*** |
CN114898097B (zh) * | 2022-06-01 | 2024-05-10 | 首都师范大学 | 图像识别方法及*** |
CN116310225A (zh) * | 2023-05-16 | 2023-06-23 | 山东省国土测绘院 | 基于三角网融合的osgb模型镶嵌方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109543630B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543630A (zh) | 基于深度学习的遥感影像林地提取方法及***、存储介质、电子设备 | |
CN109446992A (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN110136170A (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
CN109711413A (zh) | 基于深度学习的图像语义分割方法 | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及*** | |
CN106127204A (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN111860351B (zh) | 一种基于行列自注意力全卷积神经网络的遥感图像鱼塘提取方法 | |
CN110046572A (zh) | 一种基于深度学习的地标建筑物识别与检测方法 | |
CN109615024A (zh) | 一种岩石种类智能区分识别及定位方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN103063202A (zh) | 基于遥感影像的蓝藻生物量时空变化监测与可视化方法 | |
CN110472597A (zh) | 基于深度学习的岩石图像风化程度检测方法及*** | |
CN114092832A (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN107808375A (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN106228130B (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN110479636A (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN106570485A (zh) | 一种基于深度学习的筏式养殖遥感图像场景标注方法 | |
CN108776777A (zh) | 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法 | |
CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
CN112836614B (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |