CN111028255A - 基于先验信息与深度学习的农田区域预筛选方法及装置 - Google Patents

基于先验信息与深度学习的农田区域预筛选方法及装置 Download PDF

Info

Publication number
CN111028255A
CN111028255A CN201811188060.5A CN201811188060A CN111028255A CN 111028255 A CN111028255 A CN 111028255A CN 201811188060 A CN201811188060 A CN 201811188060A CN 111028255 A CN111028255 A CN 111028255A
Authority
CN
China
Prior art keywords
farmland
grid
area
deep learning
areas
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
Application number
CN201811188060.5A
Other languages
English (en)
Other versions
CN111028255B (zh
Inventor
丁拥科
赵一欣
蔡国臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qianxun Spatial Intelligence Inc
Original Assignee
Qianxun Spatial Intelligence Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qianxun Spatial Intelligence Inc filed Critical Qianxun Spatial Intelligence Inc
Priority to CN201811188060.5A priority Critical patent/CN111028255B/zh
Publication of CN111028255A publication Critical patent/CN111028255A/zh
Application granted granted Critical
Publication of CN111028255B publication Critical patent/CN111028255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于先验信息与深度学习的农田区域预筛选方法及装置，所述方法包括以下步骤：按照网格划分来切分卫星图像，形成图像分块区域；基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；基于高精度农田边界提取得到农田/非农田真值；基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；按网格方式对农田区域预筛选结果进行存储。通过实际测试，发现利用本发明提供的预筛选方法可以使得高精度农田边界提取所用总处理时间降少为原来的30％以下。

Description

基于先验信息与深度学习的农田区域预筛选方法及装置
技术领域
本发明涉及农田区域筛选技术领域，具体涉及一种基于先验信息与深度学习的农田区域预筛选方法及装置。
背景技术
随着卫星遥感技术、传感技术和高精度定位技术的快速发展，卫星遥感影像的覆盖范围不断变大，分辨率和定位精度也不断提高。同时，卫星/小卫星星座的不断形成，使得卫星遥感对同一地区的重访时间越来越短，有些卫星甚至具有1至2天的重访能力。卫星影像在中低分辨率下可以实现大面积的动态监测，而在高分辨率下可以实现对小范围的精确探测，在国内外军民各领域已得到广泛应用。随着海量高分辨率卫星遥感数据的大量获取，智能化的精准农业应用成为热点和趋势，如无人机植保、智能病虫害监控、农作物长势监测等，而如何从海量高分辨率卫星遥感数据中提取农田和农作物的空间分布要素，成为制约精准农业发展的关键技术。
目前，无人机植保过程中需要的农田块(卫星影像中具有明显边缘的一块独立农田区域)边界主要是通过在卫星/航拍影像上以人工方式提取或在作业现场以测绘/测量方式获取的，其效率低、成本高，且数据分布零散无法实现集中管理和更新。因此，农田块边界的自动、精确提取是精准农业应用的一项关键技术。近年来，计算机视觉和机器学习获得了快速发展，其中图像语义分割(semantic segmentation，是指对一幅图像中的所有像素进行标记，得到多个同质性区域，使得每个区域中所有像素属于同一类型的地物或目标)以及面向单个对象提取的实例分割(instance segmentation，实例分割是对图像语义分割的进一步延伸，实例分割在区分不同地物类型(地面上的场景或目标类型，如农田和建筑)的同时，也能区分属于同一类型的不同对象个体(如相邻的不同农田块，相邻的两栋建筑等)，称为对象实例)方法为高精度农田边界提取提供了方法基础，但这些方法计算复杂、耗时严重，根据测试，处理一幅0.3m分辨率2048×2048影像需要的时间为30秒左右，即使在能对100幅影像并行处理的计算能力情况下，对全国范围完成农田边界提取也需要6个月时间。而实际上，我国耕地面积只占国土总面积的14％左右，没有必要对所有区域都进行高精度农田边界提取。因此，实际应用中亟需一种快速的农田预筛选方法，能够在全国范围进行非农田区域剔除，并保留农田区域，基于此针对农田区域图像进行高精度农田边界提取就可以明显节省处理时间。
与本发明接近或相关的技术方案如下：
1、《无人机航拍影像农田块对象精准提取方法》，公开号：CN107563413A。该发明提供了一种无人机航拍影像农田块对象精准提取方法，首先利用基于光谱信息的轮廓检测获得图像边缘信息，再采用分水岭变换获得底层分割块，并基于轮廓强度来生成多尺度的分割图，最后通过有监督的图像分类来实现非农田区域剔除。
注：以上方法实现高精准农田块边界提取，但其算法复杂，处理单幅0.3m分辨率2048×2048像素大小影像都需要耗时30秒，而完成全国农田边界提取将需要6个月时间(在能对100幅影像并行处理的计算能力情况下)，这就需要一种快速的农田区域预筛选方法来使其只针对包含农田区域的影像进行高精度边界提取。
2、《一种水体信息的提取方法及装置》，公开号：CN103793907B。该方法利用所指定流域的数字高程模型DEM(Digital Elevation Model，数字高层模型)数据来辅助遥感影像数据中水体信息的提取。首先，DEM数据被用来提取河流信息，确定线状河流，生成河流缓冲区。然后，基于遥感影像数据提取指定流域的第一水体信息。最后，该方法合并河流缓冲区和第一水体信息生成最终目标水体信息。
3、《目标水体的提取方法和***》，公开号：CN104463166A。该方案提出了一种利用目标水体的GIS矢量数据为遥感影像数据中水体的提取提供支持的方法。改方法使用水体几何外形的矢量数据生成遥感影像统计直方图，辅助水体与陆地边界的判断。基于统计直方图和预设的阈值，该方法判断边界信息，从而进行水体的提取。
注：以上两种方法利用DEM/GIS信息来辅助水体提取，利用的先验信息单一，只利用水体的DEM或GIS信息，在处理方法上也没有利用先验信息可以直接查询的优势做到简单有效。
4、《一种基于超限学习机的高光谱遥感图像地物分类方法》，公开号：CN106897737A。该方法是一种基于超限学习机(Extreme Learning Machine，ELM)的高光谱影像地物分类方法，设计多通道融合网络模型(Enhanced Hierarchical ExtremeLearning Machine，EH-ELM)，利用影像中地物目标的空间特性与光谱特性，获取目标的表征信息，解决高光谱图像地物分类问题。
5、《基于深度学习的高分辨率PolSAR图像城区地物分类方法》，公开号：CN107194349A。该方法构建深度学习神经网络，通过收集足够类似的高分辨率PolSAR源数据训练所述深度学习神经网络，通过迁移学习获得更利于城区数据分类的特征，将待分类的PolSAR城区图像数据引入训练好的深度学习神经网络得到分类结果。
注：以上两种方法利用机器学习/深度学习方法对高光谱影像/PolSAR影像进行地物分类，高光谱影像/PolSAR影像的数据采集成本高，更新周期慢，同时所采用的机器学习方法需要大量的训练样本支撑，真值采集成本高。
高分辨率卫星遥感技术和高精度定位技术的发展使得精准农业应用成为趋势，而农田边界的自动精确提取是无人机植保、病虫害监控等精准农业应用的基础。为了获得高精度边界，现有高精度农田边界提取方法主要采用复杂的语义分割或实例分割，使得方法处理过程复杂、执行时间长。
发明内容
本发明针对高分辨率卫星影像，提出了一种基于先验信息与深度学习的农田区域预筛选方法和装置，用于对全国范围进行非农田区域剔除，保留包含农田区域的影像用于高精度农田边界提取，从而提高农田边界提取效率。
本发明采用的技术方案如下：
一种基于先验信息与深度学习的农田区域预筛选方法，所述方法包括以下步骤：
按照网格划分来切分卫星图像，形成图像分块区域；
基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
基于高精度农田边界提取得到农田/非农田真值；
基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
按网格方式对农田区域预筛选结果进行存储。
进一步地，基于多源先验信息预先去除非农田区域具体包括以下步骤：
对候选区域进行网格划分，得到网格单元；
采用主题先验数据集作为先验信息，所述主题先验数据集包括栅格数据集和矢量数据集；
基于陆地界线去除非关注区域的网格单元，保留关注区域的网格单元；
基于栅格数据集对网格单元进行过滤，去除山体和沙漠区域；
基于矢量数据集对网格单元进行过滤，去除水域区域；
去除山体、沙漠和水域区域后的网格单元作为候选的农田区域。
进一步地，基于栅格数据集对网格单元进行过滤的具体步骤如下：
采用映射方法将栅格数据集与网格单元进行匹配，得到网格单元在栅格数据集中对应的目标区域；
统计目标区域中类型为山体或者沙漠的像素所占目标区域像素的比例，如果大于阈值，则判断所述网格单元属于山体区域或者沙漠区域，否则属于候选农田区域。
进一步地，基于矢量数据集对网格单元进行过滤的具体步骤如下：
计算网格单元面积；
计算网格单元面积与矢量数据集中所有水体多边形相交的面积之和与网格单元自身面积的比值；
如果比值大于阈值，则判断所述网格单元属于水域区域，否则属于候选农田区域。
进一步地，基于高精度农田边界提取得到农田/非农田真值，生成卫星影像对应的农田/非农田二值掩膜，具体包括以下步骤：
选取卫星图像，对卫星图像进行高精度农田边界提取；
利用农田边界生成农田/非农田二值掩膜，其中农田边界包围的图像区域为农田，农田边界之外的图像区域为非农田，为基于深度学习的农田/非农田快速分类提供训练真值。
进一步地，通过采用基于卷积神经网络的回归模型评估农田区域在每个网格单元中的面积占比，来对图像分块区域进行快速地物分类，具体包括基于深度学习的回归模型训练和基于深度学习的回归模型农田/非农田快速分类。
进一步地，基于深度学习的回归模型训练具体包括以下步骤：
对卫星图像进行切分，形成卫星图像切分块；
基于提取得到的农田/非农田真值，计算每块卫星图像切分块在农田/非农田真值图中对应的真值切分块；
对真值切分块进行二值化处理，计算农田区域的像素点在每个卫星图像切分块中的像素占比，作为卫星图像切分块的训练标签；
将卫星图像切分块和对应的训练标签输入卷积神经网络进行模型训练。
进一步地，基于深度学习的回归模型农田/非农田快速分类具体包括以下步骤：
对卫星图像进行切分，形成切分块；
将每个切分块输入基于卷积神经网络的农田/非农田快速分类模型，给出每个切分块的农田占比估计值；
将当前卫星图像中所有切分块的估计值求均值，并与阈值进行比较，如果大于阈值则认为当前卫星图像内包含农田区域，如果小于阈值则认为当前卫星图像中不包含农田区域。
本发明还提供了一种农田边界提取方法，包括所述一种基于先验信息与深度学习的农田区域预筛选方法。
本发明还提供了一种基于先验信息与深度学习的农田区域预筛选装置，包括：
图像切分单元，用于按照网格划分来切分卫星图像，形成图像分块区域；
初步筛选单元，用于基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
真值提取单元，用于基于高精度农田边界提取得到农田/非农田真值；
预筛选单元，用于基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
存储单元，用于按网格方式对农田区域预筛选结果进行存储。
本发明还提供了一种存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行如下步骤：
按照网格划分来切分卫星图像，形成图像分块区域；
基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
基于高精度农田边界提取得到农田/非农田真值；
基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
按网格方式对农田区域预筛选结果进行存储。
通过实际测试，发现利用本发明提供的预筛选方法可以剔除占全国面积70％以上的非农田区域，由于对一幅影像进行农田区域预筛选的耗时很小(平均为2秒左右)，使得高精度农田边界提取所用总处理时间降少为原来的30％以下，即对全国进行农田边界提取所用时间将由6个月减少到2个月以内(在能对100幅影像并行处理的计算能力情况下)。
附图说明
图1为基于先验信息与深度学习的农田区域预筛选总体流程图；
图2为基于多源先验信息的大范围非农田快速剔除流程图；
图3为基于深度学习的回归模型训练流程图；
图4为基于深度学习的回归模型农田/非农田快速分类流程图；
图5为基于先验信息与深度学习的农田区域预筛选装置结构图。
具体实施方式
本发明首先采用多源GIS(Geographic Information System，地理信息***)和DEM主题先验数据(如陆地界线，山体，沙漠和水域)来预先剔除大范围非农田区域，保留农田区域；接着通过深度学习来进一步剔除更多的非农田区域，深度学习需要的农田/非农田真值是通过高精度农田边界提取得到的；最后通过网格方式来对农田区域预筛选信息进行存储，实际应用中通过处理只包含农田区域的影像来提升高精度农田边界提取效率。下文中，结合附图和实施例对本发明作进一步阐述。
实施例一：
基于先验信息与深度学习的农田区域预筛选总体流程如图1所示，包括以下步骤：
步骤1，基于多源先验信息的大范围非农田快速剔除：通过利用水体(包括海陆分界线)、山地、沙漠戈壁等主题GIS信息，实现对大面积水体、山地和沙漠戈壁区域的快速剔除；
步骤2，基于高精度农田边界提取的农田/非农田真值生成：基于高精度农田边界提取得到的农田边界信息可以生成一幅影像对应的农田/非农田二值掩膜，为基于深度学习的农田/非农田快速分类提供低成本的农田/非农田训练真值；
步骤3，基于深度学习的大范围农田/非农田快速分类：通过深度学习，实现对图像分块区域进行快速地物分类，并通过一幅图像内多个图像分块区域的类别统计信息实现对当前图像属于农田或非农田的整体判别；
步骤4，按网格方式存储的农田区域预筛选结果：基于多源先验信息主要剔除山地、水体等非农田区域，而基于深度学习可以进一步剔除林区、建筑等区域，通过对全国进行网格划分的方式将两种预筛选信息结合得到最终的全国农田区域预筛选结果。
本发明最终得到全国范围内每个网格单元对应的区域是农田还是非农田区域，图1所示的预筛选结果图中白色表示当前网格单元是农田区域，而黑色表示当前网格单元是非农田区域。基于预筛选得到的农田区域进行高精度农田边界提取，可以明显减少处理过程时间消耗。
以下针对基于先验信息与深度学习的农田区域预筛选方法进一步阐述：
1、基于多源先验信息的大范围非农田快速剔除
本发明通过利用水体(包括海陆分界线)、山地、沙漠戈壁等主题GIS信息，实现对大面积水体、山地和沙漠戈壁区域的快速剔除。基于多源先验信息的大范围非农田快速剔除流程如图2所示。在对全国进行网格划分的基础上，利用大范围主题GIS数据集(如山地和水域等)，剔除掉网格中的相应非农田部分。
利用先验数据集进行非农田剔除的核心任务是根据先验信息将来标记每个网格单元是农田还时非农田区域。本发明用0表示网格单元为非农田；1表示网格单元为农田，具体步骤如下：
步骤11，采用大范围的主题先验数据集作为先验信息，包括山体，沙漠和水域的主题数据集：山体数据集记录的是大部分高山和山脉地理信息；沙漠数据集记录的是沙漠和部分贫瘠陆地的地理信息；水域数据集记录是河流，湖泊等水面分布的地理信息。此外，本发明还使用中国陆地界线来过滤掉中国陆地范围以外的网格。
步骤12，采用中国陆地界线信息将网格中国以外的部分网格单元去除，只保留国内的网格单元。
步骤13，采用山体和沙漠栅主题格数据集对网格单元进行过滤，剔除掉山体和沙漠部分。山体和沙漠为栅格数据，本发明采用映射方法将主题栅格数据与网格单元匹配，进而剔除山体和沙漠区域对应的网格单元。映射方法的作用是为了找到栅格数据中与网格单元相对应的目标(山体或沙漠)区域，具体步骤为：
步骤131，获取网格单元左上角和右下角两点的地理坐标，用(lon1，lat1)和(lon2，lat2)表示；
步骤132，结合栅格数据的地理参考信息，计算得到上述两个地理坐标在栅格数据中对应的像素坐标，用(x1，y1)和(x2，y2)表示；
步骤133，以(x1，y1)和(x2，y2)两点为左上角和右下角顶点可以得到一个矩形区域，即为网格单元在栅格数据中对应的目标区域；
步骤134，统计目标区域中类型为山体(或沙漠)的像素所占目标区域总像素的比例，若大于85％，则判断该网格单元属于山体(或沙漠)区域，否则属于候选农田区域。
步骤14，采用水域矢量数据集对网格单元进一步处理，筛除网格中处于水域范围的单元格。水域数据集为矢量数据，本发明采用计算两个多边形相交面积的方法来计算出落在水域范围内的单元格，具体步骤为：
步骤141，对于一个网格单元，计算其面积S；
步骤142，计算该网格单元与水域矢量数据集中第k个水体多边形相交的面积Sk，k＝1～K，K为水域矢量数据集中水体多边形总数；
步骤143，计算网格单元与所有水体多边形相交面积之和与网格单元自身面积之比，即
Figure BDA0001824727740000081
步骤144，若上述比值大于85％，则判断该网格单元属于水域区域，否则属于候选农田区域。
最终，得到剔除山体、沙漠和水域区域的网格单元作为候选的农田区域。
2、基于高精度农田边界提取的农田/非农田真值生成
基于高精度农田边界提取得到的农田边界信息可以生成一幅影像对应的农田/非农田二值掩膜，为基于深度学习的农田/非农田快速分类提供低成本的农田/非农田训练真值。具体步骤如下：
步骤21，选取一定数量的卫星影像，对其进行高精度农田边界提取；
步骤22，利用农田边界生成农田/非农田二值掩膜，其中农田边界包围的图像区域为农田，农田边界之外的图像区域为非农田，为基于深度学习的农田/非农田快速分类提供训练真值。
通过利用高精度农田边界提取可以获得低成本的农田/非农田真值，为基于深度学习的农田/非农田快速分类提供训练真值，同时基于深度学习的农田/非农田快速分类又能够快速剔除大量非农田区域，只提供包含农田区域的图像给高精度农田边界提取模块来进行精准的农田边界提取，以节省农田边界提取耗时。
3、基于深度学习的大范围农田/非农田快速分类
本发明采用基于深度学***方公里，若采用常规的分类方式评估每个网格区域内是否包含农田，无法体现农田面积在该网格中的实际占比。本发明采用基于深度卷积神经网络的回归模型评估农田区域在每个网格中的面积占比，具体包括基于深度学习的回归模型训练和基于深度学习的回归模型农田/非农田快速分类两部分：
1)基于深度学习的回归模型训练
基于深度卷积神经网络的农田/非农田快速分类模型训练过程如图3所示，具体步骤如下：
步骤311，按指定规则切分一幅高分卫星影像，获取切分块x1，x2，...xn，其中xi表示第i个切分块，切分块总数为n。切分方式包括但不限于按网格无重叠等尺寸切分(例如采用网格法每256×256像素为一个切分块)、按网格有重叠等尺寸切分、随机等尺寸切分、非等尺寸切分等。
步骤312，利用基于高精度农田边界提取获得当前高分卫星影像的农田/非农田训练真值；计算每块高分卫星影像切分块xi在农田/非农田真值图中的对应切分块zi，其中i表示切分块序号；
步骤313，对真值切分块zi进行二值化处理，农田区域赋值为1，非农田区域赋值为0，并计算真值切分块zi中值为1的像素点(即农田区域)数量在每个切分块中的像素数占比yi，将此作为该高分卫星影像切分块xi的训练标签；
步骤314，将训练数据集D＝{(x1，y1)，(x2，y2)，...，(xn，yn)}即高分卫星影像切分块和对应标签输入卷积神经网络，学习特征表达f(xi)＝wxi+b，其中w和b为网络参数，使得网络输出f(xi)尽可能接近对于标签yi，并采用最小化均方误差方法求解网络参数w和b，从而实现模型训练。
2)基于深度学习的回归模型农田/非农田快速分类
采用基于卷积神经网络的回归模型进行农田/非农田快速分类的流程如图4所示，具体步骤如下：
步骤321，将一幅高分卫星影像切分成若干个分块q1，q2，...qm，其中qj表示第j个分块，m表示分块总数，一种实现方式是将当前影像切分成互不重叠、等尺寸(如256×256像素)的若干分块；
步骤322，将每个分块qj输入基于卷积神经网络的农田/非农田快速分类模型，给出每个分块的农田占比估计值pj；
步骤323，将当前影像中所有分块qj的估计值pj求均值P，并与阈值T进行比较，若大于阈值则认为当前影像内包含一定农田区域，若小于阈值则认为当前影像中不包含农田区域，本发明采用阈值T＝0.25。
4、按网格方式存储农田区域预筛选结果
基于网格方式来存储农田预筛选结果(即一定地理区域对应的农田/非农田信息)，不仅便于利用经纬度位置进行线性搜索，以供后续的高精度农田边界提取模块作为先验信息使用，同时便于农田预筛选信息的持续更新。按网格方式存储农田区域预筛选结果的流程为：1)首先需要对全国进行网格划分，本发明采用600m×600m大小的网格单元对全国进行网格划分，同时按照这样的网格划分来切割卫星影像，即一个网格对应一景2048×2048像素大小的0.3分辨率卫星影像；2)基于定义的网格，利用基于多源先验信息的大范围非农田快速剔除可以剔除大部分山地、水体等；3)基于以上筛选得到的农田区域网格和网格对应的卫星影像，利用基于深度学习的大范围农田/非农田快速分类可进一步以剔除大部分林区、建筑区域等，即得到最终的全国农田区域预筛选结果。
由于高精度农田边界提取模块比较耗时，利用农田预筛选得到的农田区域信息来指导高精度农田边界提取模块，使其仅对包含农田区域的图像进行处理，可以明显减少农田边界提取时间消耗(经实际测试，农田边界提取总处理时间减少为原来的30％以下)。
本发明还提供了一种农田边界提取方法，包括所述的一种基于先验信息与深度学习的农田区域预筛选方法。
实施例二：
本发明还提供了一种基于先验信息与深度学习的农田区域预筛选装置，如图5所示，包括：
图像切分单元，用于按照网格划分来切分卫星图像，形成图像分块区域；
初步筛选单元，用于基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
真值提取单元，用于基于高精度农田边界提取得到农田/非农田真值；
预筛选单元，用于基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
存储单元，用于按网格方式对农田区域预筛选结果进行存储。
实施例三：
本发明还提供了一种存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行如下步骤：
按照网格划分来切分卫星图像，形成图像分块区域；
基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
基于高精度农田边界提取得到农田/非农田真值；
基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
按网格方式对农田区域预筛选结果进行存储。
本发明优选在Ubuntu 16.04操作***下利用python编程语言并结合TensorFlow机器学习库实现的本发明的技术方案。
本发明采用的非农田剔除先验信息包括栅格数据(如DEM数据、主题图等)和矢量数据(如水体分布)两类；本发明采用了一种基于深度卷积神经网络的回归模型来实现农田/非农田快速分类，也可以选用其他回归模型或分类模型来实现；本发明主要针对农田/非农田区域进行大范围快速筛选，但对于其他地物(如林区、建筑区等)的快速筛选，本发明提供的方法在经过一定适配后也适用。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (11)

1.一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，所述方法包括以下步骤：
按照网格划分来切分卫星图像，形成图像分块区域；
基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
基于高精度农田边界提取得到农田/非农田真值；
基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
按网格方式对农田区域预筛选结果进行存储。
2.如权利要求1所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，预先去除卫星图像中的非农田区域具体包括以下步骤：
对候选区域进行网格划分，得到网格单元；
采用主题先验数据集作为先验信息，所述主题先验数据集包括栅格数据集和矢量数据集；
基于陆地界线去除非关注区域的网格单元，保留关注区域的网格单元；
基于栅格数据集对网格单元进行过滤，去除山体和沙漠区域；
基于矢量数据集对网格单元进行过滤，去除水域区域；
去除山体、沙漠和水域区域后的网格单元作为候选的农田区域。
3.如权利要求2所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，基于栅格数据集对网格单元进行过滤的包括以下步骤：
采用映射方法将栅格数据集与网格单元进行匹配，得到网格单元在栅格数据集中对应的目标区域；
统计目标区域中类型为山体或者沙漠的像素所占目标区域像素的比例，如果大于阈值，则判断所述网格单元属于山体区域或者沙漠区域，否则属于候选农田区域。
4.如权利要求2所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，基于矢量数据集对网格单元进行过滤的具体步骤如下：
计算网格单元面积；
计算网格单元面积与矢量数据集中所有水体多边形相交的面积之和与网格单元自身面积的比值；
如果比值大于阈值，则判断所述网格单元属于水域区域，否则属于候选农田区域。
5.如权利要求1所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，基于高精度农田边界提取得到农田/非农田真值，生成卫星图像对应的农田/非农田二值掩膜，具体包括以下步骤：
选取卫星图像，对卫星图像进行高精度农田边界提取；
利用农田边界生成农田/非农田二值掩膜，其中农田边界包围的图像区域为农田，农田边界之外的图像区域为非农田，为基于深度学习的农田/非农田分类提供训练真值。
6.如权利要求2所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，通过采用基于卷积神经网络的回归模型评估农田区域在每个网格单元中的面积占比，来对图像分块区域进行分类，具体包括基于深度学习的回归模型训练和基于深度学习的回归模型农田/非农田快速分类。
7.如权利要求6所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，基于深度学习的回归模型训练具体包括以下步骤：
对卫星图像进行切分，形成卫星图像切分块；
基于提取得到的农田/非农田真值，计算每块卫星图像切分块在农田/非农田真值图中对应的真值切分块；
对真值切分块进行二值化处理，计算农田区域的像素点在每个切分块中的像素占比，作为卫星图像切分块的训练标签；
将卫星图像切分块和对应的训练标签输入卷积神经网络进行模型训练。
8.如权利要求6所述的一种基于先验信息与深度学习的农田区域预筛选方法，其特征在于，基于深度学习的回归模型农田/非农田快速分类具体包括以下步骤：
对卫星图像进行切分，形成切分块；
将每个切分块输入基于卷积神经网络的农田/非农田快速分类模型，给出每个切分块的农田占比估计值；
将当前卫星图像中所有切分块的估计值求均值，并与阈值进行比较，如果大于阈值则认为当前卫星图像内包含农田区域，如果小于阈值则认为当前卫星图像中不包含农田区域。
9.一种农田边界提取方法，其特征在于，包括如权利要求1-8中任一权利要求所述的一种基于先验信息与深度学习的农田区域预筛选方法。
10.一种基于先验信息与深度学习的农田区域预筛选装置，其特征在于，所述装置包括：
图像切分单元，用于按照网格划分来切分卫星图像，形成图像分块区域；
初步筛选单元，用于基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
真值提取单元，用于基于高精度农田边界提取得到农田/非农田真值；
预筛选单元，用于基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
存储单元，用于按网格方式对农田区域预筛选结果进行存储。
11.一种存储器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被处理器执行如下步骤：
按照网格划分来切分卫星图像，形成图像分块区域；
基于多源先验信息预先去除卫星图像中的非农田区域，保留农田区域，形成初步筛选结果；
基于高精度农田边界提取得到农田/非农田真值；
基于农田/非农田真值进行深度学习，对初步筛选结果中的图像分块区域进行分类，判别当前图像分块区域是否属于农田区域，去除非农田区域，保留农田区域，形成预筛选结果；
按网格方式对农田区域预筛选结果进行存储。
CN201811188060.5A 2018-10-10 2018-10-10 基于先验信息与深度学习的农田区域预筛选方法及装置 Active CN111028255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811188060.5A CN111028255B (zh) 2018-10-10 2018-10-10 基于先验信息与深度学习的农田区域预筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811188060.5A CN111028255B (zh) 2018-10-10 2018-10-10 基于先验信息与深度学习的农田区域预筛选方法及装置

Publications (2)

Publication Number Publication Date
CN111028255A true CN111028255A (zh) 2020-04-17
CN111028255B CN111028255B (zh) 2023-07-21

Family

ID=70191899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811188060.5A Active CN111028255B (zh) 2018-10-10 2018-10-10 基于先验信息与深度学习的农田区域预筛选方法及装置

Country Status (1)

Country Link
CN (1) CN111028255B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950942A (zh) * 2020-10-19 2020-11-17 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN112102288A (zh) * 2020-09-15 2020-12-18 北京百度网讯科技有限公司 水体识别和水体变化检测方法、装置、设备及介质
JP2021039753A (ja) * 2019-08-29 2021-03-11 株式会社天地人 土地適性評価装置、土地適性評価方法、及びプログラム
CN112560929A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 溢油区域确定方法及装置、存储介质
CN112580510A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112733587A (zh) * 2020-08-10 2021-04-30 长春理工大学 一种沙漠化进程演变监测方法
CN112784821A (zh) * 2021-03-06 2021-05-11 深圳市安比智慧科技有限公司 基于YOLOv5的工地行为安全检测识别方法及***
WO2022061496A1 (zh) * 2020-09-22 2022-03-31 深圳市大疆创新科技有限公司 对象边界提取方法、装置、可移动平台及存储介质
CN116403112A (zh) * 2023-04-11 2023-07-07 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN117636185A (zh) * 2024-01-26 2024-03-01 安徽大学 基于图像处理的松材线虫病检测***
CN117665869A (zh) * 2023-11-29 2024-03-08 武汉大学 基于信号特征与机器学习的卫星导航非视距观测检测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495412A (zh) * 2011-11-23 2012-06-13 中国科学院地理科学与资源研究所 一种多尺度不透水地表信息协同遥感反演方法
CN103364781A (zh) * 2012-04-11 2013-10-23 南京财经大学 基于遥感数据与地理信息***的粮田地面参照点筛选方法
CN103971377A (zh) * 2014-05-27 2014-08-06 中国科学院遥感与数字地球研究所 基于先验形状水平集分割的建筑物提取方法
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN105957115A (zh) * 2016-05-18 2016-09-21 河北工程大学 广义dem思想下的农作物种植结构遥感提取方法
CN106250856A (zh) * 2016-08-03 2016-12-21 武汉大学 一种基于非监督特征学习的高分辨率图像场景分类方法
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106845343A (zh) * 2016-12-15 2017-06-13 中国科学院电子学研究所苏州研究院 一种光学遥感图像海上平台自动检测方法
CN106897519A (zh) * 2017-02-27 2017-06-27 中国水利水电科学研究院 一种基于dem的内流湖集水区划定方法
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107563413A (zh) * 2017-08-09 2018-01-09 千寻位置网络有限公司 无人机航拍影像农田块对象精准提取方法
CN108614997A (zh) * 2018-04-04 2018-10-02 南京信息工程大学 一种基于改进AlexNet的遥感图像识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495412A (zh) * 2011-11-23 2012-06-13 中国科学院地理科学与资源研究所 一种多尺度不透水地表信息协同遥感反演方法
CN103364781A (zh) * 2012-04-11 2013-10-23 南京财经大学 基于遥感数据与地理信息***的粮田地面参照点筛选方法
CN103971377A (zh) * 2014-05-27 2014-08-06 中国科学院遥感与数字地球研究所 基于先验形状水平集分割的建筑物提取方法
CN105787501A (zh) * 2015-12-17 2016-07-20 武汉大学 输电线路走廊区域自动选择特征的植被分类方法
CN105957115A (zh) * 2016-05-18 2016-09-21 河北工程大学 广义dem思想下的农作物种植结构遥感提取方法
CN106250856A (zh) * 2016-08-03 2016-12-21 武汉大学 一种基于非监督特征学习的高分辨率图像场景分类方法
CN106600574A (zh) * 2016-08-25 2017-04-26 中国科学院遥感与数字地球研究所 一种基于遥感影像与高程数据的滑坡提取方法
CN106845343A (zh) * 2016-12-15 2017-06-13 中国科学院电子学研究所苏州研究院 一种光学遥感图像海上平台自动检测方法
CN106897519A (zh) * 2017-02-27 2017-06-27 中国水利水电科学研究院 一种基于dem的内流湖集水区划定方法
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107563413A (zh) * 2017-08-09 2018-01-09 千寻位置网络有限公司 无人机航拍影像农田块对象精准提取方法
CN108614997A (zh) * 2018-04-04 2018-10-02 南京信息工程大学 一种基于改进AlexNet的遥感图像识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
冯益明等: "基于决策树的戈壁信息提取研究" *
吴波;刘嘉;王宏琦;吴一戎;: "一种高分辨率遥感图像目标自动提取方法" *
张友水,冯学智,阮仁宗: "基于GIS的BP神经网络遥感影像分类研究" *
潘旭冉等: "采用改进全卷积网络的"高分一号"影像居民地提取" *
田德宇;张耀南;党辉;: "深度学习融合多源数据的城市土地利用制图研究" *
陈俊任;周晓华;付锋;: "基于遥感影像的水域覆盖信息提取方法" *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021039753A (ja) * 2019-08-29 2021-03-11 株式会社天地人 土地適性評価装置、土地適性評価方法、及びプログラム
JP7070872B2 (ja) 2019-08-29 2022-05-18 株式会社天地人 土地適性評価装置、土地適性評価方法、及びプログラム
CN112733587A (zh) * 2020-08-10 2021-04-30 长春理工大学 一种沙漠化进程演变监测方法
CN112102288A (zh) * 2020-09-15 2020-12-18 北京百度网讯科技有限公司 水体识别和水体变化检测方法、装置、设备及介质
CN112102288B (zh) * 2020-09-15 2023-11-07 应急管理部大数据中心 水体识别和水体变化检测方法、装置、设备及介质
WO2022061496A1 (zh) * 2020-09-22 2022-03-31 深圳市大疆创新科技有限公司 对象边界提取方法、装置、可移动平台及存储介质
CN111950942A (zh) * 2020-10-19 2020-11-17 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN111950942B (zh) * 2020-10-19 2021-01-19 平安国际智慧城市科技股份有限公司 基于模型的水污染风险评估方法、装置和计算机设备
CN112560929A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 溢油区域确定方法及装置、存储介质
CN112580510A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112580510B (zh) * 2020-12-18 2024-05-21 广州市城市规划设计有限公司 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112784821A (zh) * 2021-03-06 2021-05-11 深圳市安比智慧科技有限公司 基于YOLOv5的工地行为安全检测识别方法及***
CN116403112A (zh) * 2023-04-11 2023-07-07 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN116403112B (zh) * 2023-04-11 2023-10-27 生态环境部卫星环境应用中心 农村黑臭水体排查范围划定方法和装置
CN117665869A (zh) * 2023-11-29 2024-03-08 武汉大学 基于信号特征与机器学习的卫星导航非视距观测检测方法
CN117636185A (zh) * 2024-01-26 2024-03-01 安徽大学 基于图像处理的松材线虫病检测***
CN117636185B (zh) * 2024-01-26 2024-04-09 安徽大学 基于图像处理的松材线虫病检测***

Also Published As

Publication number Publication date
CN111028255B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN111028255B (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN112287807B (zh) 一种基于多分支金字塔神经网络的遥感影像道路提取方法
KR102540762B1 (ko) 위성영상을 이용한 저수지 모니터링 방법
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN114444791A (zh) 一种基于机器学习的洪涝灾害遥感监测评估方法
CN106650812A (zh) 一种卫星遥感影像的城市水体提取方法
CN115452759B (zh) 一种基于卫星遥感数据的河湖健康指标评价方法及***
Yiğit et al. Investigation of the rainwater harvesting potential at the Mersin University, Turkey
CN115272860B (zh) 一种水稻种植区的确定方法、***、电子设备及存储介质
Sugg et al. Mapping impervious surfaces using object-oriented classification in a semiarid urban region
CN112836614A (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
Wahbi et al. A deep learning classification approach using high spatial satellite images for detection of built-up areas in rural zones: Case study of Souss-Massa region-Morocco
CN110569733B (zh) 基于遥感大数据平台的湖泊长时序连续水域变化重建方法
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Vaidya et al. Classifying heterogeneous urban form into local climate zones using supervised learning and greedy clustering incorporating Landsat dataset
CN112966657A (zh) 一种大尺度水体覆盖的遥感自动分类方法
Lobo et al. Fine-scale mapping of a grassland from digitized aerial photography: An approach using image segmentation and discriminant analysis
CN115858840B (zh) 基于场景的遥感影像镶嵌方法
CN117392382A (zh) 一种基于多尺度密集实例检测的单木果树分割方法与***
Ruiz-Lendínez et al. Deep learning methods applied to digital elevation models: state of the art
Kasim et al. Monitoring urban green space (UGS) changes by using high resolution aerial imagery: A case study of Kuala Lumpur, Malaysia
CN115984689A (zh) 一种多尺度地表复杂性特征提取及其土地利用分割方法
Kruse et al. Generating impact maps from bomb craters automatically detected in aerial wartime images using marked point processes

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
CB02 Change of applicant information

Address after: 200438 9 / F, 10 / F, 11 / F, 12 / F, 38 Lane 1688, Guoquan North Road, Yangpu District, Shanghai

Applicant after: QIANXUN SPATIAL INTELLIGENCE Inc.

Address before: Room j165, 1st floor, building 64, 1436 Jungong Road, Yangpu District, Shanghai, 200433

Applicant before: QIANXUN SPATIAL INTELLIGENCE Inc.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant