耦合归一化植被指数的半监督全局感知城市绿地识别方法技术

本发明专利技术提供了一种耦合归一化植被指数的半监督全局感知城市绿地识别方法，对获取的已有标签城市高分遥感影像和目标城市高分遥感影像分别进行数据剪裁处理和NDVI绿地信息提取，处理后得到绿地样本，进而加入到训练集；将深度学习方法SegFormer作为模型，利用训练集对模型进行训练；利用训练得到的模型预测目标城市的绿地；根据目标城市的绿地的预测结果，在遥感影像上进行裁剪来制作新的绿地样本，选择置信度高的新的绿地样本作为伪标签，加入训练集对模型进行再训练；利用再训练后的模型进行预测，得到目标城市的绿地图斑。本发明专利技术的有益效果是：在减少人为工作量以及提高工作效率的前提下，更为精准而有效可靠的完成对目标城市高分遥感图像的绿地识别。市高分遥感图像的绿地识别。市高分遥感图像的绿地识别。

【技术实现步骤摘要】
耦合归一化植被指数的半监督全局感知城市绿地识别方法


[0001]本专利技术涉及城市绿地识别领域，尤其涉及一种耦合归一化植被指数的半监督全局感知城市绿地识别方法。

技术介绍

[0002]城市绿地的自动化识别在生态园林城市项目工作中是不可或缺的一部分。单纯依靠人工根据高分遥感影像去勾画与鉴别绿地，通常需要工作人员花费很长的时间来完成，效率很低。而目前利用NDVI的方法来提取绿地信息，也存在着水体、阴影、蓝色屋顶以及耕地被错分成绿地的情况以及部分细碎的绿地未被识别到的情况，并且在修正这些错分的图斑时，也大大增加了工作人员的工作量。且在实际应用中，训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，导致现有技术对城市绿地的识别及提取效率较低。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种耦合归一化植被指数的半监督全局感知城市绿地识别方法，采用了SegFormer的深度学习方法，该深度学习方法设计了更加适合语义分割的Transformer Encoder以及简单轻量级的的MLP Decoder，反映出其良好的鲁棒性；引入深度学习方法后进一步提高了自动化识别城市绿地的效率，可以根据图像特征对城市绿地进行判别和提取。并且对于城市绿地的提取，需要依赖大量数据集的支持去进行特征学习，以保证学习结果的准确性和可靠性。主要包括：
[0004]S1：获取已有标签城市高分遥感影像和目标城市高分遥感影像，所有的已有标签城市高分遥感影像的绿地样本组成训练集；
[0005]S2：对已有标签城市高分遥感影像和目标城市高分遥感影像分别进行数据剪裁处理和NDVI绿地信息提取处理，得到绿地影像；
[0006]S3：对绿地影像进行剪裁处理，并进行样本制作，得到绿地样本；
[0007]S4：将步骤S3中得到的已有标签城市和目标城市的绿地样本加入到训练集，并以8：2的比例将训练集分为训练数据和验证数据，用于模型训练；
[0008]S5：将深度学习方法SegFormer作为模型，利用训练集对模型进行训练；
[0009]S6：利用训练得到的模型预测目标城市的绿地；
[0010]S7：根据步骤S6的目标城市的预测结果(即预测出的目标城市绿地图斑)，在目标城市的高分遥感影像上进行裁剪，得到新的绿地影像，进而制作新的绿地样本；
[0011]S8：根据新的绿地样本的置信度，选择置信度高的样本作为伪标签，加入训练集对模型进行再训练；
[0012]其中，样本置信度计算方法如下：
[0013]统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％的影像(这些即为高置信度)用于模型的二次训练。
[0014]S9：利用再训练后的模型预测目标城市的绿地，最终得到目标城市的绿地识别结果，即目标城市的绿地图斑。
[0015]进一步地，利用ArcGIS软件，对高分遥感影像中的城市绿地进行勾画，然后用勾画好的绿地图斑对原始影像中的绿地进行裁剪，获得已有标签城市的绿地影像。
[0016]进一步地，以目标城市的高分遥感影像数据作为数据源，利用ENVI软件中的Band Math工具计算NDVI，通过调整NDVI的阈值找到最适合于目标城市的NDVI阈值范围，并且选择提取效果较好的部分区域提取出绿地信息，然后用已选定的部分区域中提取出的绿地图斑，对原始影像中的绿地进行裁剪，获得目标城市的绿地影像。
[0017]进一步地，NDVI计算公式为：
[0018](float(b4)
‑
float(b3))/(float(b4)+float(b3))
[0019]其中，b4为近红外波段，b3为红光波段，float()为实函数。
[0020]进一步地，已有标签城市和目标城市的绿地影像裁剪处理后为512
×
512像素大小的图像。
[0021]进一步地，SegFormer由两部分组成：(1)层次化Transformer Encoder，(2)仅由几个FC构成的decoder。
[0022]进一步地，样本置信度计算方法如下：统计模型对每张影像的预测结果，计算每张影像所有像素的预测概率之和，选出所有影像概率之和的排名前20％的影像用于模型的二次训练。
[0023]本专利技术提供的技术方案带来的有益效果是：在减少人为工作量以及提高工作效率的前提下，更为精准而有效可靠的完成对目标城市高分遥感图像的绿地识别。
附图说明
[0024]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0025]图1是本专利技术实施例中一种耦合归一化植被指数的半监督全局感知城市绿地识别方法的流程图。
具体实施方式
[0026]为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。
[0027]本专利技术的实施例提供了一种耦合归一化植被指数的半监督全局感知城市绿地识别方法。由于在实际应用中，训练集和测试集可能在区域、分辨率、规模和风格上有所不同，这导致了不同的特征分布，这种现象称为数据移位。带有标签的训练集通常被定义为源域(SD)，而没有标签的测试集被定义为目标域(TD)。为解决这个问题，通过结合NDVI制作目标城市的样本，来缩小源域与目标域的特征差异，使模型提取到更具有判别性的特征，并且采用了离线自监督学习的方式去训练模型，为了更好地将知识从源域传递到目标域，自监督方法为目标域数据生成伪标签。在面对没有大量标注数据的新任务时提升了模型的特征提取能力。本专利技术在减少人为工作量以及提高工作效率的前提下，更为精准而有效可靠的完成对目标城市高分遥感图像的绿地识别。
[0028]请参考图1，图1是本专利技术实施例中一种耦合归一化植被指数的半监督全局感知城
市绿地识别方法的流程图，具体包括：
[0029]S1：获取已有标签城市高分遥感影像和目标城市高分遥感影像，所有的已有标签城市高分遥感影像的绿地样本组成了训练集；
[0030]S2：对已有标签城市高分遥感影像和目标城市高分遥感影像分别进行数据剪裁处理和NDVI绿地信息提取处理，得到绿地影像，具体为：
[0031]在研究区内，利用ArcGIS软件，对高分遥感影像中的城市绿地进行勾画，然后用勾画好的绿地图斑对原始影像中的绿地进行裁剪，得到已有标签城市的绿地遥感影像；
[0032]以目标城市的高分遥感影像数据作为数据源，利用ENVI软件中的Band Math工具计算NDVI，通过调整NDVI的阈值找到最适合于目标城市的NDVI阈值范围，并且选择提取效果较好的部分区域提取出绿地信息，导出最终的shp文件；其中在ENVI软件中，NDVI计算公式为：
[0033](float(b4)
‑
float(b3))/(float(b4)+float(b3))
[0034]其中，b4为近红外波段，b3为红光波段，flo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合归一化植被指数的半监督全局感知城市绿地识别方法，其特征在于：包括：S1：获取已有标签城市高分遥感影像和目标城市高分遥感影像，所有的已有标签城市高分遥感影像的绿地样本组成训练集；S2：对已有标签城市高分遥感影像和目标城市高分遥感影像分别进行数据剪裁处理和NDVI绿地信息提取处理，得到绿地影像；S3：对绿地影像进行剪裁处理，并进行样本制作，得到绿地样本；S4：将步骤S3中得到的已有标签城市和目标城市的绿地样本加入到训练集，并将训练集分为训练数据和验证数据，用于模型训练；S5：将深度学习方法SegFormer作为模型，利用训练集对模型进行训练；S6：利用训练得到的模型预测目标城市的绿地；S7：根据目标城市的预测结果，在目标城市的高分遥感影像上进行裁剪，得到新的绿地影像，进而制作新的绿地样本；S8：根据新的绿地样本的置信度，选择置信度高的样本作为伪标签，加入训练集对模型进行再训练；S9：利用再训练后的模型预测目标城市的绿地，最终得到目标城市的绿地识别结果，即目标城市的绿地图斑。2.如权利要求1所述的一种耦合归一化植被指数的半监督全局感知城市绿地识别方法，其特征在于：步骤S2中，利用ArcGIS软件，对高分遥感影像中的城市绿地进行勾画，然后用勾画好的绿地图斑对原始影像中的绿地进行裁剪，获得已有标签城市的绿地影像。3.如权利要求1所述的一种耦合归一化植被指数的半监督全局感知城市绿地识别方法，其特征在于：步骤S2中，以目标城市的高分遥感影像数据作...

【专利技术属性】
技术研发人员：郭艳，刘福江，林伟华，唐家玉，孙煜文，苏军顺，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：