CN111339890A - 基于高分辨率遥感影像提取新增建设用地信息的方法 - Google Patents
基于高分辨率遥感影像提取新增建设用地信息的方法 Download PDFInfo
- Publication number
- CN111339890A CN111339890A CN202010105746.4A CN202010105746A CN111339890A CN 111339890 A CN111339890 A CN 111339890A CN 202010105746 A CN202010105746 A CN 202010105746A CN 111339890 A CN111339890 A CN 111339890A
- Authority
- CN
- China
- Prior art keywords
- construction land
- remote sensing
- resolution remote
- newly
- added construction
- 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.)
- Pending
Links
Images
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
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分辨率遥感影像提取新增建设用地信息的方法,包括以下步骤:构建样本集:基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集,并将样本集划分为训练集与验证集;改进U‑net网络模型:在U‑net网络中引入Swish激活函数、空洞卷积算法和退化学习率;训练网络模型:采用焦点损失函数对训练集中负样本的权重进行弱化,并对改进后的U‑net网络模型进行训练;提取新增建设用地信息:采用改进后的U‑net网络模型从高分辨率遥感影像中提取新增建设用地信息。本发明在样本比例严重失衡的情况下进行新增建设用地的信息提取,减少了网络模型对训练样本数量的过分依赖,使得网络模型的适用性更强。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体涉及一种基于高分辨率遥感影像提取新增建设用地信息的方法。
背景技术
改革开放以来,我国的城市化、工业化持续推进。土地利用情况也发生着快速的变化,特别是建设用地的扩张,对区域内的优质耕地、水文及生态环境都有着巨大的影响。遥感技术具有真实客观、现势性强、成本低等优势,在新增建设用地信息提取的中都有着巨大的潜力。现阶段监测城市新增建设用地主要靠人工目视解译的方法,但该方法人工成本过高,耗费人力、物力及财力,无法做到实时掌握全国的土地利用情况。因此,利用自动算法快速、准确的提取新增建设用地对实时监测建筑物的建造、拆除,违改、违扩,及时准确掌握全国的新增建设用地信息,对于科学开展城市规划和建设,促进城市可持续发展有着极为重要的作用。
现有的新增建设用地提取方法主要分为传统的基于像元或面向对象的提取方法和基于深度学习的新增建设用地提取方法两类。其中,传统的方法包括分水岭方法、能量最小化方法、均质区域识别方法、聚类提取城市变化算法、形态学房屋指数等,而这类算法需要人工耗费大量精力设计特征,且适用范围小,提取精度较低,难以满足新增建设用地提取需求。基于基于深度学习的新增建设用地提取方法则通过样本学习来自动提取大量机器特征,适用性更强,精度更高,同时对样本数量有着很强的依赖性,然而在新增建设用地信息提取中,存在着正样本(包含新增建设用地的样本)的数量远远小于负样本(不包含新增建设用地的样本)的数量的问题,而现有的深度学习新增建设用地提取方法还无法有效解决样本失衡这一难题。
针对现有深度学习方法在新增建设用地提取中存在的对样本过分依赖,无法有效解决样本失衡问题的缺点,本发明提供一种基于高分辨率遥感影像提取新增建设用地信息的方法,能够有效解决样本失衡的问题。
发明内容
为了解决上述问题,本发明的目的是提供一种基于高分辨率遥感影像提取新增建设用地信息的方法,能够有效解决样本失衡的问题,同时减少对样本的依赖,提升了提取精度。
为实现上述目的,本发明采用以下技术方案:
本发明提供的一种基于高分辨率遥感影像提取新增建设用地信息的方法,包括以下步骤:
构建样本集:基于基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集,并将样本集划分为训练集与验证集;
改进U-net网络模型:在U-net网络中引入Swish激活函数、空洞卷积算法和退化学习率;
训练网络模型:采用焦点损失函数对训练集中负样本的权重进行弱化,并对改进后的U-net网络模型进行训练;
提取新增建设用地信息:采用改进后的U-net网络模型从高分辨率遥感影像中提取新增建设用地信息。
作为本实施例一种可能的实现方式,所述构建样本集的过程包括以下步骤:
步骤11:收集大量同一位置不同时相的高分辨率遥感正射影像,人工提取新增建设用地信息矢量图斑,作为样本集的构建素材;
步骤12:将采集得到的人工提取新增建设用地信息矢量图斑转换为二值化栅格影像作为标签影像,新增建设用地标签值为1,其他地区标签值为0,然后将两期高分辨率遥感影像与对应的标签影像以固定大小的矩形进行分块,构成前时相影像、后时相影像和标签影像为一组样本的样本集;
步骤13:将样本集按照一定的比例划分为训练集和验证集,并通过平移、旋转、镜像操作扩充训练集样本。
作为本实施例一种可能的实现方式,所述训练集和验证集的比例为9:1。
作为本实施例一种可能的实现方式,所述改进U-net网络模型的过程包括以下步骤:
步骤21:采用Swish激活函数代替传统的Relu激活函数,其中Swish激活函数的公式为:
f(x)=x*sigmoid(βx) (1)
公式(1)中β为变量x的缩放参数;
步骤22:将空洞卷积算法代替U-net网络中上采样中卷积算法,其中空洞卷积算法公式为:
F(I+1)=(2(I+2)-1)*(2(I+2)-1) (2)
其中公式(2),F为感受野指数级,I为图像的高宽;
步骤23:学习率采用退化学习率,其中退化学习率的公式为:
其中,LR为初始学习率,DR为衰减率,GS为总迭代次数,DS为衰减次数。
作为本实施例一种可能的实现方式,所述采用焦点损失函数对训练集中负样本的权重进行弱化的过程包括以下步骤:
步骤31:将传统的交叉熵函数替换为焦点损失函数,焦点损失函数的公式为:
其中α为平衡因子,γ为调节因子,y′为经过神经网络处理之后得出的概率值,取值范围在(0,1)之间;
步骤32:将训练数据集中正样本像素总个数与负样本像素总个数的比值作为平衡因子α的取值,平衡因子α的公式为:
其中m,n为图像的长度及宽度,i,j为第(i,j)样本的像素,pw为正样本像素,pb为负样本像素。
作为本实施例一种可能的实现方式,所述调节因子γ的取值范围为:
0<γ≤5
作为本实施例一种可能的实现方式,所述提取新增建设用地信息的过程包括以下步骤:
步骤41:收集覆盖需要提取新增建设用地信息地区的多组影像;
步骤42:将得到的影像以组为单位作为输入,根据训练好的网络模型提取新增建设用地信息,得到新增建设用地提取结果,即新增建设用地标签值为1,其他地区为0的二值化栅格影像;
步骤43:将得到的新增建设用地提取栅格结果转化为矢量,得到最终新增建设用地提取矢量图。
作为本实施例一种可能的实现方式,每组影像由同一位置不同时相的两张高分辨率遥感正射影像组成。
作为本实施例一种可能的实现方式,所述方法在训练网络模型步骤之后还包括以下步骤:
采用验证集对改进后的U-net网络模型参数的最优解进行验证。
本发明实施例的技术方案可以具有的有益效果如下:
本发明针对新增建设用地对网络模型进行了改进设计,加入了空洞卷积算法、退化学***衡因子来解决正负样本比例失的问题,并通过各个参数的设置来探究焦点损失函数适用于新增建设用地信息提取的最优参数,最终得出新增建设用地提取结果。本发明在样本比例严重失衡的情况下进行新增建设用地的信息提取,减少了网络模型对训练样本数量的过分依赖,使得网络模型的适用性更强。
与现有的新增建设用地提取方法相比,本发明的具有以下特点:
(1)本发明与现有方法相比,提取的新增建设用地的效果最接近于真实标签,而且分割细节更加完善,对伪变化识别较好;
(2)本方面改进U-net网络模型,通过在上采样的过程中加入了空洞卷积算法,利用新型的激活函数Swish函数和定义退化学习率对U-net网络模型进行改进,既加快了网络模型的收敛速度,减少对样本数量的依赖,又防止了过拟合的情况,提高了分类的精度。
(3)本发明引入焦点损失函数,相比于传统的交叉熵损失函数赋予正负样本相同的权重,考虑了正负样本比例失衡对深度学习模型训练的影响,并创造性的提出了确定焦点损失函数中参数α的取值方法,使得本发明方法可以适用于正负样本比例失衡的样本集,满足新增建设用地信息提取对样本集的需求,具有更强的适应性,在实际应用上具有一定的应用潜力。
附图说明
图1是根据一示例性实施例示出的一种基于高分辨率遥感影像提取新增建设用地信息的方法的流程图;
图2是根据一示例性实施例示出的一种U-net网络结构示意图;
图3是根据一示例性实施例示出的一种改进后的U-net网络结构示意图;
图4是根据一实际算例示出的一种提取城镇数据的流程图;
图5是根据一示例性实施例示出的一组样本示意图;
图6是利用本发明方法和U-net网络、改进的U-net网络对图2所示一组样本提取新增建设用地信息的结果对比示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的一种基于高分辨率遥感影像提取新增建设用地信息的方法的流程图。如图1所述,本发明实施例提供的一种基于高分辨率遥感影像提取新增建设用地信息的方法,包括以下步骤:
构建样本集:基于基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集,并将样本集划分为训练集与验证集;
改进U-net网络模型:在U-net网络中引入Swish激活函数、空洞卷积算法和退化学习率;
训练网络模型:采用焦点损失函数对训练集中负样本的权重进行弱化,并对改进后的U-net网络模型进行训练;
提取新增建设用地信息:采用改进后的U-net网络模型从高分辨率遥感影像中提取新增建设用地信息。
作为本实施例一种可能的实现方式,所述构建样本集的过程包括以下步骤:
步骤11:收集大量同一位置不同时相的高分辨率遥感正射影像,人工提取新增建设用地信息矢量图斑,作为样本集的构建素材。
步骤12:将采集得到的人工提取新增建设用地信息矢量图斑转换为二值化栅格影像作为标签影像,新增建设用地标签值为1,其他地区标签值为0,然后将两期高分辨率遥感影像与对应的标签影像以固定大小的矩形进行分块,构成前时相影像、后时相影像和标签影像(真实标签)为一组样本的样本集。
步骤13:将样本集按照9:1的比例划分为训练集和验证集,并通过平移、旋转、镜像操作扩充训练集样本,完成训练集数据增强。
作为本实施例一种可能的实现方式,所述改进U-net网络模型的过程包括以下步骤:
步骤21:采用Swish激活函数代替传统的Relu激活函数,其中Swish激活函数的公式为:
f(x)=x*sigmoid(βx) (1)
公式(1)中β为变量x的缩放参数;一般情况下缩放参数的取值为1,但是在BN算法的情况下,还需要对x的缩放值β进行调节。
步骤22:将空洞卷积算法代替U-net网络中上采样中卷积算法,其中空洞卷积算法公式为:
F(I+1)=(2(I+2)-1)*(2(I+2)-1) (2)
其中公式(2),F为感受野指数级,I为图像的高宽(只考虑等宽高的图像)。
传统的U-net网络结构如图2所示,改进后的U-net网络结构如图3所示,引入焦点损失函数(Focal Loss,FL)来解决提取新增建设用地样本失衡的问题;利用空洞卷积层,降低池化层的影响,减少图像信息的丢失。既可以保证空间分率等优势,也可以扩大感受野,使得神经网络学习到更多的特征。
步骤23:学习率采用退化学习率,其中退化学习率的公式为:
其中,LR为初始学习率,DR为衰减率,GS为总迭代次数,DS为衰减次数。利用大的学习率在最初训练时使其损失值快速下降,在之后的训练中不断减小学习率以寻求最优解,提高了分类精度。
作为本实施例一种可能的实现方式,所述采用焦点损失函数对训练集中负样本的权重进行弱化的过程包括以下步骤:
步骤31:将传统的交叉熵函数替换为焦点损失函数,焦点损失函数的公式为:
其中α为平衡因子,γ为调节因子,y′为经过神经网络处理之后得出的概率值,取值范围在(0,1)之间。调节因子γ的取值范围为:0<γ≤5利用调节因子γ对负样本的权重进行限制,使得神经网络的关注点在正样本上。与此同时加入平衡因子α,用来平衡正样本与负样本比例失调的问题;
步骤32:将训练数据集中正样本像素总个数与负样本像素总个数的比值作为平衡因子α的取值,平衡因子α的公式为:
其中m,n为图像的长度及宽度,i,j为第(i,j)样本的像素,pw为正样本像素,pb为负样本像素。
作为本实施例一种可能的实现方式,所述提取新增建设用地信息的过程包括以下步骤:
步骤41:收集覆盖需要提取新增建设用地信息地区的多组影像;
步骤42:将得到的影像以组为单位作为输入,根据训练好的网络模型提取新增建设用地信息,得到新增建设用地提取结果,即新增建设用地标签值为1,其他地区为0的二值化栅格影像;
步骤43:将得到的新增建设用地提取栅格结果转化为矢量,得到最终新增建设用地提取矢量图。
作为本实施例一种可能的实现方式,每组影像由同一位置不同时相的两张高分辨率遥感正射影像组成。
作为本实施例一种可能的实现方式,所述方法在训练网络模型步骤之后还包括以下步骤:
采用验证集对改进后的U-net网络模型参数的最优解进行验证。
算例
本算例是对辽宁省、山西省的城镇数据的进行提取,如图4所示,本发明实施例的具体步骤如下:
步骤1,样本集的构建。
收集辽宁省、山西省的大量(大于4000张)新增建设用地正负样本构建样本集,并将样本集划分为训练集与验证集。
(1)收集辽宁省、山西省2015年和2017年两个时相同地区的高分辨率遥感正射影像,利用Arcgis软件人工提取新增建设用地信息矢量图斑,作为样本集构建素材。
(2)利用Arcgis软件将人工提取的新增建设用地信息矢量图斑转换为二值化栅格影像(新增建设用地标签值为1,其他地区为0),然后将两期遥感影像与对应的标签影像按照512×512的大小进行分块,构成多组(大于4000组)以三张影像(前时相影像、后时相影像、真实标签)为一组的样本集,如图5所示。
(3)将样本集按照大于9:1的比例进行划分,分为训练数据集与验证数据集,通过平移、旋转、镜像等操作扩充训练集样本,完成训练集数据增强。
步骤2:改进U-net网络设计。
图2为传统U-net网络结构,本发明对U-net网络结构进行改进设计。如图3所示,本发明具体改进的U-net网络结构是对称结构,输入影像的大小与最后输出影像的大小一致,该网络主要包括12层卷积层,3层空洞卷积,3层池化层,3层反卷积,不包含全连接层。网络左边是经典的传统神经网络结构,这一部分主要含有8层卷积层,每两个卷积层为一组。卷积的公式为:
其中j=1,2,...,NL,NL-1表示L-1层特征图的个数,表示L-1层第i个特征图,表示从第L层第i个特征图到第L层第j个特征图的连接权重,表示第L层到L层第j个特征图的偏执。卷积核大小都为3×3的卷积核,从浅层的神经网络到深层的神经网络,卷积核的数目从32增加到了1024,每一组进行一次池化操作。
(1)每一次卷积操作后本发明并未采用传统的Relu激活函数,而是采用的Swish激活函数,其作用是在大量的数据集中,Swish激活函数的表现要比传统的Relu激活函数效果要好一些,一定程度上可以防止梯度弥散的问题。在每一次下采样后都添加了一层批标准化层,让每一次的批次对网络中的每一层特征都做了批量标准化,使得每一层的特征分布均匀,可加速模型的收敛速度,提升泛化能力。批标准化层主要分为输入及输出公式,批量标准化输入公式为:
B=F(x1…m) (7)
Y=F(γ,β) (8)
其中x为输入图像矩阵,m为最小批次中样本的数量;γ、β为要学习的参数。
输出公式为:
{BNγ,β(xi)} (9)
其中,BN为批量标准化算法,xi为输入的第i个样本;μB为最小批次的均值,m为最小批次中样本的数量,xi为输入的第i个样本;为最小批次差异值,m为最小批次中样本的数量,xi为输入的第i个样本,μB为最小批次的均值;为标准化值,xi为输入的第i个样本,μB为最小批次的均值,为最小批次差异值,ε为了防止为0的无效计算;yi输出批量标准化后的结果,γ、β为要学习的参数,为标准化值。
公式(8)是网络层的两个参数,其中公式(9)是针对x值的最小批次,公式(10)为最小批次的均值,公式(13)为标准化的过程。
(2)网络的右半部分主要是由3层反卷积层以及3层空洞卷积组成的,反卷积的作用是得到更深层的抽象特征以及相对应左半部分的所存在的浅层局部特征。利用通道连接的方式,对输入的特征进行特征融合,以恢复地物的细节以及空间维度。在上采样的过程中加入空洞卷积的操作,是为了保证原始影像特征、保证计算参数不变的情况下,扩大感受野尽可能多的读取到地物的特征信息。
(3)本发明采用了退化学习率的算法。开始的学习率为0.1,随着迭代次数的增加,每迭代6000次学习率衰减0.9,最大迭代次数为83001次,批次的大小设置为10。由于本发明采用的是影像叠加,原始的网络适用于普通的三波段影像输入,经过影像叠加处理后的影像波段数为六个波段,输入通道数参数并不适合输入,为了防止过大的通道数对新增建设用地提取时产生冗余,过小的通道数容易出现特征表达能力不足的情况,所以对其进行参数调整。
步骤3:基于焦点损失函数的网络训练。
本发明利用公式(5)确定焦点损失函数参数α的取值方法,对γ=1、2、3、5下的网络模型进行训练,将每个模型分别做精度精度评价,实验结果当γ=2时,网络模型为最优模型。
步骤4:新增建设用地提取。
(1)收集辽宁省、山西省需要进行新增建设用地提取地区的2015年和2018年的的多组高分辨率遥感正射影像;
(2)将收集的辽宁省、山西省的影像以组为单位作为输入,利用本发明模型提取新增建设用地提取结果,得到新增建设用地标签值为1,其他地区为0的二值化栅格影像。
(3)将得到的新增建设用地提取栅格结果转化为矢量,得到最终的新增建设用地提取矢量成果。
该算例的仿真结果如下。
(1)按照所述仿真内容的仿真结果客观评价结果如下:
表1确定参数γ模型精度评价
焦点损失函数参数设置 | 变化区域F1值 | 未变化区域F1值 | Kappa系数 |
α=0.05,γ=1 | 0.774 | 0.993 | 0.761 |
α=0.05,γ=2 | 0.912 | 0.996 | 0.913 |
α=0.05,γ=3 | 0.881 | 0.992 | 0.882 |
α=0.05,γ=5 | 0.862 | 0.992 | 0.862 |
从上表中可以得出,当α=0.05,γ≥2时,变化区域F1值及Kappa系数随着γ增大而减小。因此当α=0.05,γ=2时,变化区域F1值及Kappa系数最高。α随着γ的增加也随之增加一点,为了确定最优的参数,本实验同时增加了α与γ的值,因此训练了α=0.1,γ=3的模型,上表中可以看出,α=0.1,γ=3的模型变化区域F1值及Kappa系数比其他参数最高的F1值及Kappa系数都提高了0.01。对比最优参数却分别下降了0.11、0.10。因此可以得出,当α=0.05,γ=2时网络模型精度最高。由于是针对一个验证集而言此参数为最优解,为探究该参数的适用性,本发明将采用四个独立验证集以探究参数的适用性:分别为验证集1、验证集2、验证集3、验证集4。采用四个验证集分别对其进行精度验证,具体验证结果如表2参数设置以及精度评价所示。
表2参数设置以及精度评价
从上表的实验结果表明,当α=0.05,γ=2时,无论在哪个验证集中精度都是最高的。因此可以得出,在本实验的数据集中可以遵循训练数据集正样本的像素总个数比上负样本的像素总个数的比值作为α的取值。
(2)按照所述仿真内容的仿真结果主观评价如下:
将U-net网络、改进的U-net网络及加入焦点损失函数的改进U-net网络进行精度分析,具体精度评价如表3所示。
表3不同网络精度评价
将三种方法进行试验对比,从表3中可以得出,本文方法对比U-net网络的未变化区域F1值提高了0.05。对于敏感的变化区域F1值提高了0.078,Kappa系数提高了0.068。对比改进的U-net网络(损失函数为交叉熵损失函数)的未变化区域F1值提高了0.05。对于敏感的变化区域F1值提高了0.033,Kappa系数提高了0.026,根据Kappa系数的得分率的规定Kappa系数大于0.8意味着分类效果几乎完全一致,而本发明方法Kappa系数达到了0.913,这足以表明本发明方法的可行性。部分新增建设用地信息提取结果如图6所示。
从图6中可以看出,本发明网络在桥梁样本上的效果比其他两种网络精度要高,对空间上的伪变化识别能力较强,在建筑样本上边缘分割的结果较好。
与现有的新增建设用地提取方法相比,本发明的具有以下特点:
(1)本发明与现有方法相比,提取的新增建设用地的效果最接近于真实标签,而且分割细节更加完善,对伪变化识别较好;
(2)本方面改进U-net网络模型,通过在上采样的过程中加入了空洞卷积算法,利用新型的激活函数Swish函数和定义退化学习率对U-net网络模型进行改进,既加快了网络模型的收敛速度,减少对样本数量的依赖,又防止了过拟合的情况,提高了分类的精度。
(3)本发明引入焦点损失函数,相比于传统的交叉熵损失函数赋予正负样本相同的权重,考虑了正负样本比例失衡对深度学习模型训练的影响,并创造性的提出了确定焦点损失函数中参数α的取值方法,使得本发明方法可以适用于正负样本比例失衡的样本集,满足新增建设用地信息提取对样本集的需求,具有更强的适应性,在实际应用上具有一定的应用潜力。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,包括以下步骤:
构建样本集:基于高分辨率遥感影像收集大量新增建设用地正负样本构建样本集,并将样本集划分为训练集与验证集;
改进U-net网络模型:在U-net网络中引入Swish激活函数、空洞卷积算法和退化学习率;
训练网络模型:采用焦点损失函数对训练集中负样本的权重进行弱化,并对改进后的U-net网络模型进行训练;
提取新增建设用地信息:采用改进后的U-net网络模型从高分辨率遥感影像中提取新增建设用地信息。
2.根据权利要求1所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,所述构建样本集的过程包括以下步骤:
步骤11:收集大量同一位置不同时相的高分辨率遥感正射影像,人工提取新增建设用地信息矢量图斑,作为样本集的构建素材;
步骤12:将采集得到的人工提取新增建设用地信息矢量图斑转换为二值化栅格影像作为标签影像,新增建设用地标签值为1,其他地区标签值为0,然后将两期高分辨率遥感影像与对应的标签影像以固定大小的矩形进行分块,构成前时相影像、后时相影像和标签影像为一组样本的样本集;
步骤13:将样本集按照一定的比例划分为训练集和验证集,并通过平移、旋转、镜像操作扩充训练集样本。
3.根据权利要求2所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,所述训练集和验证集的比例为9:1。
4.根据权利要求1所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,所述改进U-net网络模型的过程包括以下步骤:
步骤21:采用Swish激活函数代替传统的Relu激活函数,其中Swish激活函数的公式为:
f(x)=x*sigmoid(βx) (1)
公式(1)中β为变量x的缩放参数;
步骤22:将空洞卷积算法代替U-net网络中上采样中卷积算法,其中空洞卷积算法公式为:
F(I+1)=(2(I+2)-1)*(2(I+2)-1) (2)
其中公式(2),F为感受野指数级,I为图像的高宽;
步骤23:学习率采用退化学习率,其中退化学习率的公式为:
其中,LR为初始学习率,DR为衰减率,GS为总迭代次数,DS为衰减次数。
6.根据权利要求5所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,所述调节因子γ的取值范围为:0<γ≤5。
7.根据权利要求1所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,所述提取新增建设用地信息的过程包括以下步骤:
步骤41:收集覆盖需要提取新增建设用地信息地区的多组影像;
步骤42:将得到的影像以组为单位作为输入,根据训练好的网络模型提取新增建设用地信息,得到新增建设用地提取结果,即新增建设用地标签值为1,其他地区为0的二值化栅格影像;
步骤43:将得到的新增建设用地提取栅格结果转化为矢量,得到最终新增建设用地提取矢量图。
8.根据权利要求7所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,每组影像由同一位置不同时相的两张高分辨率遥感正射影像组成。
9.根据权利要求1-8任意一项所述的基于高分辨率遥感影像提取新增建设用地信息的方法,其特征在于,在训练网络模型步骤之后还包括以下步骤:
采用验证集对改进后的U-net网络模型参数的最优解进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105746.4A CN111339890A (zh) | 2020-02-20 | 2020-02-20 | 基于高分辨率遥感影像提取新增建设用地信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105746.4A CN111339890A (zh) | 2020-02-20 | 2020-02-20 | 基于高分辨率遥感影像提取新增建设用地信息的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339890A true CN111339890A (zh) | 2020-06-26 |
Family
ID=71184113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105746.4A Pending CN111339890A (zh) | 2020-02-20 | 2020-02-20 | 基于高分辨率遥感影像提取新增建设用地信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339890A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102266A (zh) * | 2020-08-31 | 2020-12-18 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN112329647A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 基于U-Net神经网络的土地利用类型识别方法 |
CN113011514A (zh) * | 2021-03-29 | 2021-06-22 | 吉林大学 | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
CN114049251A (zh) * | 2021-09-01 | 2022-02-15 | 中国矿业大学 | 一种用于ai视频分析的模糊图像超分辨率重建方法及装置 |
CN114254146A (zh) * | 2020-09-21 | 2022-03-29 | 京东方科技集团股份有限公司 | 图像数据的分类方法、装置和*** |
CN118014163A (zh) * | 2024-04-08 | 2024-05-10 | 云南瀚哲科技有限公司 | 一种生产障碍耕地治理优化调控方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615010A (zh) * | 2018-04-24 | 2018-10-02 | 重庆邮电大学 | 基于平行卷积神经网络特征图融合的人脸表情识别方法 |
CN109544662A (zh) * | 2018-11-29 | 2019-03-29 | 文创智慧科技(武汉)有限公司 | 一种基于SRUnet的动漫风格线稿上色方法及*** |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110047138A (zh) * | 2019-04-24 | 2019-07-23 | 复旦大学 | 一种磁共振薄层图像重建方法 |
CN110059465A (zh) * | 2019-04-24 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 身份验证方法、对抗生成网络的训练方法、装置及设备 |
CN110059658A (zh) * | 2019-04-26 | 2019-07-26 | 北京理工大学 | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 |
-
2020
- 2020-02-20 CN CN202010105746.4A patent/CN111339890A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615010A (zh) * | 2018-04-24 | 2018-10-02 | 重庆邮电大学 | 基于平行卷积神经网络特征图融合的人脸表情识别方法 |
CN109544662A (zh) * | 2018-11-29 | 2019-03-29 | 文创智慧科技(武汉)有限公司 | 一种基于SRUnet的动漫风格线稿上色方法及*** |
CN110007347A (zh) * | 2019-04-09 | 2019-07-12 | 西南石油大学 | 一种深度学习地震资料去噪方法 |
CN110047138A (zh) * | 2019-04-24 | 2019-07-23 | 复旦大学 | 一种磁共振薄层图像重建方法 |
CN110059465A (zh) * | 2019-04-24 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 身份验证方法、对抗生成网络的训练方法、装置及设备 |
CN110059658A (zh) * | 2019-04-26 | 2019-07-26 | 北京理工大学 | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 |
Non-Patent Citations (3)
Title |
---|
AI科技大本营: "剖析Focal Loss损失函数: 消除类别不平衡+挖掘难分样本 | CSDN博文精选", 《HTTPS://BLOG.CSDN.NET/DQCFKYQDXYM3F8RB0/ARTICLE/DETAILS/103104745》 * |
吴海平: "基于深度学习的新增建设用地信息提取试验研究———全国土地利用遥感监测工程创新探索", 《国土资源遥感》 * |
唐文博: "基于卷积神经网络的高分辨率多光谱遥感图像上的城区建筑物变化检测技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102266A (zh) * | 2020-08-31 | 2020-12-18 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN112102266B (zh) * | 2020-08-31 | 2022-09-20 | 清华大学 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
CN114254146A (zh) * | 2020-09-21 | 2022-03-29 | 京东方科技集团股份有限公司 | 图像数据的分类方法、装置和*** |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN112183416B (zh) * | 2020-09-30 | 2024-02-20 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN112329647A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 基于U-Net神经网络的土地利用类型识别方法 |
CN113011514A (zh) * | 2021-03-29 | 2021-06-22 | 吉林大学 | 基于双线性池化应用于ct影像的颅内出血亚类型分类算法 |
CN114049251A (zh) * | 2021-09-01 | 2022-02-15 | 中国矿业大学 | 一种用于ai视频分析的模糊图像超分辨率重建方法及装置 |
CN118014163A (zh) * | 2024-04-08 | 2024-05-10 | 云南瀚哲科技有限公司 | 一种生产障碍耕地治理优化调控方法及*** |
CN118014163B (zh) * | 2024-04-08 | 2024-06-11 | 云南瀚哲科技有限公司 | 一种生产障碍耕地治理优化调控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339890A (zh) | 基于高分辨率遥感影像提取新增建设用地信息的方法 | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
CN113239782B (zh) | 一种融合多尺度gan和标签学习的行人重识别***及方法 | |
CN111047551A (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及*** | |
CN111563902A (zh) | 一种基于三维卷积神经网络的肺叶分割方法及*** | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN111444821A (zh) | 一种城市道路标志自动识别方法 | |
CN114092832B (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 | |
CN111553837B (zh) | 一种基于神经风格迁移的艺术文本图像生成方法 | |
CN107256558A (zh) | 一种无监督式的宫颈细胞图像自动分割方法及*** | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN110457982A (zh) | 一种基于特征迁移学习的作物病害图像识别方法 | |
CN111598101A (zh) | 基于遥感影像场景分割的城区智能提取方法、***及设备 | |
CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN111160407A (zh) | 一种深度学习目标检测方法及*** | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及*** | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN116485785B (zh) | 一种太阳能电池片的表面缺陷检测方法 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
CN116630971B (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN113762265A (zh) | 肺炎的分类分割方法及*** | |
CN111079807B (zh) | 一种地物分类方法及装置 |
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 |